本研究针对小物体检测中的 RT-DETR 模型进行了改进，提出了细粒度路径增强和自适应特征融合，以提高检测准确性。同时，Sparse Semi-DETR 和 Q-DETR 通过优化查询和伪标签过滤，增强了对小型和遮挡对象的检测能力。Rank-DETR 和 RAQG 方法进一步提升了模型在复杂场景中的表现，而 Cascade-DETR 则通过级联注意力层提高了定位准确性，显示出在多个数据集上的显著改进。

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。