研究项目通过训练和评估YOLOv8和RT-DETR模型，创建了一个用于实时识别汽车和行人的深度学习框架。YOLOv8 Large版本在行人识别中表现优异，提升了交通监控和安全性，为交通管理系统设立了新基准。

通过训练和评估YOLOv8和RT-DETR模型的不同版本，研究项目创建了一个先进的深度学习框架，能够实时识别各种环境中的汽车和行人。YOLOv8 Large版本在行人识别方面准确性和鲁棒性高，能显著提高交通监控和安全性，并为交通管理系统建立了新的基准。

本文介绍了在Auto WCEBleedGen挑战赛中使用的方法，包括使用Swin Transformer进行出血帧分类和使用RT-DETR检测无线胶囊内窥镜图像中的出血。通过图像预处理步骤，如转换颜色空间、对比度增强和抑制伪影，实现了高准确率和F1得分。验证集上的分类准确率达到了98.5%，测试集上为87.0%。

研究探讨了YOLO和RT-DETR算法在奥地利道路的自动化目标检测中的应用，以提高道路安全性。研究利用奥地利道路上的图像和视频构建了选择性数据集，并针对奥地利道路的独特挑战进行了定制化的目标检测方法。

百度飞桨SOTA目标检测模型RT-DETR在小样本数据上表现出色，性能高于同类检测算法8.6%以上。飞桨AI套件PaddleX已上线，支持云端和本地端两种使用方式，方便使用RT-DETR模型。RT-DETR拥有强劲的小样本能力，原因在于其极佳的Hybrid Encoder、合适的骨干网络和强大的预训练权重。飞桨算法团队将进一步提升PaddleX的小样本能力。

本文介绍了一种实时目标检测模型RT-DETR，它具有高速和鲁棒性，不需要非极大值抑制后处理。作者提出了高效的编码器和感知IoU查询选择机制，提高了模型性能。实验结果表明，该方法超过了YOLO系列检测器，并且比其他实时检测方法更好。