EfficientDet مقابل RTDETRv2: مقارنة متعمقة لمعماريات اكتشاف الأشياء
يتطلب اختيار المعمارية المثالية لمشاريع رؤية الحاسوب التعامل مع مشهد متنوع من الشبكات العصبية. يستعرض هذا الدليل مقارنة فنية مفصلة بين نهجين متميزين: EfficientDet، وهي عائلة شبكات عصبية تلافيفية (CNN) قابلة للتوسع بدرجة كبيرة، وRTDETRv2، وهو نموذج محولات (Transformer) حديث ومتطور للوقت الفعلي. نقوم بتقييم الاختلافات الهيكلية، ومنهجيات التدريب، ومدى ملاءمة النشر عبر بيئات الأجهزة المختلفة.
من خلال فهم المفاضلات بين كفاءة النماذج التقليدية وقدرات المحولات الحديثة، يمكن للمطورين اتخاذ قرارات مستنيرة. علاوة على ذلك، سنستكشف كيف تعمل البدائل الحديثة مثل Ultralytics YOLO26 الجديدة على سد الفجوة، حيث تقدم سرعة ودقة وسهولة في الاستخدام لا مثيل لها.
فهم EfficientDet
أحدثت EfficientDet ثورة في اكتشاف الأشياء من خلال تقديم نهج مبدئي لتوسيع نطاق النماذج.
- المؤلفون: Mingxing Tan, Ruoming Pang, and Quoc V. Le
- المؤسسة: Google
- التاريخ: 20 نوفمبر 2019
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: مستودع Google AutoML
- التوثيق: توثيق EfficientDet
المعمارية والمفاهيم الأساسية
في جوهرها، تستخدم EfficientDet نموذج EfficientNet كعمود فقري وتقدم شبكة هرم الميزات ثنائية الاتجاه (BiFPN). تسمح BiFPN بدمج ميزات متعددة المقاييس بشكل سهل وسريع من خلال تطبيق أوزان قابلة للتعلم لمعرفة أهمية ميزات الإدخال المختلفة. يقترن هذا بطريقة توسيع مركبة تعمل على توسيع الدقة والعمق والعرض بشكل موحد لجميع شبكات العمود الفقري، وشبكة الميزات، وشبكات التنبؤ بالمربعات/الفئات في نفس الوقت.
نقاط القوة والقيود
تكمن القوة الأساسية لـ EfficientDet في كفاءة المعلمات. في وقت إصدارها، حققت نماذج مثل EfficientDet-D0 دقة أعلى مع معلمات وعمليات (FLOPs) أقل مقارنة بإصدارات YOLO السابقة. وهذا ما جعلها جذابة للغاية للبيئات ذات قيود الحوسبة الصارمة.
ومع ذلك، تعتمد EfficientDet على خوارزمية كبح غير التقصي (NMS) القياسية أثناء المعالجة اللاحقة لتصفية المربعات المحيطة المتداخلة، مما قد يؤدي إلى اختناقات في زمن الانتقال في خطوط المعالجة ذات الوقت الفعلي. بالإضافة إلى ذلك، وعلى الرغم من أن عملية التدريب موثقة جيدًا، إلا أن الضبط الدقيق لـ EfficientDet يمكن أن يكون مرهقًا مقارنة بتجارب المطورين المحسنة بشكل كبير الموجودة في الأدوات الحديثة.
بينما مهدت EfficientDet الطريق للشبكات القابلة للتوسع، فإن نشر هذه النماذج على وحدات NPU الحديثة يتطلب غالبًا تحسينًا يدويًا واسع النطاق. لتبسيط عمليات النشر، توفر نماذج Ultralytics الجديدة وظيفة التصدير بضغطة زر واحدة.
استكشاف RTDETRv2
يمثل RTDETRv2 تطور المعماريات القائمة على المحولات، مما ينقل النموذج بعيدًا عن شبكات CNN التقليدية القائمة على المراسي (Anchors).
- المؤلفون: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, و Yi Liu
- المنظمة: Baidu
- التاريخ: 2024-07-24
- Arxiv: https://arxiv.org/abs/2407.17140
- GitHub: مستودع RT-DETR
- الوثائق: توثيق RTDETRv2
التطورات في المحولات
يعتمد RTDETRv2 على أساس نموذج محول الكشف في الوقت الفعلي (RT-DETR). وهو يستفيد من آليات الانتباه العالمي، مما يمكن النموذج من فهم سياقات المشهد المعقدة دون القيود المحلية للتلافيف القياسية. أهم ميزة معمارية هي تصميمه الذي لا يحتاج إلى NMS بشكل أصلي. ومن خلال التنبؤ بالأشياء مباشرة من صورة الإدخال، فإنه يبسط خط معالجة الاستدلال، متجنبًا الضبط الاستدلالي الذي تتطلبه المعالجة اللاحقة بواسطة NMS.
نقاط القوة والضعف
يتفوق RTDETRv2 في البيئات ذات الكثافة العالية حيث تربك الأشياء المتداخلة شبكات CNN التقليدية. وهو دقيق للغاية في مجموعات بيانات قياسية مثل COCO.
على الرغم من دقته، تتطلب نماذج المحولات بشكل طبيعي ذاكرة كبيرة. كفاءة التدريب أقل بشكل ملحوظ؛ إذ تتطلب عددًا أكبر بكثير من الدورات (Epochs) ومساحة ذاكرة CUDA أكبر للتقارب مقارنة بشبكات CNN. وهذا يجعل RTDETRv2 أقل مثالية للمطورين الذين يعملون بميزانيات سحابية محدودة أو أولئك الذين يحتاجون إلى نماذج أولية سريعة.
يتطلب تدريب نماذج المحولات مثل RTDETRv2 عادةً وحدات GPU 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 مقاييس الأداء الأولية أمرًا حيويًا لاختيار النموذج. يوضح الجدول التالي المقارنة بين EfficientDet وRTDETRv2 عبر أحجام مختلفة.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ملي ثانية) | السرعة T4 TensorRT10 (ملي ثانية) | المعلمات (مليون) | FLOPs (مليار) |
|---|---|---|---|---|---|---|
| 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
تعد EfficientDet خياراً قوياً لـ:
- خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو البنية التحتية لـ TPU حيث يتمتع EfficientDet بتحسين أصلي.
- أبحاث التحجيم المركب: قياس الأداء الأكاديمي الذي يركز على دراسة تأثيرات التوازن في عمق الشبكة، وعرضها، وتحجيم الدقة.
- النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لأجهزة Android أو أجهزة Linux المدمجة.
متى تختار RT-DETR
يُوصى بـ RT-DETR لـ:
- أبحاث الاكتشاف القائمة على Transformer: المشاريع التي تستكشف آليات الانتباه ومعماريات Transformer لاكتشاف الأشياء بشكل شامل (end-to-end) بدون NMS.
- سيناريوهات الدقة العالية مع زمن انتقال مرن: التطبيقات التي تكون فيها دقة الاكتشاف هي الأولوية القصوى ويكون قبول زمن انتقال استدلال أعلى قليلاً مقبولاً.
- اكتشاف الأشياء الكبيرة: المشاهد التي تحتوي بشكل أساسي على أشياء متوسطة إلى كبيرة حيث توفر آلية الانتباه العالمي للمحولات ميزة طبيعية.
متى تختار Ultralytics (YOLO26)
بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
- بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
ميزة Ultralytics: تقديم YOLO26
في حين رسخت EfficientDet وRTDETRv2 مكانتهما في تاريخ رؤية الحاسوب، فإن بيئات الإنتاج الحديثة تتطلب توازنًا مثاليًا بين السرعة والدقة وتجربة مطور استثنائية. يجمع نموذج Ultralytics YOLO26 الذي تم إصداره مؤخرًا أفضل جوانب هذه المعماريات المتباينة.
يتميز YOLO26 بدمج النظام البيئي المبسط الذي تشتهر به Ultralytics مع آليات داخلية رائدة.
لماذا تختار YOLO26 على المنافسين؟
- تصميم متكامل بدون NMS: استلهامًا من المحولات مثل RTDETRv2، فإن YOLO26 متكامل بشكل أصلي. فهو يلغي المعالجة اللاحقة لـ NMS، مما يضمن خطوط نشر أسرع وأبسط دون تضخم المعلمات الهائل للمحولات البحتة.
- محسن MuSGD: مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا من SGD وMuon. وهذا يوفر استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع بكثير مقارنة بالجداول الزمنية المطولة التي يتطلبها RTDETRv2.
- محسن للحافة: مع استدلال أسرع بنسبة تصل إلى 43% على الـ CPU، صُمم YOLO26 من أجل ذكاء الحافة (edge AI). وهو يتفوق بسهولة على نماذج المحولات الثقيلة على الأجهزة ذات الموارد المحدودة مثل الهواتف المحمولة والكاميرات الذكية.
- إزالة DFL: تعمل إزالة خسارة التنسيق البؤري (Distribution Focal Loss) على تبسيط رسم النموذج البياني، مما يسهل عمليات التصدير السلسة إلى TensorRT وONNX.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأشياء الصغيرة، مما يحل اختناقًا شائعًا في الصور الجوية والروبوتات.
- تعدد الاستخدامات: على عكس RTDETRv2، الذي يركز بشكل أساسي على الاكتشاف، يدعم YOLO26 بشكل أصلي تجزئة المثيلات، وتقدير وضعية الجسم، وتصنيف الصور، والمربعات المحيطة الموجهة (OBB) مع تحسينات خاصة بالمهمة مثل RLE للوضعية وخسارة الزاوية المتخصصة لـ OBB.
من خلال الاستفادة من منصة Ultralytics، يمكنك إدارة مجموعات بياناتك، وتدريب نماذج مثل YOLO26 أو YOLO11 في السحابة، ونشرها بسلاسة عبر واجهات برمجة تطبيقات مرنة.
بساطة الكود مع Ultralytics
تجعل واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics المدارة جيدًا عملية تدريب النموذج والاستدلال أمورًا تافهة. يمكن للمطورين قياس أداء النماذج بسهولة أو تشغيل نصوص التدريب البرمجية بأقل قدر من الكود التمهيدي.
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 بنية تحتية قديمة، يظل Ultralytics YOLOv8 المشهور خيارًا مستقرًا وقويًا، مما يعكس الموثوقية طويلة المدى لنظام Ultralytics البيئي. سواء كنت تشغل خوارزميات تتبع في الوقت الفعلي معقدة أو كشفًا بسيطًا عن العيوب، فإن الترقية إلى YOLO26 تضمن أن نظامك مستعد للمستقبل، وعالي الدقة، وفعال في استخدام الذاكرة.