参考：RT-DETR训练自己的数据集（从代码下载到实例测试）_rtdetr训练自己的数据集-CSDN博客k

以及RT-DETR推理详解及部署实现-CSDN博客后半部分

转onnx部分参考

ultralytics中rtdetr的.pt模型转onnx_rt-detr转onnx-CSDN博客

1、下载GitHub - ultralytics/ultralytics: Ultralytics YOLO11 🚀

或者GitCode - 全球开发者的开源社区,开源代码托管平台

下载完解压，长这样

2、下载个预训练模型百度RT-DETR：基于视觉变换器的实时物体检测器

放在这个下面,我用的rtdetr-l.pt

3、准备好yolo格式数据集

4、先改模型的配置文件，改下nc那个数字，我是yolo数据集标签0-6，所以改7

5、改数据集路径，复制一份这个coco.yaml然后重命名，改成自己数据集路径，和分类

6、在ultralytics-main\ultralytics这个文件夹里，输入训练命令（可使用tail -f train.log查看训练日志）

nohup yolo detect train \
model=./cfg/models/rt-detr/rtdetr-l_20250604.yaml \
pretrained=rtdetr-l.pt \
data=./cfg/datasets/singal20250604.yaml \
epochs=100 \
device=0 > train.log 2>&1 &

7、训练结束。模型文件（如 best.pt、last.pt）默认会保存在 runs/detect/trainXX/ 目录下，你可以运行以下命令查找最新训练的结果：ls -lt runs/detect/，然后best.pt在ultralytics-main\ultralytics\runs\detect\train10\weights\best.pt这儿

8、验证best.pt效果。新建detect.py，内容在下方注意改.pt和测试图片路径，放这儿。再建一个images,里面放要测试的图片。

import warnings
warnings.filterwarnings('ignore')
from ultralytics import RTDETR
 
if __name__ == '__main__':
    model = RTDETR('runs/detect/train10/weights/best.pt')
    model.predict(source='images',
                imgsz=640,
                device='0',
                save=True
                )

在ultralytics-main\ultralytics这个文件夹里，输入python detect.py即可

输出在ultralytics-main/ultralytics/runs/detect/predict里面，保存了测试结果的图片

9、转onnx,和yolo差不多，新建export.py放这儿,代码在下面,.pt路径要写对，然后python export

from ultralytics import RTDETR
#注意如果转的是yolo收录的RTDETR，这个地方一定要是RTDETR不能是YOLO
# 加载 RT-DETR 模型（路径根据你的实际情况填写）
model = RTDETR("ultralytics-main/ultralytics/runs/detect/train10/weights/best.pt")

# 导出为 ONNX 格式，启用动态输入
success = model.export(format="onnx", opset=17, dynamic=True)

print("ONNX模型导出成功" if success else "导出失败")

onnx生成的在ultralytics-main/ultralytics/runs/detect/train10/weights/best.onnx

10、测试onnx的效果。新建onnx_predict.py，代码在下面,修改best.onnx路径，及测试图片路径（刚刚测试用的那个images）

import os
import cv2
import numpy as np
import onnx
import onnxruntime as ort

# 加载 ONNX 模型
onnx_model_path = 'runs/detect/train10/weights/best.onnx'
onnx_model = onnx.load(onnx_model_path)
onnx.checker.check_model(onnx_model)

# 创建推理会话
ort_session = ort.InferenceSession(onnx_model_path)

# 获取输入信息
input_name = ort_session.get_inputs()[0].name
print("模型输入名称:", input_name)

# 图像文件夹路径
image_folder = "images"
output_folder = "runs/onnx_pred"
os.makedirs(output_folder, exist_ok=True)

# 置信度阈值
CONF_THRESHOLD = 0.5

# 遍历图像文件夹
for img_file in os.listdir(image_folder):
    if not img_file.lower().endswith(('.png', '.jpg', '.jpeg')):
        continue

    print(f"Processing: {img_file}")

    # 读取图像
    img_path = os.path.join(image_folder, img_file)
    img = cv2.imread(img_path)
    orig_h, orig_w = img.shape[:2]

    # 预处理（resize + 归一化 + CHW + float32）
    resized_img = cv2.resize(img, (640, 640))
    resized_img = cv2.cvtColor(resized_img, cv2.COLOR_BGR2RGB)
    resized_img = resized_img / 255.0
    resized_img = resized_img.transpose(2, 0, 1)  # HWC -> CHW
    input_data = np.expand_dims(resized_img.astype(np.float32), axis=0)  # NCHW

    # 推理
    outputs = ort_session.run(None, {input_name: input_data})

    # 输出结构分析
    print("ONNX Output Shape:", outputs[0].shape)
    print("ONNX Output Example (first row):", outputs[0][0])

    # 解析输出（假设每个检测框结构是 [cx, cy, w, h, conf, class_scores...]）
    detections = outputs[0]  # shape: (1, 300, 11)
    boxes = detections[0, :, :4]
    scores = detections[0, :, 4]
    class_scores = detections[0, :, 5:]

    # 筛选置信度大于阈值的目标
    keep = scores > CONF_THRESHOLD
    boxes = boxes[keep]
    scores = scores[keep]
    class_ids = np.argmax(class_scores[keep], axis=-1)

    # 如果没有检测到目标
    if len(boxes) == 0:
        print("No detection")
        continue

    # 将 box 坐标还原到原图尺寸
    scale_x = orig_w / 640
    scale_y = orig_h / 640

    for i, (cx, cy, w, h) in enumerate(boxes):
        # 先还原到 640x640 图像上的像素坐标
        cx_pixel = cx * 640
        cy_pixel = cy * 640
        w_pixel = w * 640
        h_pixel = h * 640

        # 再还原到原始图像尺寸
        x1 = int((cx_pixel - w_pixel / 2) * scale_x)
        y1 = int((cy_pixel - h_pixel / 2) * scale_y)
        x2 = int((cx_pixel + w_pixel / 2) * scale_x)
        y2 = int((cy_pixel + h_pixel / 2) * scale_y)

        label = f"{class_ids[i]} {scores[i]:.2f}"
        print(f"Detected: {label} at [{x1}, {y1}, {x2}, {y2}]")

        # 绘制矩形框
        cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2)
        cv2.putText(img, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1)

    # 保存结果
    output_path = os.path.join(output_folder, img_file)
    cv2.imwrite(output_path, img)
    print(f"Saved to: {output_path}")

在ultralytics-main\ultralytics这个文件夹里，输入python onnx_predict.py即可

输出在ultralytics-main/ultralytics/runs/onnx_pred里面，保存了测试结果的图片