RT-DETR最新创新改进系列：从YOLO26到RT-DETR的无缝迁移，先搭好基线实验底座，AIFI与RTDETRDecoder协同建模，速度、精度、消融一文理清！【基线先行，改进有据】
本文为 RT-DETR 改进系列纯净发布稿，写法采用模块化技术博文形式：先讲痛点，再讲结构，再给配置、训练方式、实验表格和注意事项。全文仅保留技术正文，便于直接发布。
摘要
本文围绕RT-DETR-l 基线展开。该版本属于基线配置方向，目标是在 RT-DETR 端到端检测框架中完成可复现、可对照、可训练的结构设计。相比只给模型文件，本文更关注为什么这样改、改在什么位置、如何训练、如何做消融，以及实验时应该重点观察哪些指标。
一、为什么要做这个改进
所有结构改进都必须先有稳定基线。本文选择 rtdetr-l.yaml 作为 RT-DETR 系列的统一对照组，用来固定训练入口、三尺度特征、AIFI 编码器和 RTDETRDecoder 解码头。后续 2D、4D、GhostConv、FDConv、BiFPN 等改进，都可以在这一基线之上做单变量对照。
对于目标检测任务来说，结构改进不能只看单次训练的 mAP，还要看参数量、计算量、显存占用、FPS、收敛速度以及小目标表现。尤其是 RT-DETR 这类端到端检测器，解码器输入特征的质量会直接影响最终预测框和类别分数。
二、核心思想
该配置保留 HGStem、HGBlock、DWConv、AIFI、RepC3 与 RTDETRDecoder 组成的 RT-DETR-l 标准检测链路。主干负责提取 P3、P4、P5 多尺度特征，AIFI 负责高层语义增强，FPN/PAN 路径负责跨尺度融合，最终由 RTDETRDecoder 完成端到端目标解码。
可以把这篇文章的核心理解为一句话：基线先行，改进有据。
| 对比维度 | 关注内容 | 实验观察点 |
|---|---|---|
| 精度 | mAP50、mAP50-95、召回率 | 是否稳定高于基线 |
| 速度 | FPS、单张推理耗时 | 是否适合实时检测 |
| 复杂度 | Params、GFLOPs、显存 | 是否增加部署压力 |
| 稳定性 | 多次训练波动 | 是否容易复现 |
三、网络结构变化
本文不是新增模块，而是明确后续所有改进的共同底座。重点观察 AIFI 层、三尺度融合层以及 RTDETRDecoder 输入索引是否稳定。
输入图像 | Backbone 提取 P3/P4/P5 多尺度特征 | Hybrid Encoder / Neck 特征融合 | RT-DETR-l 基线 | RTDETRDecoder 端到端解码 | 输出预测框、类别和置信度关键位置如下：
| 层号 | 位置 | 模块/结构 | 说明 |
|---|---|---|---|
| 3 | backbone | - | # This variant ports the corresponding YOLO26 improvement into the RT-DETR neck/backbone while preserving RTDETRDecoder. |
| 30 | head/neck | AIFI | - [-1, 1, AIFI, [1024, 8]] |
| 52 | head/neck | RTDETRDecoder | - [[21, 24, 27], 1, RTDETRDecoder, [nc]] # Detect(P3, P4, P5) |
四、YAML 配置片段
本文对应配置文件：ultralytics/cfg/models/rt-detr/rtdetr-l.yaml。
001:002:# Ultralytics RT-DETR-l hybrid object detection model with P3/8 - P5/32 outputs003:# This variant ports the corresponding YOLO26 improvement into the RT-DETR neck/backbone while preserving RTDETRDecoder.004:005:# Parameters...028:head:029:-[-1,1,Conv,[256,1,1,None,1,1,False]]# 10 input_proj.2030:-[-1,1,AIFI,[1024,8]]031:-[-1,1,Conv,[256,1,1]]# 12, Y5, lateral_convs.0032:...050:-[-1,3,RepC3,[256]]# F5 (27), pan_blocks.1051:052:-[[21,24,27],1,RTDETRDecoder,[nc]]# Detect(P3, P4, P5)与基线配置的差异摘录如下：
# 与基线配置一致，作为后续所有改进的对照组。五、训练方式
Python 训练入口如下：
fromultralyticsimportRTDETR model=RTDETR("ultralytics/cfg/models/rt-detr/rtdetr-l.yaml")results=model.train(data="coco128.yaml",epochs=1000,imgsz=640,optimizer="MuSGD",)命令行训练方式如下：
yolo detect trainmodel=ultralytics/cfg/models/rt-detr/rtdetr-l.yamldata=coco128.yamlepochs=1000imgsz=640optimizer=MuSGD如果训练自己的数据集，只需要把data=coco128.yaml改成自己的数据集配置文件即可。
六、实验记录模板
| 模型 | 配置文件 | Params | GFLOPs | mAP50 | mAP50-95 | FPS | 备注 |
|---|---|---|---|---|---|---|---|
| RT-DETR-l | rtdetr-l.yaml | 待测 | 待测 | 待测 | 待测 | 待测 | 基线 |
| RT-DETR + RT-DETR-l 基线 | rtdetr-l.yaml | 待测 | 待测 | 待测 | 待测 | 待测 | 本文改进 |
建议再补充一张小目标统计表：
| 模型 | AP-small | AP-medium | AP-large | Recall | 误检变化 |
|---|---|---|---|---|---|
| 基线 | 待测 | 待测 | 待测 | 待测 | 待分析 |
| 改进 | 待测 | 待测 | 待测 | 待测 | 待分析 |
七、消融实验建议
| 编号 | 实验设置 | 目的 |
|---|---|---|
| A0 | 原始rtdetr-l.yaml | 建立统一对照 |
| A1 | rtdetr-l.yaml | 验证单模块收益 |
| A2 | 相同配置增加训练轮次 | 判断是否只是收敛速度变化 |
| A3 | 更换输入尺寸 | 观察小目标和速度变化 |
| A4 | 导出部署模型 | 检查推理端真实速度 |
八、注意事项
- 不建议一次叠加多个模块，否则无法判断收益来自哪里。
- 训练前先确认模型能正常构建和前向传播。
- 实验记录必须固定数据集划分、输入尺寸、训练轮次和增强策略。
- 如果出现通道不匹配，优先检查 YAML 中 RTDETRDecoder 的输入层索引。
- 如果 FPS 没有提升，需要进一步检查导出格式、推理后端和 batch 设置。
九、总结
RT-DETR-l 基线是 RT-DETR 改进系列中的第 1 篇。本文围绕基线配置展开，重点不是堆砌模块名称，而是把改进动机、结构位置、训练入口和消融方式讲清楚。后续只要保持同一套实验条件，就可以把该版本与更多模块进行公平对照。
关键词
RT-DETR,目标检测,计算机视觉,深度学习