ابدأ

RTDETRv2 مقابل YOLO11

تواصل البنى الجديدة للرؤية الحاسوبية توسيع الإمكانات على الأجهزة الطرفية والخوادم السحابية. ويُعد RTDETRv2 وYOLO11 خيارين شائعين لكشف الأجسام في الزمن الفعلي. ويؤدي كلاهما أداءً جيدًا، لكنهما يمثلان نهجين معماريين مختلفين: كاشفًا قائمًا على Transformer مقابل شبكة عصبية التفافية (CNN) عالية التحسين.

تتناول هذه المقارنة بنية كلا النموذجين ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثالية، لمساعدتك على اختيار النموذج المناسب لتطبيقك القادم.

RTDETRv2: منافس قائم على Transformer#

طُرح RTDETRv2 بوصفه تطويرًا لـ Real-Time Detection Transformer الأصلي، ويطبق آليات الانتباه على الميزات متعددة المقاييس المستخرجة من عمود فقري قائم على CNN. ويلتقط المشفّر الهجين ومفكّك Transformer السياق العام للصورة، ما يساعد عند كشف الأجسام المتداخلة بشدة في المشاهد المعقدة.

تفاصيل النموذج:

نقاط القوة والضعف المعمارية#

يتمثل الابتكار الأساسي في RTDETRv2 في بنيته الشاملة من البداية إلى النهاية والخالية من NMS. فمن خلال إزالة كبت غير الأقصى (NMS)، يبسط مسار المعالجة اللاحقة. علاوة على ذلك، تحسنت قدراته على استخراج الميزات متعددة المقاييس مقارنةً بـنموذج RT-DETR الأصلي، ما يتيح له تحديد الأجسام ذات الأحجام المختلفة بدقة أكبر.

لكن اعتماد RTDETRv2 على Transformers يجعله يحتاج عادةً إلى ذاكرة أكبر أثناء التدريب. وتقارب Transformers أبطأ عمومًا، وتتطلب ذاكرة CUDA أكبر من الشبكات العصبية الالتفافية التقليدية (CNNs)، ما يقلل إمكانية استخدامه لدى الباحثين الذين يعملون على أجهزة استهلاكية أو ينشرونه في بيئات الذكاء الاصطناعي الطرفي محدودة الموارد.

تعرّف على المزيد حول RTDETRv2

Ultralytics YOLO11: كفاءة CNN#

استنادًا إلى أبحاث YOLO السابقة، يحسّن Ultralytics YOLO11 بنية CNN لتحقيق توازن أفضل بين السرعة والدقة، مع الحفاظ على منظومة Ultralytics المرنة والملائمة للمطورين.

تفاصيل النموذج:

ميزة Ultralytics#

تتمثل نقطة القوة الأساسية في YOLO11 في توازن الأداء. إذ يلائم التوازن بين السرعة والدقة نطاقًا واسعًا من سيناريوهات النشر، بدءًا من عناقيد الحوسبة السحابية الكبيرة وصولًا إلى الأجهزة المحمولة خفيفة الوزن.

تستخدم نماذج Ultralytics YOLO أيضًا ذاكرة أقل أثناء التدريب والاستدلال. فعلى خلاف نماذج Transformer التي قد تستنفد VRAM بسرعة، يتيح YOLO11 أحجام دفعات أكبر على وحدات GPU القياسية. كما يوفر YOLO11 تعدد الاستخدامات إلى جانب كشف الأجسام، مع دعم أصلي لـتجزئة الكائنات، وتصنيف الصور، وتقدير الوضعية، ومربعات الإحاطة الموجّهة (OBB).

مقارنة الأداء والمقاييس#

يقارن الجدول أدناه دقة COCO وسرعتها. يتفوق RTDETRv2 قليلًا في الدقة عند الأحجام الصغيرة والمتوسطة، بينما يقدم YOLO11 خمسة أحجام للنماذج، منها إصدار نانو، وزمن استجابة أقل على TensorRT عند كل حجم قابل للمقارنة.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

يحقق YOLO11x نسبة 54.7% mAPval، أي أعلى بـ 0.4 نقطة من RTDETRv2-x، مع FLOPs أقل (195.3B مقابل 259B) واستدلال أسرع على TensorRT (11.3 ms مقابل 15.03 ms). ويعادل YOLO11l أداء RTDETRv2-l عند 53.4%، مع زمن تشغيل قدره 6.2 ms بدلًا من 9.76 ms؛ ويتقدم RTDETRv2-s و-m على YOLO11s و-m بمقدار 1.1 و0.4 نقطة، مع زمن استجابة أعلى بمقدار 1.6 إلى 2 مرة. ويُعد إصدارا YOLO11 النانو والصغير خيارين خفيفين للأجهزة محدودة الموارد مثل Raspberry Pi.

المنظومة وسهولة الاستخدام والتدريب#

صُممت نماذج Ultralytics لتوفير تجربة استخدام مباشرة. وتقدم حزمة Python المسماة ultralytics واجهة API موحدة تتولى زيادة البيانات والتدريب الموزع وتصدير النماذج. ويتطلب مستودع RTDETRv2 البحثي كتابة شيفرة تمهيدية وإعدادات أكثر، بينما توفر Ultralytics مسار عمل متكاملًا من البيانات إلى النشر.

تشغّل حزمة Ultralytics أيضًا نماذج RT-DETR إلى جانب نماذج YOLO، ما يتيح لكليهما الاستفادة من منظومة مدعومة جيدًا من Ultralytics، بما في ذلك التكامل مع Weights & Biases وComet لتتبع التجارب.

from ultralytics import RTDETR, YOLO

# ⁨حمّل نموذج RTDETR عبر واجهة API الخاصة بـ Ultralytics⁩
model_rtdetr = RTDETR("rtdetr-l.pt")

# ⁨تحميل نموذج YOLO11 محسّن بدرجة كبيرة⁩
model_yolo = YOLO("yolo11n.pt")

# ⁨تدريب YOLO11 باستهلاك فعال جدًا للذاكرة⁩
results = model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تصدير نموذج YOLO المدرّب إلى تنسيق ONNX⁩
model_yolo.export(format="onnx")
بسّط سير عملك

تكتسب كفاءة التدريب أهمية في تعلّم الآلة. وتبدأ نماذج Ultralytics بأوزان مدرّبة مسبقًا، لذا يتقارب التعلم بالنقل على البيانات المخصصة بسرعة. ولإدارة مجموعات البيانات وتشغيلات التدريب ونقاط نهاية النشر دون كتابة شيفرة، استخدم منصة Ultralytics لسير عمل عمليات تعلّم الآلة المتكامل.

تطبيقات واقعية#

غالبًا ما يتوقف الاختيار بين هاتين البنيتين على قيود النشر المحددة لمشروعك.

مواضع تفوق RTDETRv2: يتميز عمود Transformer الفقري في RTDETRv2 بفاعلية عالية في الحالات التي تضم أجسامًا كثيفة ومحجوبة بشدة وتتطلب سياقًا عامًا. ويُستخدم غالبًا في الأبحاث الأكاديمية والتطبيقات التي تكون فيها ميزانية الحوسبة أقل أهمية من نمذجة العلاقات بين الأجسام.

مواضع تفوق YOLO11: يلائم YOLO11 النشر العملي في العالم الحقيقي. وتجعله بصمة الذاكرة الصغيرة والاستدلال السريع خيارًا مناسبًا لما يلي:

  • التصنيع الذكي: تشغيل اكتشاف العيوب آنيًا على خطوط الإنتاج باستخدام حواسيب صناعية.
  • الزراعة: النشر على الطائرات المسيّرة لمراقبة صحة المحاصيل آنيًا وتشغيل روبوتات الحصاد آليًا.
  • تحليلات البيع بالتجزئة: معالجة تدفقات متعددة من الكاميرات بالتزامن لإدارة الطوابير وتتبع المخزون، دون الحاجة إلى عناقيد خوادم كبيرة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين RT-DETR وYOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار RT-DETR#

يُعد RT-DETR خيارًا قويًا 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 YOLO11#

يوصى بـ YOLO11 لما يلي:

  • النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تكون الموثوقية والصيانة النشطة على رأس الأولويات.
  • تطبيقات الرؤية متعددة المهام: مشاريع تتطلب الكشف والتجزئة والتصنيف وتقدير الوضعيات وOBB ضمن إطار عمل موحد واحد.
  • النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
  • اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.

نظرة إلى المستقبل: ظهور YOLO26#

إذا كنت بصدد بدء مشروع جديد، ففكّر أيضًا في Ultralytics YOLO26، الذي صدر في يناير 2026 وهو نموذج Ultralytics الموصى به. فهو يجمع أفكارًا من كلا النهجين: إذ يزيل رأسه الاختياري الشامل الخالي من NMS (nms=False، الذي أدخله YOLOv10 إلى نماذج YOLO) المعالجة اللاحقة لـ NMS، مثل RTDETRv2، مع الحفاظ على سرعة CNN.

يستخدم YOLO26 محسّن MuSGD المستوحى من تقنيات تدريب LLM لتحقيق تقارب مستقر وسريع، ويوفر YOLO26n استدلالًا أسرع على CPU بنسبة تصل إلى 43% من YOLO11n، بفضل إزالة خسارة البؤرة التوزيعية (DFL). وتُحسّن الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة (ProgLoss + STAL) التعرّف على الأجسام الصغيرة، ما يجعل YOLO26 الخيار الموصى به لمسارات عمل الرؤية الحاسوبية الجديدة.

سواء اخترت YOLO11 لتعدد استخداماته المثبت، أو RTDETRv2 لآليات الانتباه فيه، أو YOLO26 للأداء على الأجهزة الطرفية، فإن وثائق Ultralytics تغطي تدريب YOLO11 وYOLO26 وRT-DETR الأصلي ونشرها.

المساهمون

التعليقات1

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion about comparing RTDETRv2 and YOLO11 🚀! We’re thrilled to see your interest in exploring the strengths and ideal use cases of these models.

    For those looking to dive deeper, the Comparison Guide is a great resource to start with. It highlights key differences and performance metrics, helping you make informed decisions based on your project needs.

    If you have specific questions about YOLO11 performance or implementation, feel free to provide more details so we can assist better. For custom training or real-world applications, including dataset examples or logs would be immensely helpful!

    💡 Pro Tip: Keep your ultralytics package up to date to leverage the latest features and fixes. Simply run:

    pip install -U ultralytics

    For real-time discussions, join our Discord 🎧. Alternatively, connect with our community on Discourse or our Subreddit to share insights and experiences.

    An Ultralytics engineer will review and assist with your discussion soon. Stay tuned! 😊