EfficientDet مقابل RTDETRv2
يتطلب اختيار البنية المثلى لمشاريع الرؤية الحاسوبية التعامل مع مجموعة متنوعة من الشبكات العصبية. يقارن هذا الدليل بين نهجين مختلفين: EfficientDet، وهي عائلة قابلة للتحجيم من الشبكات العصبية الالتفافية (CNN)، وRTDETRv2، وهو كاشف آني قائم على Transformer. ويقيّم الاختلافات البنيوية وأساليب التدريب ومدى ملاءمة النشر في بيئات عتادية متنوعة.
يساعد فهم المفاضلات بين كفاءة CNN الأقدم وإمكانات Transformer الحديثة المطورين على اتخاذ قرارات مدروسة. كما يوضح الدليل كيف يسد Ultralytics YOLO26 الفجوة بنماذج سريعة ودقيقة وسهلة الاستخدام.
فهم EfficientDet#
طوّر EfficientDet اكتشاف الكائنات عبر تقديم نهج منهجي لتحجيم النماذج.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 20 نوفمبر 2019
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: مستودع Google AutoML
- الوثائق: وثائق EfficientDet
البنية والمفاهيم الأساسية#
في جوهره، يستخدم EfficientDet نموذج EfficientNet عمودًا فقريًا، ويقدم شبكة هرم الميزات ثنائية الاتجاه (BiFPN). وتتيح BiFPN دمجًا سريعًا للميزات متعددة المقاييس عبر تطبيق أوزان قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة. ويُقرن ذلك بطريقة تحجيم مركب تحجّم الدقة والعمق والعرض بالتساوي في الوقت نفسه لكل من العمود الفقري وشبكة الميزات وشبكات التنبؤ بالصناديق والفئات.
نقاط القوة والقيود#
تكمن القوة الأساسية لـ EfficientDet في كفاءة المعلمات. فعند إصداره، حققت نماذج مثل EfficientDet-D0 دقة أعلى بعدد أقل من المعلمات وFLOPs مقارنةً بإصدارات YOLO السابقة. وجعله ذلك جذابًا للبيئات ذات القيود الصارمة على القدرة الحاسوبية.
إلا أن EfficientDet يعتمد على الكبت غير الأقصى (NMS) القياسي أثناء المعالجة اللاحقة لتصفية الصناديق المحددة المتداخلة، مما قد يسبب اختناقات في زمن الاستجابة ضمن خطوط الأنابيب الآنية. ومع أن عملية التدريب موثقة جيدًا، فإن ضبط EfficientDet بدقة قد يكون مرهقًا مقارنةً بتجربة التطوير المبسطة التي توفرها الأدوات الحديثة.
تعرّف على المزيد عن EfficientDet
مع أن EfficientDet مهّد الطريق للشبكات القابلة للتوسع، فإن نشر هذه النماذج على وحدات NPU الحديثة يتطلب غالبًا تحسينًا يدويًا مكثفًا. ولتيسير النشر، توفر نماذج Ultralytics الأحدث إمكانية التصدير بنقرة واحدة.
استكشاف RTDETRv2#
يمثل RTDETRv2 تطورًا لكواشف Transformer، إذ يبتعد عن شبكات CNN التقليدية القائمة على المراسي.
- المؤلفون: Wenyu Lv وYian Zhao وQinyao Chang وKui Huang وGuanzhong Wang وYi Liu
- الجهة: Baidu
- التاريخ: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: مستودع RT-DETR
- الوثائق: وثائق RTDETRv2
التطورات في Transformer#
يستند RTDETRv2 إلى النموذج الأساسي Transformer للاكتشاف الآني (RT-DETR). ويستخدم آليات انتباه شاملة، تتيح للنموذج فهم سياقات المشاهد المعقدة دون القيود الموضعية للالتفافات القياسية. وتتمثل أبرز ميزة معمارية فيه في تصميمه الأصلي الخالي من NMS. فمن خلال التنبؤ بالكائنات مباشرةً من صورة الإدخال، يبسط خط أنابيب الاستدلال ويتجنب الضبط الاستدلالي الذي تتطلبه المعالجة اللاحقة لـ NMS.
نقاط القوة والضعف#
يؤدي RTDETRv2 أداءً جيدًا في البيئات عالية الكثافة، حيث تربك الكائنات المتداخلة شبكات CNN التقليدية. كما يحقق دقة عالية على مجموعات بيانات معيارية معقدة مثل COCO.
على الرغم من دقتها، تتطلب نماذج Transformer ذاكرة كبيرة. كما أن كفاءة التدريب أقل بوضوح؛ إذ تتطلب هذه النماذج عددًا أكبر بكثير من العصور التدريبية واستهلاكًا أعلى لذاكرة CUDA للوصول إلى التقارب مقارنةً بشبكات CNN. وهذا يجعل RTDETRv2 أقل ملاءمة للمطورين ذوي الميزانيات السحابية المحدودة أو الذين يحتاجون إلى إنشاء نماذج أولية بسرعة.
يتطلب تدريب نماذج Transformer مثل RTDETRv2 عادةً وحدات GPU عالية الأداء. إذا واجهت أخطاء نفاد الذاكرة (OOM)، ففكّر في استخدام نماذج تتطلب ذاكرة أقل أثناء التدريب، مثل سلسلة Ultralytics YOLO.
مقارنة معايير الأداء#
يُعد فهم مقاييس الأداء الفعلية أمرًا حيويًا لاختيار النموذج. يقارن الجدول التالي بين EfficientDet وRTDETRv2 بأحجام مختلفة.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet وRT-DETR على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار EfficientDet#
يُعد EfficientDet خيارًا قويًا لـ:
- مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
- أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
- النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة Android أو أجهزة Linux المضمنة.
متى تختار RT-DETR#
يوصى بـRT-DETR في الحالات التالية:
- أبحاث الكشف المعتمدة على Transformer: المشروعات التي تستكشف آليات الانتباه وبنى Transformer لكشف الأجسام بأسلوب شامل دون NMS.
- سيناريوهات الدقة العالية مع مرونة زمن الاستجابة: التطبيقات التي تكون فيها دقة الكشف على رأس الأولويات، ويكون فيها تقبّل زمن استجابة أعلى قليلًا للاستدلال أمرًا ممكنًا.
- كشف الأجسام الكبيرة: المشاهد التي تضم أساسًا أجسامًا متوسطة إلى كبيرة، حيث توفر آلية الانتباه العام في Transformer ميزة طبيعية.
متى تختار Ultralytics (YOLO26)#
يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من أن EfficientDet وRTDETRv2 قد رسخا مكانتيهما في تاريخ الرؤية الحاسوبية، فإن بيئات الإنتاج الحديثة تتطلب توازنًا بين السرعة والدقة وتجربة تطوير قوية. ويجمع Ultralytics YOLO26، الصادر حديثًا، أفضل جوانب هذه البنى المختلفة.
يتميز YOLO26 بدمجه المنظومة المبسطة التي تشتهر بها Ultralytics مع عدة تحسينات معمارية.
لماذا تختار YOLO26 بدلًا من المنافسين؟#
- تصميم شامل خالٍ من NMS: مثل نماذج Transformer كـ RTDETRv2، يوفر YOLO26 رأسًا شاملًا (
nms=False) يلغي المعالجة اللاحقة لـ NMS، مما يتيح خطوط أنابيب نشر أسرع وأبسط دون الأعداد الكبيرة من المعلمات الموجودة في نماذج Transformer الخالصة. - مُحسِّن MuSGD: يستخدم YOLO26 مزيجًا من SGD وMuon مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (مثل تلك المستخدمة في Kimi K2 من Moonshot AI). ويوفر ذلك تدريبًا مستقرًا وتقاربًا أسرع مقارنةً بجداول التدريب الطويلة التي يتطلبها RTDETRv2.
- محسّن للأجهزة الطرفية: مع تحقيق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، صُمم YOLO26 لـالذكاء الاصطناعي الطرفي. كما يتفوق على نماذج Transformer الثقيلة على العتاد محدود الموارد مثل الهواتف المحمولة والكاميرات الذكية.
- إزالة DFL: يؤدي حذف Distribution Focal Loss إلى تبسيط رسم النموذج البياني، مما يسهل عمليات التصدير إلى TensorRT وONNX.
- ProgLoss + STAL: تحقق الخسارة التدريجية وإسناد التسميات الواعي بالأهداف الصغيرة تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وتعالجان عائقًا شائعًا في الصور الجوية والروبوتات.
- تعدد الاستخدامات: على عكس RTDETRv2، الذي يركز أساسًا على الكشف، يدعم YOLO26 أصليًا تقسيم الكائنات، وتصنيف الصور، وتقدير الوضعية، والصناديق المحيطة الموجّهة (OBB)، مع تحسينات خاصة بكل مهمة، مثل RLE للوضعية ودالة خسارة متخصصة للزوايا في OBB.
باستخدام منصة Ultralytics، يمكنك إدارة مجموعات بياناتك، وتدريب نماذج مثل YOLO26 أو YOLO11 على السحابة، ونشرها عبر واجهات API مرنة.
بساطة البرمجة مع Ultralytics#
تجعل واجهة API لـ Python من Ultralytics، التي تخضع لصيانة جيدة، تدريب النماذج والاستدلال عليها أمرًا بسيطًا. ويمكن للمطورين بسهولة قياس أداء النماذج أو تشغيل نصوص التدريب بحد أدنى من التعليمات البرمجية التمهيدية.
from ultralytics import YOLO
# تحميل نموذج YOLO26
model = YOLO("yolo26n.pt")
# درّب النموذج على مجموعة البيانات المخصصة
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# تنفيذ الاستدلال على صورة اختبار
predictions = model.predict("image.jpg")لمن يديرون بنية تحتية قديمة، يظل Ultralytics YOLOv8 واسع الاستخدام خيارًا مستقرًا، ويعكس موثوقية منظومة Ultralytics على المدى الطويل. سواء أكنت تشغّل خوارزميات التتبع الآني المعقدة أم تكتشف العيوب البسيطة، فإن الترقية إلى YOLO26 تحافظ على دقة نظامك وكفاءته في استخدام الذاكرة وحداثته.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.