RF-DETR于2025年3月19日发布，是由Roboflow开发的一种基于Transformer的物体检测模型架构。 RF-DETR在COCO和新推出的RF100-VL数据集上实现了最先进的性能，超越了LW-DETR和YOLOv11等模型。RF100-VL是一个基准测试，旨在验证检测能力模型在各种领域的泛化能力。 通过将分辨率扩展到728，RF-DETR在NVIDIA T4 GPU上达到了60.5 mAP，速度为25 FPS，成为第一个在Microsoft COCO基准测试中突破60mAP障碍的实时模型。该模型在NVIDIA T4上也达到了25 FPS。 RF-DETR按照Apache 2.0许可证授权，允许免费商业使用。 RF-DETR在RF100-VL上的评估表现RF-DETR在Microsoft COCO上的评估表现在这篇指南中，我们将介绍如何在自定义数据集上训练一个RF-DETR模型。我们将以识别麻将牌为例进行训练，这是一个涉及多个不同类别的任务。 以下是我们将要训练的模型的结果示例（右侧），以及真实标签（左侧）： 我们的模型结果几乎与真实标签一致，这是对RF-DETR预测质量的一个证明。 不多说了，让我们开始吧！ 💡你可以使用我们的Colab训练笔记本跟随本指南。我们建议使用A100进行训练。 1、准备数据集首先，我们需要准备一个数据集。在这个指南中，我们将使用一个麻将牌识别数据集，这是RF100-VL基准测试中的一个数据集之一。该数据集包含超过2000张麻将牌图像，并且是根据Apache 2.0许可证授权的。 你可以在Roboflow Universe上的麻将牌页面下载数据集。
