EfficientDet مقابل RTDETRv2#
يتطلب اختيار البنية المثالية لمشاريع computer vision التنقل عبر مشهد متنوع من الشبكات العصبية. يستكشف هذا الدليلال مقارنة تقنية مفصلة بين نهجين مختلفين: EfficientDet، وهي عائلة شبكات عصبية تلافيفية (CNN) قابلة للتوسيع بشكل كبير، وRTDETRv2، وهو نموذج محول (Transformer) حديث للوقت الفعلي. نحن نقيم اختلافاتهم الهيكلية، ومنهجيات التدريب، ومدى ملاءمة النشر عبر بيئات الأجهزة المختلفة.
من خلال فهم المفاضلات بين الكفاءة القديمة وقدرات المحولات الحديثة، يمكن للمطورين اتخاذ قرارات مستنيرة. علاوة على ذلك، سنستكشف كيف تسد البدائل الحديثة مثل Ultralytics YOLO26 الجديد الفجوة، مما يوفر سرعة ودقة وسهولة استخدام لا تضاهى.
فهم EfficientDet#
أحدثت EfficientDet ثورة في object detection من خلال تقديم نهج مبدئي لتدريج النماذج.
- المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
- المؤسسة: Google
- التاريخ: 20 نوفمبر 2019
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: مستودع Google AutoML
- Docs: توثيق EfficientDet
المعمارية والمفاهيم الأساسية#
في جوهرها، تستخدم EfficientDet نموذج EfficientNet كعمود فقري وتقدم شبكة هرمية ميزات ثنائية الاتجاه (BiFPN). تتيح BiFPN دمج الميزات متعددة المقاييس بسهولة وسرعة من خلال تطبيق أوزان قابلة للتعلم لمعرفة أهمية ميزات الإدخال المختلفة. يتم دمج هذا مع طريقة تحجيم مركبة تقوم بتوسيع الدقة والعمق والعرض بشكل موحد لجميع شبكات العمود الفقري، وشبكة الميزات، وشبكات التنبؤ بالصناديق/الفئات في نفس الوقت.
نقاط القوة والقيود#
تكمن القوة الأساسية لـ EfficientDet في كفاءة معاملاتها. في وقت الإصدار، حققت نماذج مثل EfficientDet-D0 دقة أعلى مع عدد أقل من المعاملات وعمليات النقطة العائمة (FLOPs) مقارنة بإصدارات YOLO السابقة. وهذا جعلها جذابة للغاية للبيئات ذات قيود الحوسبة الصارمة.
ومع ذلك، تعتمد EfficientDet على كبت الحد الأقصى غير (NMS) القياسي أثناء المعالجة اللاحقة لتصفية الصناديق المحيطة المتداخلة، مما قد يسبب اختناقات في زمن الاستجابة في خطوط المعالجة في الوقت الفعلي. بالإضافة إلى ذلك، بينما عملية التدريب موثقة جيدًا، قد يكون الضبط الدقيق لـ EfficientDet مرهقًا مقارنة بتجارب المطورين المحسنة بشكل كبير الموجودة في الأدوات الحديثة.
بينما مهّدت EfficientDet الطريق للشبكات القابلة للتوسيع، فإن نشر هذه النماذج على وحدات NPU الحديثة يتطلب غالباً تحسناً يدويًا مكثفًا. للنشر المبسط، توفر موديلات Ultralytics الجديدة وظيفة تصدير بنقرة واحدة.
استكشاف RTDETRv2#
يمثل RTDETRv2 تطور المعماريات القائمة على المحولات، مما ينقل النموذج بعيدًا عن شبكات CNN التقليدية القائمة على المرساة (Anchor-based).
- المؤلفون: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, و Yi Liu
- المنظمة: Baidu
- التاريخ: 24-07-2024
- Arxiv: https://arxiv.org/abs/2407.17140
- GitHub: مستودع RT-DETR
- المستندات: توثيق RTDETRv2
التقدم في المحولات#
يعتمد RTDETRv2 على خط الأساس لمحول الكشف في الوقت الفعلي (RT-DETR). وهو يستفيد من آليات الانتباه العالمي، مما يُمكّن النموذج من فهم سياقات المشهد المعقدة دون القيود المحلية للتلافيف القياسية. تتمثل الميزة الهيكلية الأهم في تصميمه الخالي من NMS أصلاً. من خلال التنبؤ بالكَائِنات مباشرة من صورة الإدخال، فإنه يبسط خط أنابيب الاستدلال، متجنبًا الضبط الاستدلالي المطلوب بواسطة المعالجة اللاحقة لـ NMS.
نقاط القوة والضعف#
يتفوق RTDETRv2 في البيئات عالية الكثافة حيث تربك الكائنات المتداخلة شبكات CNN التقليدية. وهو دقيق للغاية على مجموعات البيانات القياسية المعقدة مثل COCO.
على الرغم من دقتها، تطلب نماذج المحولات بطبيعة الحال ذاكرة كبيرة. كفاءة التدريب أقل بشكل ملحوظ؛ فهو يتطلب دورات تدريبية أكثر بكثير وبصمات ذاكرة CUDA أعلى للتقارب مقارنة بشبكات CNN. هذا يجعل RTDETRv2 أقل مثالية للمطورين الذين يعملون بميزانيات سحابية مقيدة أو أولئك الذين يحتاجون إلى النماذج الأولية السريعة.
يتطلب تدريب نماذج المحولات مثل RTDETRv2 عادةً وحدات معالجة رسومية متطورة. إذا واجهت أخطاء نفاد الذاكرة (OOM)، ففكر في استخدام نماذج ذات متطلبات ذاكرة أقل أثناء التدريب، مثل سلسلة Ultralytics YOLO.
مقارنة مقاييس الأداء#
يعد فهم مؤشرات الأداء الخام أمرًا حيويًا لاختيار النموذج. يعرض الجدول التالي المقارنة بين EfficientDet وRTDETRv2 عبر مختلف الأحجام.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 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 النظام البيئي.
متى تختار EfficientDet#
يعد EfficientDet خياراً قوياً في الحالات التالية:
- خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو بنية TPU التحتية حيث يتمتع EfficientDet بتحسين أصلي.
- أبحاث القياس المركب (Compound Scaling): المقارنة المعيارية الأكاديمية التي تركز على دراسة تأثيرات موازنة عمق الشبكة، وعرضها، وتوسيع نطاق الدقة.
- النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لنظام أندرويد أو أجهزة لينكس المدمجة.
متى تختار RT-DETR#
يوصى بـ RT-DETR لـ:
- أبحاث الاكتشاف القائمة على Transformer: المشاريع التي تستكشف آليات الانتباه وهياكل transformer لاكتشاف الكائنات بنهاية واحدة دون NMS.
- سيناريوهات الدقة العالية مع زمن انتقال مرن: التطبيقات التي تكون فيها دقة الاكتشاف هي الأولوية القصوى ويكون زمن انتقال الاستنتاج الأعلى قليلاً مقبولاً.
- اكتشاف الكائنات الكبيرة: المشاهد التي تحتوي بشكل أساسي على كائنات متوسطة إلى كبيرة حيث توفر آلية الانتباه العالمي للمحولات ميزة طبيعية.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
ميزة Ultralytics: تقديم YOLO26#
بينما عززت EfficientDet وRTDETRv2 مكانتهما في تاريخ رؤية الكمبيوتر، تتطلب بيئات الإنتاج الحديثة توازنًا مثاليًا بين السرعة والدقة وتجربة مطور استثنائية. يجمع Ultralytics YOLO26 الذي تم إصداره حديثًا أفضل جوانب هذه البنى المتباينة.
يبرز YOLO26 من خلال الجمع بين النظام البيئي المبسط المعروف به Ultralytics والميكانيكا الداخلية الرائدة.
لماذا تختار YOLO26 على المنافسين؟#
- تصميم شامل خالٍ من NMS: استلهامًا من المحولات مثل RTDETRv2، فإن YOLO26 أصلي وشامل. إنه يلغي المعالجة اللاحقة لـ NMS، مما يضمن خطوط نشر أسرع وأبسط دون تضخم المعاملات الهائل للمحولات البحتة.
- مُحسِّن MuSGD: مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 هجينًا من SGD وMuon. وهذا يوفر استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع بكثير مقارنة بالجداول الزمنية المطولة المطلوبة لـ RTDETRv2.
- مُحسّن للحافة: مع استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU)، تم بناء YOLO26 من أجل edge AI. إنه يتفوق بسهولة على نماذج المحولات الثقيلة على الأجهزة المقيدة مثل الهواتف المحمولة والكاميرات الذكية.
- إزالة DFL: يؤدي إزالة فقدان التركيز والتوزيع (Distribution Focal Loss) إلى تبسيط رسم بياني للنموذج، مما يسهل عمليات التصدير السلسة لـ TensorRT وONNX.
- ProgLoss + STAL: تؤدي دوال الخسارة المتقدمة هذه إلى تحسينات ملحوظة في التعرف على الأجسام الصغيرة، مما يحل عنق زجاجة شائعًا في الصور الجوية والروبوتات.
- التنوع: على عكس RTDETRv2، الذي يركز بشكل أساسي على الاكتشاف، يدعم YOLO26 أصلاً instance segmentation وpose estimation وimage classification وoriented bounding boxes (OBB) مع تحسينات خاصّة بالمهمة مثل RLE للوضعية وفقدان الزاوية المخصص لـ OBB.
من خلال الاستفادة من Ultralytics Platform، يمكنك إدارة مجموعات البيانات الخاصة بك، وتدريب نماذج مثل YOLO26 أو YOLO11 في السحابة، ونشرها بسلاسة عبر واجهات برمجة تطبيقات مرنة.
بساطة الكود مع Ultralytics#
تجعل Ultralytics Python API المُصانة جيدًا تدريب النماذج والاستدلال أمرًا تافهًا. يمكن للمطورين بسهولة تقييم النماذج أو تشغيل نصوص التدريب البرمجية بأ الحد الأدنى من التعليمات البرمجية النموذجية.
from ultralytics import YOLO
# Load the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on a test image
predictions = model.predict("image.jpg")بالنسبة لأولئك الذين يديرون البنية التحتية القديمة، يظل Ultralytics YOLOv8 المشهور للغاية خيارًا مستقرًا وقويًا، مما يدل على موثوقية على المدى الطويل لنظام Ultralytics البيئي. سواء كنت تشغل خوارزميات real-time tracking معقدة أو اكتشاف عيوب بسيطة، فإن الترقية إلى YOLO26 تضمن أن نظامك مقاوم للمستقبل وعالي الدقة وفعالاً من حيث الذاكرة.