11 RT-DETR涨点改进：数据质量清洗——让Transformer不再“洁癖”
开篇故事
上周末，我一个做智慧安防的朋友小张，兴冲冲地给我发来消息：“老哥，我按你上一篇说的，把数据增强搞了一轮，mAP涨了1.2个点！但是……”他话锋一转，“我换了个新场景的数据集，结果mAP直接掉了0.8个点，还不如原始版本。”
我让他发了几张训练样本过来。一看，问题就明白了：标注框的质量太差了。
有的框把背景都框进去了大半，有的框只框了目标的一半，还有的框干脆标错了类别。小张抱怨说：“这些数据是外包标出来的，他们只管数量，不管质量。”
我告诉他：“你上一轮涨点，是因为数据增强让模型学会了‘忍受’噪声。但当你遇到更严重的标注噪声时，增强反而会放大错误。
RT-DETR这种Transformer结构，比CNN更‘记仇’——它会记住那些错误框的位置和特征，然后在推理时，把类似的错误模式当作‘正确答案’来学。”
痛点拆解：标注噪声的“隐形杀手”
很多同学觉得，标注框稍微偏一点无所谓，反正模型会“学”到大概位置。但这是最大的认知误区。
错误认知1：标注噪声会被模型“平均掉”
反例代码——很多人这样训练RT-DETR：
