RF-DETR (Real-time Detection Transformer) 객체 검출 모델을 Rust로 구현한 프로젝트입니다. ONNX Runtime을 사용하여 모델 추론을 수행하고, 직관적인 GUI 인터페이스를 제공합니다.
- ONNX 모델 추론: RF-DETR 원본 모델을 사용한 실시간 객체 검출
- 모델 캐싱: 빠른 추론을 위한 모델 세션 캐싱
- 추론 시간 측정: 실시간 추론 성능 모니터링
- 이미지 전처리: 레터박싱을 통한 종횡비 유지 리사이징 및 정규화
- 바운딩 박스 시각화: 검출된 객체에 대한 바운딩 박스 및 클래스 정보 표시
- GUI 인터페이스: 직관적인 사용자 인터페이스
- 분할 레이아웃: 좌측 검출 결과, 우측 이미지 표시
- 스크롤 지원: 양쪽 패널 모두 스크롤 가능
- 드래그 앤 드롭: 이미지 파일을 직접 드래그하여 로드
- Rust 1.70+
- macOS 14.5.0+ (테스트된 환경)
- ONNX Runtime
pip install onnxruntimegit clone https://github.com/cellaxon/rf_detr_onnx_test
cd rf_detr_onnx_test프로젝트를 실행하기 전에 RF-DETR 모델을 다운로드해야 합니다:
- Hugging Face RF-DETR ONNX 모델 페이지에 접속
model.onnx파일을 다운로드 (108 MB)- 다운로드한 파일을
assets/models/폴더에model.onnx이름으로 저장
# assets/models 폴더 생성 (없는 경우)
mkdir -p assets/models
# 모델 파일을 assets/models/model.onnx로 이동
mv ~/Downloads/model.onnx assets/models/동작 가능한 모델 (macOS M4에서 테스트됨):
- ✅ 원본 모델 (
model.onnx, 108 MB): 가장 빠른 추론 속도 - ✅ FP16 모델 (
model_fp16.onnx, 55.2 MB): 메모리 절약하지만 느림 - ❌ INT8/UINT8 모델:
ConvInteger연산자 미지원으로 동작 불가 - ❌ 4비트 양자화 모델:
MatMulNBits연산자 미지원으로 동작 불가
성능 비교 (macOS M4 기준): 원본 모델이 FP16 모델보다 약 18% 빠른 추론 속도를 보입니다 (426ms vs 502ms).
cargo buildcargo run --releaserf_detr_onnx_test/
├── src/
│ ├── main.rs # 메인 실행 파일
│ ├── lib.rs # 핵심 라이브러리 (ONNX 추론, 이미지 처리)
│ └── gui.rs # egui 기반 GUI 구현
├── assets/
│ └── models/
│ └── model.onnx # RF-DETR 원본 모델 (108 MB)
├── Cargo.toml
└── README.md
- ort: ONNX Runtime Rust 바인딩 (v1.16.0)
- image: 이미지 처리 및 변환
- ndarray: 다차원 배열 연산
- imageproc: 이미지 처리 및 그리기
- egui: 즉시 모드 GUI 프레임워크
- eframe: egui 애플리케이션 프레임워크
- rfd: 파일 다이얼로그
- anyhow: 에러 처리
- RF-DETR 모델을 사용한 90개 클래스 검출
- 신뢰도 점수 기반 필터링 (임계값: 0.5)
- 바운딩 박스 좌표 추출 및 변환
- 정확한 RF-DETR 클래스 매핑 (Person=1, Cat=17, Dog=18, Horse=19, ...)
- 레터박싱: 종횡비를 유지하면서 560x560 리사이징
- HWC → CHW 변환
- 픽셀 값 정규화 (0-255 → 0-1)
- 바운딩 박스 및 클래스 정보 시각화
- 분할 레이아웃: 좌측 검출 결과, 우측 이미지 표시
- 스크롤 지원: 양쪽 패널 모두 스크롤 가능
- 드래그 앤 드롭: 이미지 파일을 직접 드래그하여 로드
- 모델 정보 표시: 현재 사용 중인 모델 정보
- 실시간 추론 시간 표시: 파란색으로 강조된 성능 정보
- 에러 처리: 안전한 오류 처리 및 사용자 피드백
flowchart TD
A[프로그램 시작] --> B[GUI 초기화]
B --> C[메인 윈도우 생성]
C --> D[좌측 패널: 검출 결과]
C --> E[우측 패널: 이미지 표시]
F[이미지 선택 방법] --> G{선택 방식}
G -->|파일 선택 버튼| H[파일 다이얼로그 열기]
G -->|드래그 앤 드롭| I[이미지 파일 드롭]
H --> J[이미지 파일 선택]
I --> J
J --> K[이미지 파일 읽기]
K --> L{파일 읽기 성공?}
L -->|실패| M[에러 메시지 표시]
L -->|성공| N[ModelCache 초기화]
N --> O{모델 캐시 생성 성공?}
O -->|실패| P[캐시 초기화 에러 표시]
O -->|성공| Q[이미지 전처리 시작]
Q --> R[레터박싱 리사이징]
R --> S[HWC → CHW 변환]
S --> T[픽셀 정규화 0-1]
T --> U[ONNX 모델 추론]
U --> V[추론 시간 측정]
V --> W[모델 출력 파싱]
W --> X[바운딩 박스 좌표 추출]
X --> Y[클래스 확률 계산]
Y --> Z[신뢰도 필터링 > 0.5]
Z --> AA[검출 결과 생성]
AA --> BB[바운딩 박스 그리기]
BB --> CC[결과 이미지 생성]
CC --> DD[GUI 텍스처 로딩]
DD --> EE[좌측 패널: 검출 결과 표시]
DD --> FF[우측 패널: 처리된 이미지 표시]
DD --> GG[추론 시간 표시]
M --> HH[에러 상태 유지]
P --> HH
HH --> II[사용자 재시도 대기]
II --> F
EE --> JJ[사용자 다음 작업 대기]
FF --> JJ
GG --> JJ
JJ --> F
flowchart LR
A[원본 이미지] --> B[종횡비 계산]
B --> C[레터박싱 리사이징]
C --> D[560x560 정사각형 캔버스]
D --> E[회색 패딩 추가]
E --> F[HWC → CHW 변환]
F --> G[픽셀 정규화 0-1]
G --> H[ONNX 입력 텐서]
flowchart LR
A[ONNX 모델 입력] --> B[RF-DETR 추론]
B --> C[바운딩 박스 텐서]
B --> D[클래스 로짓 텐서]
C --> E[좌표 파싱]
D --> F[시그모이드 적용]
F --> G[신뢰도 계산]
E --> H[레터박싱 좌표 변환]
G --> I[임계값 필터링 > 0.5]
H --> J[검출 결과 생성]
I --> J
J --> K[바운딩 박스 그리기]
K --> L[최종 결과 이미지]
- OS: macOS 14.5.0
- CPU: Apple Silicon
- ONNX Runtime: v1.16.0
- 테스트 이미지: 164KB JPEG (640x480)
RF-DETR Original 모델 (108 MB)
Found 4 objects:
1. person (Confidence: 89.7%, BBox: [0.586, 0.051, 0.905, 1.000])
2. person (Confidence: 86.9%, BBox: [0.093, 0.270, 0.905, 1.000])
3. snowboard (Confidence: 72.0%, BBox: [0.338, 0.605, 0.412, 1.000])
4. snowboard (Confidence: 58.2%, BBox: [0.771, 0.433, 0.885, 0.989])
⏱️ Inference Time: 426.74 ms
이 프로젝트는 MIT 라이선스 하에 배포됩니다.
버그 리포트, 기능 요청, 풀 리퀘스트를 환영합니다.
참고: 이 프로젝트는 교육 및 연구 목적으로 개발되었습니다. 프로덕션 환경에서 사용하기 전에 충분한 테스트를 권장합니다.