RT-DETR的N和tiny配置，以及学习率等配置

[sdreamforchen]

是否愿意提交PR Are you willing to submit a PR?

• Yes I'd like to help by submitting a PR!

[sdreamforchen]

您好！很多应用场景其实N和Tiny级别的算法就够用了。大佬可否分享下，这两个级别的参数配置多少呢？
我自己的N级别的配置如下：
ResNet:
depth: 18
variant: d
return_idx: [1, 2, 3]
freeze_at: -1
freeze_norm: false
norm_decay: 0.

HybridEncoder:
hidden_dim: 192
use_encoder_idx: [2]
num_encoder_layers: 1
encoder_layer:
name: TransformerLayer
d_model: 192
nhead: 8
dim_feedforward: 512
dropout: 0.
activation: 'gelu'
expansion: 0.5
depth_mult: 1.0

RTDETRTransformer:
eval_idx: -1
num_decoder_layers: 3
另手动将backbone的resnet部分最后输出为128通道。经测试精度不算很好，应该和学习率、epoch（80）也有关系。
麻烦大佬分享一下配置，万分感谢！

[lyuwenyu]

目前这个是最小的 再小的没有了 https://github.com/PaddlePaddle/PaddleDetection/blob/develop/configs/rtdetr/rtdetr_r18vd_6x_coco.yml

再小的有几个位置可以调一调

1. HybridEncoder.depth_mult 可以改成0.67或者 0.33试一下
2. 修理完成之后，推理时候可以调一下 eval_idx 比如 -2

[sdreamforchen]

感谢大佬回复！ HGnet或者ResNet部分不需要调整吗？ 我想获取传统yolo系列N和tiny级别的算法。
另外，因为目前训练COCO是用了预训练模型的，我理解，如果您能分享下训练object365的学习率等配置，是不是从0开始训练COCO也会更好

[lyuwenyu]

backbone有预训练一般不调整 更小的话去尝试换更小的backbone 比如mobilenet等等