YOLOS是基于视觉Transformer（ViT）的目标检测模型，采用DETR损失训练，在COCO数据集上表现优异。

DAB-DETR是一种改进的DETR目标检测模型，通过动态锚框查询机制显著提升训练收敛速度和检测精度

RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和查询选择机制实现超越YOLO系列的速度与精度平衡

RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和不确定性最小化查询选择机制，在COCO数据集上达到53.1% AP，108 FPS的性能。

首个实时端到端目标检测器，通过混合编码器和查询选择机制实现无NMS的高效检测

条件检测变换器(DETR)模型，通过条件交叉注意力机制加速训练收敛，适用于目标检测任务

RT-DETR是首个实时端到端目标检测Transformer模型，通过高效混合编码器和查询选择机制实现高速高精度检测

基于DETR架构的交通场景目标检测模型，在facebook/detr-resnet-50基础上微调

基于facebook/detr-resnet-50在COCO数据集上微调的目标检测模型

基于Transformer架构的端到端目标检测模型，结合ResNet-101特征提取器

YOLOS是一种基于视觉Transformer（ViT）的目标检测模型，通过DETR损失训练，在COCO数据集上达到42 AP的性能。

基于facebook/detr-resnet-50模型，在Beyond Words数据集上微调的目标检测模型

DETR是基于Transformer架构的端到端目标检测模型，采用ResNet-50作为骨干网络，在COCO数据集上训练，支持目标检测和全景分割任务。