RF-DETR 模型 TensorRT 部署项目说明 本项目基于 RF-DETR 模型，完成了从数据准备、模型训练、ONNX 导出到 TensorRT 推理部署 的完整流程。
📁 项目结构 text 编辑 . ├── python/ │ ├── yolo2coco.py # 将 YOLO 格式数据集转换为 COCO 格式 │ ├── train_det.py # RF-DETR 模型训练入口 │ ├── export_det.py # 将训练好的 .pth 模型导出为 ONNX 格式 │ ├── predict_det.py # 基于 RF-DETR 的 Python 推理 Demo │ └── onnx_inference.py # 使用 ONNX Runtime 进行推理的 Demo │ ├── src/ # C++ TensorRT 部署核心代码（含前处理、后处理、模型加载等） ├── main.cpp # C++ 推理调用示例入口 ├── weights/ # 存放用于推理的模型文件（如 .onnx 或 .engine） └── README.md # 本说明文件 🧾 数据准备 原始格式：YOLO 格式（每张图像对应一个 .txt 标注文件） 目标格式：COCO 格式（RF-DETR 训练所需） 转换脚本： bash 编辑 python ./python/yolo2coco.py 该脚本将 YOLO 格式的数据集自动转换为标准 COCO JSON 格式，供后续训练使用。 🏋️ 模型训练 使用 train_det.py 启动 RF-DETR 模型训练：
bash 编辑 python ./python/train_det.py 请确保已准备好 COCO 格式的数据集，并在配置中指定路径。
🔁 模型导出（PyTorch → ONNX） 训练完成后，使用以下命令将 .pth 模型导出为 ONNX 格式：
bash 编辑 python ./python/export_det.py 生成的 .onnx 文件将保存在 weights/ 目录中，用于后续 TensorRT 部署。
🚀 推理方式
- Python 推理 Demo（PyTorch / ONNX） RF-DETR 原生推理： bash 编辑 python ./python/predict_det.py ONNX Runtime 推理： bash 编辑 python ./python/onnx_inference.py
- C++ TensorRT 高性能推理 构建步骤： bash 编辑 cmake -S . -B build cmake --build build -j$(nproc) 运行推理： bash 编辑 ./build/build 该程序调用 src/ 中的 TensorRT 推理引擎，完成图像检测任务，包含完整的前处理、推理、后处理流程。