tao-train-rtdetr

RT-DETR

RT-DETR（实时目标检测 Transformer）用于 2D 目标检测。专为实时推理设计，兼具出色的准确率。支持蒸馏和量化，以优化部署。

设置 model.pretrained_backbone_path 以指定主干网络权重，或设置 train.pretrained_model_path 以指定完整模型。

对于 TAO Deploy TensorRT 操作（gen_trt_engine、TensorRT evaluate 和 TensorRT inference），请先阅读 references/tao-deploy-rtdetr.md。部署规范模板位于此技能的 references/ 文件夹中，文件名以 spec_template_deploy_*.yaml 为前缀。

数据类架构

生成的 TAO Core 架构打包在 schemas/<action>.schema.json 中，schemas/manifest.json 列出了可用操作。每个生成的架构还会根据架构顶层的 default 字段生成 references/spec_template_<action>.yaml。AutoML 是否启用由模型层在 references/skill_info.yaml 中通过 automl_enabled 声明。要运行 AutoML，还需要 schemas/train.schema.json 和 references/spec_template_train.yaml 存在且可解析。使用打包的训练架构获取 automl_default_parameters、automl_disabled_parameters、默认值、最小值／最大值边界、枚举值、选项权重、数学条件、依赖项和热门参数。不要假定运行时存在 ~/tao-core；维护者会在打包技能库前重新生成架构／模板。

训练操作策略

此模型在模型层启用了 AutoML。处理任何训练阶段请求之前，请阅读 references/skill_info.yaml，并根据显式的 automl_policy 值或用户的工作流请求确定本次运行的策略。将“turn off AutoML”“disable AutoML”“no HPO”或“plain training”等表述视为仅对本次运行设置 automl_policy: off；否则默认为 auto。当 automl_policy: auto、automl_enabled: true，且已打包 schemas/train.schema.json 和 references/spec_template_train.yaml 时，默认通过 tao-skill-bank:tao-run-automl 执行训练操作，并传入此模型的 skill_dir。保留工作流／应用对数据集、规范、输出目录、GPU／平台设置、父检查点和 automl_policy 的覆盖设置。仅当 automl_policy: off 或缺少已打包的训练架构／模板时，才直接训练模型；如果缺少架构，请报告 AutoML 已启用，但在生成架构之前无法为此模型运行。

evaluate、inference、export 和部署流程等非训练操作仍由此模型技能处理。每次运行的 automl_policy 覆盖设置不会更改模型元数据。

训练要求

• 数据集类型： object_detection
• 格式： coco、coco_raw
• 监控指标： val_mAP50

各操作的数据集要求

操作	规格键	来源	文件	列表？
蒸馏	dataset.train_data_sources	train_datasets	image_dir: images.tar.gz, json_file: annotations.json	是
蒸馏	dataset.val_data_sources	eval_dataset	image_dir: images.tar.gz, json_file: annotations.json	否
评估	dataset.test_data_sources	eval_dataset	image_dir: images.tar.gz, json_file: annotations.json	否
生成 TRT 引擎	gen_trt_engine.tensorrt.calibration.cal_image_dir	calibration_dataset	images.tar.gz	是
推理	dataset.infer_data_sources	inference_dataset	image_dir: images.tar.gz, classmap: label_map.txt	否
量化	dataset.train_data_sources	train_datasets	image_dir: images.tar.gz, json_file: annotations.json	是
量化	dataset.val_data_sources	eval_dataset	image_dir: images.tar.gz, json_file: annotations.json	否
量化	dataset.quant_calibration_data_sources	train_datasets	image_dir: images.tar.gz, json_file: annotations.json	否
训练	dataset.train_data_sources	train_datasets	image_dir: images.tar.gz, json_file: annotations.json	是
训练	dataset.val_data_sources	eval_dataset	image_dir: images.tar.gz, json_file: annotations.json	否

典型规格覆盖项

每项操作都必须覆盖数据源——Agent 必须根据上方“各操作的数据集要求”表构建数据源路径，并将其包含在 spec_overrides 中。

S3_TRAIN = "s3://bucket/data/train"
S3_EVAL = "s3://bucket/data/eval"

训练（必需的数据源）：

{
    "train.num_epochs": 10,
    "train.checkpoint_interval": 10,
    "train.validation_interval": 10,
    "train.num_gpus": 1,
    "dataset.num_classes": "<num_classes> + 1",
    "dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations.json"}],
    "dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}

评估（必需的数据源）：

{
    "dataset.num_classes": "<num_classes> + 1",
    "dataset.test_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}

导出：

{
    "dataset.num_classes": "<num_classes> + 1",
    "export.input_height": 640,
    "export.input_width": 640,
}

量化（必需的数据源）：

{
    "dataset.num_classes": "<num_classes> + 1",
    "quantize.layers": [
        {
            "module_name": "*",
            "weights": {
                "dtype": "float8_e4m3fn"
            },
            "activations": {
                "dtype": "float8_e4m3fn"
            }
        }
    ],
    "dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations.json"}],
    "dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
    "dataset.quant_calibration_data_sources": {"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations.json"},
}

生成 TRT 引擎（必需的数据源）：

{
    "gen_trt_engine.tensorrt.data_type": "FP16",
    "gen_trt_engine.tensorrt.calibration.cal_image_dir": [f"{S3_TRAIN}/images.tar.gz"],
}

推理（必需的数据源）：

{
    "dataset.num_classes": "<num_classes> + 1",
    "dataset.infer_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "classmap": f"{S3_EVAL}/label_map.txt"},
}

蒸馏（必需的数据源）：

{
    "dataset.train_data_sources": [{"image_dir": f"{S3_TRAIN}/images.tar.gz", "json_file": f"{S3_TRAIN}/annotations.json"}],
    "dataset.val_data_sources": {"image_dir": f"{S3_EVAL}/images.tar.gz", "json_file": f"{S3_EVAL}/annotations.json"},
}

评估数据集

可选。如果提供，则会在每个检查点提供验证集 mAP。

重要参数

• dataset.num_classes：类别数量。默认值为 80（MSCOCO 的 80 个类别）。必须与数据集标注相符。
• model.backbone：默认值为 resnet_50。支持：ResNet 变体、ConvNeXt、FAN、EfficientViT。RT-DETR 针对实时性能进行了优化，使用更轻量的骨干网络。
• train.optim.lr：学习率。默认值为 1e-4（低于 DINO 的 2e-4）。lr_backbone 默认值为 1e-5。
• dataset.augmentation.train_spatial_size：训练输入尺寸。默认值为 [640, 640]。小于 DINO 的多尺度输入（最高 1333）。这是 RT-DETR 实现高速运行的关键。
• model.num_feature_levels：默认值为 3（DINO 为 4）。return_interm_indices 为 [1,2,3]。
• train.enable_ema：指数移动平均。默认值为 False。启用后可能使收敛更平稳。
• dataset.remap_mscoco_category：默认值为 False。仅当使用原始 MSCOCO 数据集且需要将类别 ID 从 91 映射至 80 时，才设为 True。

多 GPU / 多节点

启动方式： torchrun（LIGHTNING_EXCLUDED_NETWORK）。入口点运行 torchrun --nnodes=N --nproc-per-node=M train.py，而非普通的 python。

规格键	描述	默认值
train.num_gpus	每个节点的 GPU 数量	1
train.gpu_ids	GPU 设备索引	[0]
train.num_nodes	节点数量	1
train.distributed_strategy	ddp 或 fsdp	ddp

• 明确设置了 CUDA_VISIBLE_DEVICES（与使用 TAO_VISIBLE_DEVICES 的 Lightning 管理模型不同）
• 使用激活检查点时的 ddp：find_unused_parameters=False
• 不使用激活检查点时的 ddp：find_unused_parameters=True
• 支持 fsdp，并强制使用 FP16

多节点环境变量（由编排器设置）：

变量	用途
WORLD_SIZE	节点数量（触发多节点模式）
NODE_RANK	当前节点的等级（从 0 开始）
MASTER_ADDR	等级为 0 的节点 IP
MASTER_PORT	等级为 0 的端口（默认 29500）
NUM_GPU_PER_NODE	每个节点的 GPU 数量（默认值：所有可见 GPU）

重要： 如果未设置 RANK，则会将 NODE_RANK 复制到 RANK。这是 torchrun 多节点运行的必要条件。

导出 / TRT 默认值

• 导出输入：640x640，opset 17
• TRT 数据类型：FP32、FP16、INT8
• TRT 工作区：1024 MB
• TRT max_batch_size：4

完整的 TAO Deploy 参考文档：tao-deploy-rtdetr。

蒸馏

RT-DETR 支持使用教师模型进行知识蒸馏。需要使用 distill 操作，并提供教师模型路径和蒸馏绑定配置。

硬件

至少需要 1 块 GPU，建议使用 2 块 GPU。每块 GPU 需配备 16GB 以上显存（V100 或 A100）。由于输入尺寸较小（640x640）且特征层较少，RT-DETR 比 DINO/GDINO 更节省显存。在小型到中型数据集上，使用单块 GPU 也能很好地训练。

错误模式

CUDA 显存不足：减小 batch_size。640x640 的 RT-DETR 比 1333px 的 DINO 更轻量，但在 16GB GPU 上，batch_size > 8 仍可能导致显存不足。

num_classes 不匹配：RT-DETR 默认值为 80（DINO 的默认值为 91）。确保 dataset.num_classes 与标注类别数一致。

return_interm_indices 与 num_feature_levels：默认值为 [1,2,3] 和 num_feature_levels=3。若更改，二者必须保持一致。

Spec 参数 / 父模型推断

特定于模型的推断映射应放在此 MD 文件中，而不是 config.json 中。生成的运行器应读取本节内容，并在调用 create_job() 前使用 SDK 辅助函数应用这些映射。这与旧版微服务的 infer_params.py 流程一致。

来自 TAO Core rtdetr.config.json 的推断映射：

操作	Spec 字段	推断函数	含义
distill	distill.pretrained_teacher_model_path	parent_model	根据父作业结果文件夹推断模型文件
distill	encryption_key	key	加密密钥
distill	results_dir	output_dir	当前作业结果目录
evaluate	encryption_key	key	加密密钥
evaluate	evaluate.checkpoint	parent_model	根据父作业结果文件夹推断模型文件
evaluate	evaluate.trt_engine	parent_model	根据父作业结果文件夹推断模型文件
evaluate	results_dir	output_dir	当前作业结果目录
export	encryption_key	key	加密密钥
export	export.checkpoint	parent_model	根据父作业结果文件夹推断模型文件
export	export.onnx_file	create_onnx_file	输出 ONNX 路径
export	results_dir	output_dir	当前作业结果目录
gen_trt_engine	encryption_key	key	加密密钥
gen_trt_engine	gen_trt_engine.onnx_file	parent_model	根据父作业结果文件夹推断模型文件
gen_trt_engine	gen_trt_engine.tensorrt.calibration.cal_cache_file	create_cal_cache	校准缓存路径
gen_trt_engine	gen_trt_engine.trt_engine	create_engine_file	输出 TensorRT 引擎路径
gen_trt_engine	results_dir	output_dir	当前作业结果目录
inference	encryption_key	key	加密密钥
inference	inference.checkpoint	parent_model	根据父作业结果文件夹推断模型文件
inference	inference.trt_engine	parent_model	根据父作业结果文件夹推断模型文件
inference	results_dir	output_dir	当前作业结果目录
quantize	encryption_key	key	加密密钥
quantize	quantize.model_path	parent_model	根据父作业结果文件夹推断模型文件
quantize	results_dir	output_dir	当前作业结果目录
train	encryption_key	key	加密密钥
train	model.pretrained_backbone_path	ptm_if_no_resume_model	不存在恢复检查点时使用的 PTM
train	results_dir	output_dir	当前作业结果目录
train	train.pretrained_model_path	ptm_if_no_resume_model	不存在恢复检查点时使用的 PTM
train	train.resume_training_checkpoint_path	resume_model	根据当前作业结果文件夹推断模型文件

对于 parent_model 或 parent_model_folder，请将上游 train/export/AutoML 子作业 ID 作为 parent_job_id 传入。SDK 会列出父结果文件夹、筛选检查点制品，并返回选定的模型文件或文件夹。不要将这些映射加回 config.json，也不要修改生成的运行器脚本来猜测检查点路径。