RTDETRv2 مقابل YOLO11#

يتطور مجال الرؤية الحاسوبية باستمرار، حيث تدفع الهياكل الجديدة حدود ما هو ممكن على أجهزة الحافة وخوادم السحابة. اثنان من أبرز المنافسين في مجال اكتشاف الكائنات في الوقت الفعلي حالياً هما RTDETRv2 و YOLO11. وعلى الرغم من أن كلا النموذجين يقدمان أداءً استثنائياً، إلا أنهما يمثلان فلسفات هيكلية مختلفة تماماً: النهج المعتمد على Transformer مقابل الشبكات العصبية التلافيفية (CNN) عالية التحسين.

في هذه المقارنة التقنية الشاملة، سنستكشف الهياكل، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثالية لكلا النموذجين، مما يساعدك على اتخاذ قرار مستنير لتطبيق الذكاء الاصطناعي التالي الخاص بك.

RTDETRv2: المنافس القائم على Transformer#

كإصدار مطور من Real-Time Detection Transformer الأصلي، تستفيد RTDETRv2 من آليات الانتباه لمعالجة البيانات المرئية. ومن خلال التعامل مع رقع الصور كتسلسلات، فإنها تحقق فهماً شاملاً لسياق الصورة، وهو أمر مفيد للغاية لاكتشاف الكائنات المتداخلة بكثافة في المشاهد المعقدة.

تفاصيل النموذج:

• المؤلفون: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, و Yi Liu
• المنظمة: Baidu
• التاريخ: 24-07-2024
• Arxiv: 2407.17140
• GitHub: مستودع RT-DETR
• المستندات: توثيق RTDETRv2

نقاط القوة والضعف الهيكلية#

الابتكار الأساسي في RTDETRv2 هو بنيته الشاملة الخالية من NMS. من خلال التخلص من كبح التداخل (NMS)، فإنه يبسط خط أنابيب ما بعد المعالجة. علاوة على ذلك، تم تحسين قدرات استخراج الميزات متعددة المقاييس مقارنة بنموذج RT-DETR الأصلي، مما يسمح له بتحديد الكائنات ذات الأحجام المختلفة بشكل أفضل.

ومع ذلك، ونظراً لاعتماده على Transformers، فإن RTDETRv2 عادةً ما يعاني من متطلبات ذاكرة أعلى بكثير أثناء التدريب. عادةً ما تكون نماذج Transformers أبطأ في التقارب وتتطلب ذاكرة CUDA أكبر بكثير مقارنة بشبكات CNN التقليدية، مما يجعلها أقل سهولة في الوصول إليها للباحثين الذين يعملون على الأجهزة الاستهلاكية أو ينشرونها في بيئات edge AI المقيدة.

تعرف على المزيد حول RTDETR

Ultralytics YOLO11: قمة كفاءة CNN#

بناءً على سنوات من البحث التأسيسي، أطلقت Ultralytics نموذج YOLO11 كقفزة نوعية كبيرة في سلسلة YOLO. فهي تنقح هيكل CNN لتحقيق سرعة ودقة غير مسبوقتين، مع الحفاظ على المرونة والنظام البيئي الصديق للمطورين الذي يتوقعه المجتمع.

تفاصيل النموذج:

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 27 سبتمبر 2024
• GitHub: مستودع Ultralytics

ميزة Ultralytics#

يتألق YOLO11 في توازنه في الأداء. فهو يحقق مقايضة استثنائية بين السرعة والدقة، مما يجعله متعدد الاستخدامات بشكل استثنائي لمختلف سيناريوهات النشر في العالم الحقيقي، بدءاً من تجمعات cloud computing الضخمة وحتى الأجهزة المحمولة خفيفة الوزن.

علاوة على ذلك، تشتهر نماذج Ultralytics YOLO بانخفاض استهلاكها للذاكرة أثناء التدريب والاستدلال. على عكس نماذج Transformer التي يمكنها استنفاد VRAM بسهولة، يسمح YOLO11 بأحجام دفعات أكبر على وحدات معالجة الرسومات القياسية. علاوة على ذلك، لا يقتصر YOLO11 على مجرد اكتشاف الكائنات؛ بل إنه يتباهى بـ تعدد الاستخدامات المذهل، حيث يضم دعماً أصلياً لـ Instance Segmentation، وImage Classification، وPose Estimation، وصناديق الإحاطة الموجهة (OBB).

تعرف على المزيد حول YOLO11

مقارنة الأداء والمقاييس#

عند مقارنة الأرقام الخام، يتضح أنه بينما تحقق RTDETRv2 دقة مبهرة، يوفر YOLO11 تشكيلة أكثر دقة من أحجام النماذج مع سرعات استنتاج فائقة، خاصة على TensorRT.

كما يظهر في الجدول، يحقق نموذج YOLO11x قيمة متفوقة لـ mAP^val تبلغ 54.7% مع استخدام عدد أقل من العمليات الحسابية (194.9B مقابل 259B) وتقديم استدلال أسرع على TensorRT (11.3ms مقابل 15.03ms) مقارنة بمتغير RTDETRv2-x. توفر متغيرات YOLO11 الصغيرة والصغيرة جداً خيارات خفيفة الوزن لا مثيل لها للأجهزة المقيدة مثل Raspberry Pi.

النظام البيئي، سهولة الاستخدام، والتدريب#

السمة المميزة لنماذج Ultralytics هي تجربة المستخدم المبسطة. توفر حزمة ultralytics في Python واجهة برمجة تطبيقات موحدة وبديهية تتعامل مع المهام الثقيلة مثل data augmentation، والتدريب الموزع، وتصدير النماذج. في حين أن مستودع أبحاث RTDETRv2 يتطلب الكثير من القوالب البرمجية والإعدادات، فإن Ultralytics توفر خط أنابيب "من الصفر إلى الاحتراف".

ومن المثير للاهتمام أن نظام Ultralytics البيئي قوي لدرجة أنه يدعم تشغيل نماذج RT-DETR جنباً إلى جنب مع نماذج YOLO بشكل أصلي! يتيح لك هذا الاستفادة من النظام البيئي الصيانة الجيدة لـ Ultralytics - بما في ذلك التكاملات مع Weights & Biases وComet ML - لتتبع التجارب بكل سهولة.

from ultralytics import RTDETR, YOLO

# Load an RTDETR model seamlessly through the Ultralytics API
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load a highly optimized YOLO11 model
model_yolo = YOLO("yolo11n.pt")

# Train YOLO11 with highly efficient memory usage
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained YOLO model to ONNX format
model_yolo.export(format="onnx")

تطبيقات العالم الحقيقي#

غالباً ما يعتمد الاختيار بين هذه الهياكل على قيود النشر المحددة لمشروعك.

حيث تتفوق RTDETRv2: يعد العمود الفقري لـ RTDETRv2 القائم على Transformer فعالاً للغاية في السيناريوهات التي تحتوي على كائنات كثيفة ومحجوبة بشدة حيث يلزم سياق عالمي. غالباً ما يتم تقييمها في الأبحاث الأكاديمية والتطبيقات التي يكون فيها الميزانية الحسابية أقل أهمية من رسم العلاقات القائم على الانتباه.

حيث يهيمن YOLO11: YOLO11 هو البطل بلا منازع للنشر العملي في العالم الحقيقي. بصمته الدنيا في الذاكرة وسرعات الاستنتاج الفائقة تجعله مثالياً لـ:

• Smart Manufacturing: تشغيل اكتشاف العيوب في الوقت الفعلي على خطوط الإنتاج باستخدام أجهزة الكمبيوتر الصناعية.
• Agriculture: النشر على الطائرات بدون طيار لمراقبة صحة المحاصيل في الوقت الفعلي وروبوتات الحصاد الآلي.
• Retail Analytics: معالجة تدفقات كاميرات متعددة في وقت واحد لإدارة صفوف الانتظار وتتبع المخزون دون الحاجة إلى مزارع خوادم ضخمة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين RT-DETR و YOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار RT-DETR#

RT-DETR خيار قوي 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 YOLO11#

يوصى بـ YOLO11 لـ:

• نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.

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.

نتطلع قدماً: وصول YOLO26#

إذا كنت تبدأ مشروعاً جديداً، يجب عليك أيضاً مراعاة الجيل القادم من الذكاء الاصطناعي للرؤية: Ultralytics YOLO26. تم إطلاق YOLO26 في يناير 2026، وهو يجمع بين أفضل ما في العالمكين. فهو يقدم تصميم بدون NMS شامل (تم ريادته لأول مرة في YOLOv10)، مما يزيل تأخير ما the ما بعد المعالجة تماماً مثل RTDETRv2، ولكن بالسرعة التي لا تضاهى لشبكة CNN.

يتميز YOLO26 بـ MuSGD Optimizer—المستوحى من ابتكارات تدريب LLM—من أجل تقارب سريع ومستقر بشكل لا يصدق، ويوفر استنتاجاً أسرع لوحدة المعالجة المركزية بنسبة تصل إلى 43% عن طريق إزالة Distribution Focal Loss (DFL). مع وظائف الخسارة ProgLoss + STAL المتخصصة التي تحسن بشكل كبير التعرف على الكائنات الصغيرة، يعد YOLO26 التوصية النهائية لأي خط تدفق رؤية حاسوبية حديث.

سواء اخترت YOLO11 لتعدد استخداماته المثبت، أو RTDETRv2 لآليات الانتباه الخاصة به، أو YOLO26 المتطور للحصول على أقصى أداء على الحافة، فإن مستندات Ultralytics توفر كافة الموارد اللازمة للنجاح في رحلتك في رؤية الكمبيوتر.