08 RT-DETR涨点改进：优化Query初始化策略，让模型训练不再“冷启动”开篇故事上个月，我接手了一个工业缺陷检测项目。客户要求在一条高速生产线上检测微小的金属表面划痕——目标尺寸只有30×30像素左右，而且背景极其杂乱。我信心满满地拿出了RT-DETR-l，心想Transformer的全局注意力肯定能搞定。结果呢？训练了100个epoch，mAP@0.5:0.95卡在38.7%纹丝不动，尤其是小目标的召回率惨不忍睹，只有21.3%。我盯着loss曲线看了半天，发现前20个epoch几乎是在“原地踏步”——loss下降极其缓慢。这就像一辆车在冰面上起步，轮胎一直在空转。我意识到，问题出在模型的初始状态上：RT-DETR默认的Query初始化策略，在处理小目标和密集场景时，相当于让模型“盲猜”目标位置。痛点拆解常见错误实现很多同学（包括曾经的我）在实现RT-DETR时，对Query的初始化都是直接照搬官方代码：# 错误示例：直接使用随机初始化的QueryclassRTDETRDecoder