RF-DETR 是 Roboflow 推出的实时目标检测与实例分割模型，基于 DINOv2 视觉 Transformer 骨干网络，在 COCO 和 RF100-VL 上全面超越 YOLO 系列，已被 ICLR 2026 接收。
| 指标 |
数据 |
| ⭐ Stars |
7,300+ |
| 🍴 Forks |
928 |
| 📝 License |
Apache 2.0（基础模型）/ PML 1.0（XL/2XL） |
| 🐍 主语言 |
Python (98.6%) |
| 🚀 最新版本 |
v1.7.0 (2026-05-21) |
| 📄 论文 |
ICLR 2026 |
🔥 为什么值得关注
RF-DETR 是目标检测领域的"新王"，它用 Transformer 架构达到了比 YOLO 更高的精度，同时保持了极低的推理延迟。一句话总结：精度碾压 YOLO11/26，速度不输 YOLO。
📊 核心性能（COCO 检测）
| 模型 |
AP50:95 |
延迟(T4) |
参数量 |
| RF-DETR-N |
48.4 |
2.3ms |
30.5M |
| RF-DETR-S |
53.0 |
3.5ms |
32.1M |
| RF-DETR-L |
56.5 |
6.8ms |
33.9M |
| YOLO11-X (对比) |
50.9 |
10.5ms |
56.9M |
Nano 模型仅 2.3ms 延迟，精度却比 YOLO11-M（48.6 AP / 5.1ms）还高！
✨ 亮点
- 🏆 SOTA 精度：COCO + RF100-VL 双榜碾压 YOLO11/26、LW-DETR、D-FINE
- ⚡ 极低延迟：Nano 模型 T4 上仅 2.3ms，比同精度 YOLO 快 2 倍+
- 🎯 检测+分割：统一 API 同时支持目标检测和实例分割
- 📦 开箱即用：
pip install rfdetr 一行安装，支持 supervision 可视化
- 🏷️ 6 种尺寸：Nano → 2XL，从移动端到云端全覆盖
- 🔧 支持微调：可在 Colab 或 Roboflow 平台训练自定义模型
- 📐 DINOv2 骨干：基于最强视觉 Transformer，特征表示能力极强
💡 适用场景
工业检测、自动驾驶感知、安防监控、医疗影像、零售货架识别等一切需要实时高精度检测的场景。
📌 用户手动添加
roboflow/rf-detr
RF-DETR 是 Roboflow 推出的实时目标检测与实例分割模型，基于 DINOv2 视觉 Transformer 骨干网络，在 COCO 和 RF100-VL 上全面超越 YOLO 系列，已被 ICLR 2026 接收。
🔥 为什么值得关注
RF-DETR 是目标检测领域的"新王"，它用 Transformer 架构达到了比 YOLO 更高的精度，同时保持了极低的推理延迟。一句话总结：精度碾压 YOLO11/26，速度不输 YOLO。
📊 核心性能（COCO 检测）
✨ 亮点
pip install rfdetr一行安装，支持 supervision 可视化💡 适用场景
工业检测、自动驾驶感知、安防监控、医疗影像、零售货架识别等一切需要实时高精度检测的场景。