Update https://docs.ultralytics.com/models (#6513)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>
Co-authored-by: pre-commit-ci[bot] <66853113+pre-commit-ci[bot]@users.noreply.github.com>

docs/ru/models/rtdetr.md

@@ -0,0 +1,93 @@
+---
+comments: true
+description: Узнайте о возможностях и преимуществах RT-DETR от Baidu - эффективного и гибкого детектора объектов в реальном времени, основанного на Vision Transformers. Включает предобученные модели.
+keywords: RT-DETR, Baidu, Vision Transformers, object detection, real-time performance, CUDA, TensorRT, IoU-aware query selection, Ultralytics, Python API, PaddlePaddle
+---
+
+# RT-DETR от Baidu: детектор объектов в реальном времени на основе Vision Transformers
+
+## Обзор
+
+Real-Time Detection Transformer (RT-DETR), разработанный компанией Baidu, является передовым энд-ту-энд детектором объектов, который обеспечивает высокую точность при работе в реальном времени. Он использует преимущества Vision Transformers (ViT) для эффективной обработки мультимасштабных признаков путем разделения взаимодействия внутри масштаба и слияния между масштабами. RT-DETR легко адаптируется для поддержки гибкой настройки скорости вывода с использованием разных слоев декодера без необходимости повторного обучения. Модель показывает высокую производительность на ускоренных вычислительных платформах, таких как CUDA с TensorRT, превосходя многие другие детекторы объектов в реальном времени.
+
+![Пример модели](https://user-images.githubusercontent.com/26833433/238963168-90e8483f-90aa-4eb6-a5e1-0d408b23dd33.png)
+**Обзор RT-DETR от Baidu.** Схема архитектуры модели RT-DETR показывает последние три стадии основной сети {S3, S4, S5} в качестве входных данных для энкодера. Эффективный гибридный энкодер преобразует мультимасштабные признаки в последовательность признаков изображения с помощью интерактивного интраскального взаимодействия признаков (AIFI) и модуля слияния признаков между кросс-масштабами (CCFM). Для начальной инициализации объектных запросов декодера используется выбор запросов с учетом оценки пересечения объединения (IoU-aware query selection). Наконец, декодер с вспомогательными головами предсказания итеративно оптимизирует объектные запросы для генерации рамок и вероятностей ([источник](https://arxiv.org/pdf/2304.08069.pdf)).
+
+### Основные особенности
+
+- **Эффективный гибридный энкодер:** RT-DETR от Baidu использует эффективный гибридный энкодер, который обрабатывает мультимасштабные признаки путем разделения взаимодействия внутри масштаба и слияния между масштабами. Это уникальное решение на основе Vision Transformers снижает вычислительные затраты и позволяет осуществлять детекцию объектов в реальном времени.
+- **Выбор запроса с учетом оценки пересечения объединения (IoU-aware):** RT-DETR от Baidu улучшает инициализацию запросов объектов путем использования осознанного запроса с учетом оценки пересечения объединения (IoU-aware query selection). Это позволяет модели фокусироваться на наиболее значимых объектах на сцене и повышает точность детектирования.
+- **Гибкая скорость вывода:** RT-DETR от Baidu поддерживает гибкую настройку скорости вывода с использованием различных слоев декодера без необходимости повторного обучения. Гибкость данного подхода упрощает его применение в различных сценариях детекции объектов в реальном времени.
+
+## Предобученные модели
+
+Python API Ultralytics предоставляет предобученные модели RT-DETR от PaddlePaddle с различными масштабами:
+
+- RT-DETR-L: 53.0% AP на COCO val2017, 114 FPS на GPU T4
+- RT-DETR-X: 54.8% AP на COCO val2017, 74 FPS на GPU T4
+
+## Примеры использования
+
+В этом примере представлены простые примеры обучения и вывода модели RT-DETR. Для полной документации по этим и другим [режимам](../modes/index.md) смотрите страницы документации [Predict](../modes/predict.md),  [Train](../modes/train.md), [Val](../modes/val.md) и [Export](../modes/export.md).
+
+!!! Example "Пример"
+
+    === "Python"
+
+        ```python
+        from ultralytics import RTDETR
+
+        # Загрузка предобученной модели RT-DETR-l на COCO
+        model = RTDETR('rtdetr-l.pt')
+
+        # Отображение информации о модели (по желанию)
+        model.info()
+
+        # Обучение модели на примере набора данных COCO8 в течение 100 эпох
+        results = model.train(data='coco8.yaml', epochs=100, imgsz=640)
+
+        # Осуществление вывода модели RT-DETR-l на изображении 'bus.jpg'
+        results = model('path/to/bus.jpg')
+        ```
+
+    === "CLI"
+
+        ```bash
+        # Загрузка предобученной модели RT-DETR-l на COCO и ее обучение на примере набора данных COCO8 в течение 100 эпох
+        yolo train model=rtdetr-l.pt data=coco8.yaml epochs=100 imgsz=640
+
+        # Загрузка предобученной модели RT-DETR-l на COCO и вывод ее на изображении 'bus.jpg'
+        yolo predict model=rtdetr-l.pt source=path/to/bus.jpg
+        ```
+
+## Поддерживаемые задачи и режимы
+
+В таблице представлены типы моделей, конкретные предобученные веса, задачи, поддерживаемые каждой моделью, а также различные режимы ([Train](../modes/train.md) , [Val](../modes/val.md), [Predict](../modes/predict.md), [Export](../modes/export.md)), поддерживаемые каждой моделью, что обозначено символом ✅.
+
+| Тип модели          | Предобученные веса | Поддерживаемые задачи                      | Вывод | Валидация | Обучение | Экспорт |
+|---------------------|--------------------|--------------------------------------------|-------|-----------|----------|---------|
+| RT-DETR Large       | `rtdetr-l.pt`      | [Обнаружение объектов](../tasks/detect.md) | ✅     | ✅         | ✅        | ✅       |
+| RT-DETR Extra-Large | `rtdetr-x.pt`      | [Обнаружение объектов](../tasks/detect.md) | ✅     | ✅         | ✅        | ✅       |
+
+## Цитирование и благодарности
+
+Если вы используете Baidu RT-DETR в своих исследованиях или разработке, пожалуйста, процитируйте [оригинальную статью](https://arxiv.org/abs/2304.08069):
+
+!!! Quote ""
+
+    === "BibTeX"
+
+        ```bibtex
+        @misc{lv2023detrs,
+              title={DETRs Beat YOLOs on Real-time Object Detection},
+              author={Wenyu Lv and Shangliang Xu and Yian Zhao and Guanzhong Wang and Jinman Wei and Cheng Cui and Yuning Du and Qingqing Dang and Yi Liu},
+              year={2023},
+              eprint={2304.08069},
+              archivePrefix={arXiv},
+              primaryClass={cs.CV}
+        }
+        ```
+
+Мы хотели бы выразить свою благодарность компании Baidu и команде [PaddlePaddle](https://github.com/PaddlePaddle/PaddleDetection) за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Мы очень ценим их вклад в области разработки детекторов объектов в реальном времени на основе Vision Transformers, RT-DETR.
+
+*Keywords: RT-DETR, Transformer, ViT, Vision Transformers, Baidu RT-DETR, PaddlePaddle, Paddle Paddle RT-DETR, real-time object detection, Vision Transformers-based object detection, pre-trained PaddlePaddle RT-DETR models, Baidu's RT-DETR usage, Ultralytics Python API*