RT-DETR 상업적 사용: Ultralytics 없이 v1, v2, v4 실행하기

RT-DETR은 Baidu의 실시간 탐지 트랜스포머입니다. 조밀한 그리드 대신 고정된 쿼리 집합을 디코딩하므로 조정할 NMS 단계가 없습니다. RT-DETR을 검색하면 가장 먼저 찾는 구현 중 하나가 Python ultralytics 패키지에 포함된 구현입니다. 이 때문에 모델 자체에는 없던 라이선스 문제가 생깁니다.

RT-DETR 라이선스는 저장소에 따라 다릅니다

라이선스는 모델이 아니라 저장소에 적용됩니다. RT-DETR 관련 저장소는 여러 개이며, 라이선스가 서로 다릅니다.

Ultralytics 구현은 완성도가 높습니다. RT-DETR 페이지에는 사전 학습된 rtdetr-l.pt 및 rtdetr-x.pt와 학습, 검증, 추론, 내보내기가 소개되어 있습니다. 이 구현은 AGPL-3.0 라이선스 패키지에 포함되어 있으며, 프로젝트 전체를 오픈 소스화하지 않으려는 팀을 위해 Ultralytics가 Enterprise License를 판매합니다. 둘 다 적합하지 않다면 원 저자의 구현을 Apache-2.0으로 사용할 수 있습니다. YOLO 라이선스 설명에서는 YOLO 계열 전반의 같은 패턴을 다루고, 상업적 라이선스 가이드에서는 비공개 소스 제품에 AGPL-3.0이 어떤 의미인지 설명합니다.

LibreYOLO로 RT-DETR 실행하기

pip install libreyolo

from libreyolo import LibreYOLO, SAMPLE_IMAGE

model = LibreYOLO("LibreRTDETRr18.pt")  # downloads from Hugging Face on first use
result = model(SAMPLE_IMAGE, save=True)

for box in result.boxes:
    print(box.cls, box.conf, box.xyxy)

같은 호출을 명령줄에서도 사용할 수 있습니다.

libreyolo predict model=LibreRTDETRr18.pt source=image.jpg save=True

conf와 max_det은 쿼리와 클래스에 대한 top-k 디코딩 결과를 필터링합니다. iou는 허용되지만 NMS가 없으므로 사용되지 않습니다. 반환되는 Results 객체는 모든 LibreYOLO 모델에서 동일하므로 탐지기를 한 줄만 바꿔 교체할 수 있습니다.

하나의 로더에서 RT-DETR, RT-DETRv2, RT-DETRv4 사용하기

파일 이름에 버전이 포함되며 LibreYOLO()는 체크포인트에 따라 해당 버전으로 연결하므로 세 버전을 모두 같은 방식으로 불러옵니다.

• RT-DETR: r18, r34, r50, r50m, r101(ResNet 백본), l, x(HGNetv2)의 LibreRTDETR 모델입니다.
• RT-DETRv2: r18, r34, r50, r50m, r101의 LibreRTDETRv2 모델입니다. 버전 1의 아키텍처를 유지하면서 변형 어텐션의 샘플링 방식을 변경합니다.
• RT-DETRv4: s, m, l, x의 LibreRTDETRv4 모델입니다. D-FINE의 아키텍처를 재사용하며, DINOv3 교사를 HGNetv2 학생 모델로 증류해 가중치를 만듭니다.

모든 탐지 가중치는 COCO로 학습하며 640 px에서 실행됩니다. 참고로 업스트림 README에는 COCO에서 RT-DETR-R18의 AP가 46.5, RT-DETR-L의 AP가 53.0이라고 나와 있으며, RT-DETRv4-S의 AP는 49.8, RT-DETRv4-X는 최대 57.0입니다. RT-DETR 문서 페이지에는 모든 체크포인트의 LibreYOLO 자체 벤치마크 표가 있습니다.

RT-DETRv2는 방향 상자도 지원합니다. LibreRTDETRv2n-obb.pt부터 LibreRTDETRv2x-obb.pt까지는 공식 DOTA v1.0 체크포인트로, 항공 이미지의 15개 클래스를 1024 px에서 처리하며 LibreYOLO 형식으로 변환되어 있습니다.

from libreyolo import LibreYOLO

model = LibreYOLO("LibreRTDETRv2n-obb.pt")
result = model("aerial.png", save=True)
print(result.obb.xywhr)  # (N, 5): cx, cy, w, h, radians

방향 탐지 문서에서 레이블 형식과 지표를 설명합니다.

자체 데이터로 RT-DETR 파인튜닝하기

학습은 공개된 체크포인트에서 시작합니다.

from libreyolo import LibreYOLO

model = LibreYOLO("LibreRTDETRr18.pt")
model.train(data="coco128.yaml", epochs=50, batch=4, lr0=1e-4)

실제 학습에서는 data에 자체 데이터셋 YAML을 지정합니다. 각 버전에는 고유한 학습률 기본값이 있으며, 버전 1과 2는 원본 레시피에 따라 백본 학습률을 lr0의 20분의 1로 설정합니다. CLI에서 다중 GPU를 사용하려면 device=0,1을 지정하고, LoRA 어댑터 파인튜닝은 lora 추가 항목을 설치한 뒤 lora=True로 설정합니다. RT-DETRv2의 방향 상자 모델은 추론 전용입니다. 데이터셋, 증강, 로거는 학습 문서를 참조하십시오.

검증 및 내보내기

metrics = model.val(data="coco128.yaml")
print(metrics["metrics/mAP50-95"])

path = model.export(format="onnx")  # needs: pip install "libreyolo[onnx]"

val()은 일반 Python 딕셔너리를 반환합니다. 내보내기 대상에는 ONNX, TorchScript, ExecuTorch, TensorRT, OpenVINO가 포함됩니다. 모델 페이지의 내보내기 표에서 각 작업에 대해 검증된 형식을 확인할 수 있습니다. 내보낸 .onnx 또는 .engine 파일을 LibreYOLO()로 다시 불러오면 동일한 Results를 반환합니다. 형식별 가이드는 내보내기 문서를 참조하십시오.

원본 저장소를 사용하는 것이 적합한 경우

저자의 정확한 설정으로 논문 결과를 재현하거나, Paddle 버전이 필요하거나, RT-DETRv4의 DINOv3 교사 증류를 직접 실행하려면 업스트림 저장소를 사용하십시오. LibreYOLO는 공개된 v4 학생 모델을 파인튜닝하며 교사 모델을 실행하지는 않습니다. 프로젝트가 이미 AGPL-3.0을 따르거나 Ultralytics Enterprise License의 적용을 받는다면 라이선스 때문에 옮길 이유는 없습니다.

라이선스 참고 사항

LibreYOLO 코드는 MIT입니다. 모든 RT-DETR 가중치 파일은 Apache-2.0이며, 각 Hugging Face 가중치 저장소에는 가중치를 재배포할 때 보존하도록 Apache-2.0에서 요구하는 업스트림 LICENSE와 NOTICE가 포함되어 있습니다. 자체 데이터로 학습한 가중치는 학습한 사람의 소유입니다. RT-DETRv4는 학습 중에만 DINOv3를 교사로 사용하며, 공개된 학생 모델에는 DINOv3 파라미터가 없습니다. 이는 일반적인 정보이며 법률 자문이 아닙니다. 배포하기 전에 최신 LICENSE 파일을 확인하십시오.

사용해 보기

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreRTDETRv4s.pt")
result = model("image.jpg", save=True)
print(result.boxes.xyxy)

LibreYOLO는 MIT 라이선스이며 Linux, Mac, Windows에서 실행됩니다. 코드 변경 없이 GPU, Apple Silicon, 일반 CPU에서도 작동합니다.

GitHub | RT-DETR 문서