RTDETRV2 مقابل Ultralytics YOLO11: مقارنة تقنية

يتطلب اختيار البنية المثلى للكشف عن الأجسام تحقيق التوازن بين الدقة وزمن الاستنتاج والكفاءة الحسابية. يوفر هذا الدليل تحليلاً تقنيًا شاملاً لـ RTDETRv2، وهو كاشف قائم على المحولات، و Ultralytics YOLO11وهو أحدث تطور في سلسلة YOLO (أنت تنظر مرة واحدة فقط) المتطورة.

على الرغم من أن كلا النموذجين يدفعان حدود الرؤية الحاسوبية، إلا أنهما يستخدمان مناهج مختلفة جوهرياً. تستفيد RTDETRv2 من محولات الرؤية لالتقاط السياق العالمي، مع إعطاء الأولوية للدقة في المشاهد المعقدة. في المقابل، يعمل YOLO11 على تحسين البنى القائمة على شبكة CNN لتقديم توازن لا مثيل له بين السرعة والدقة وسهولة النشر، مدعومًا بنظامUltralytics البيئي القوي.

RTDETRv2: محول الكشف في الوقت الحقيقي

يمثل RTDETRv2 خطوة مهمة في تكييف بنيات المحولات للكشف عن الأجسام في الوقت الحقيقي. تم تطويره من قبل باحثين في Baidu، وهو يعتمد على RT-DETR الأصلي من خلال تقديم خط أساس محسّن مع استراتيجية تدريب "حقيبة من الأشياء المجانية".

المؤلفون: وينييو ليف، ييان تشاو، تشينياو تشانغ، كوي هوانغ، قوانتشونغ وانغ، ويي ليو
المنظمة:بايدو
التاريخ: 2023-04-17
اركسيف:https://arxiv.org/abs/2304.08069
جيثبhttps://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch
المستنداتhttps://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch#readme

البنية والقدرات

يستخدم RTDETRRv2 بنية هجينة تجمع بين العمود الفقري (عادةً ما تكون شبكة CNN مثل شبكة ريسنت) مع مُشَفِّر-مُفَكِّك تشفير محول. تكمن قوته الأساسية في آلية الانتباه الذاتي، والتي تسمح للنموذج بمعالجة المعلومات العالمية عبر الصورة بأكملها في وقت واحد. هذه الإمكانية مفيدة بشكل خاص لتمييز الأجسام في البيئات المزدحمة أو تحديد العلاقات بين ميزات الصورة البعيدة.

نقاط القوة والضعف

وتتمثل الميزة الأساسية ل RTDETRv2 في قدرته على تحقيق متوسط دقة متوسط (mAP) عالٍ على معايير مثل COCO وغالباً ما يتفوق على النماذج القائمة على شبكة CNN البحتة في السيناريوهات التي تتطلب فهم السياق العالمي.

ومع ذلك، فإن هذا يأتي مع مفاضلات. حيث أن البنى القائمة على المحولات بطبيعتها أكثر استهلاكاً للموارد. يتطلب RTDETRv2 عادةً ذاكرةCUDA أكثر بكثير أثناء التدريب والاستدلال مقارنةً بنماذج YOLO . بالإضافة إلى ذلك، على الرغم من تحسينها للأداء "في الوقت الفعلي"، إلا أنها غالباً ما تتخلف عن YOLO11 في سرعة الاستدلال الخام، خاصةً على الأجهزة المتطورة أو الأنظمة التي لا تحتوي على وحدات معالجة رسومات متطورة. كما أن النظام الإيكولوجي المحيط ب RTDETRv2 أكثر تجزئةً، حيث يخدم في المقام الأول الأغراض البحثية بدلاً من نشر الإنتاج.

تعرف على المزيد حول RTDETRv2

Ultralytics YOLO11: السرعة والدقة وتعدد الاستخدامات

Ultralytics YOLO11 هو أحدث تكرار في عائلة اكتشاف الأجسام الأكثر اعتمادًا في العالم. تم تصميم YOLO11 من قِبل Ultralytics وهو يعمل على تحسين نموذج الكشف أحادي المرحلة لزيادة الكفاءة إلى أقصى حد دون المساس بالدقة.

المؤلفون: Glenn Jocher و Jing Qiu
المنظمةUltralytics
التاريخ: 2024-09-27
جيثبhttps://github.com/ultralytics/ultralytics
المستنداتhttps://docs.ultralytics.com/models/yolo11/

البنية والميزات الرئيسية

يستخدم YOLO11 بنية متطورة لشبكة CNN تتميز بطبقات محسّنة لاستخراج السمات ورأس محسّن لانحدار الصندوق المحيط الدقيق. على عكس النماذج التي تركز فقط على الاكتشاف، فإن YOLO11 عبارة عن منصة متعددة الاستخدامات تدعم مهام متعددة للرؤية الحاسوبية -تجزئة المظاهر وتصنيف الصور وتقدير الوضعيات والصناديق المحدودة الموجهة (OBB)- في إطار واحد موحد.

النظام البيئي الموحد

تتمثل إحدى أهم مزايا YOLO11 في تكامله مع نظام Ultralytics البيئي. حيث يمكن للمطورين الانتقال من إدارة مجموعة البيانات إلى التدريب والنشر بسلاسة، باستخدام نفس واجهة برمجة التطبيقات لجميع المهام.

ميزة Ultralytics

تم تصميم YOLO11 مع وضع تجربة المطورين في الاعتبار. فهو يقدم:

كفاءة التدريب: معدلات تقارب أسرع ومتطلبات ذاكرة أقل بكثير من نماذج المحولات، مما يتيح التدريب على أجهزة من الفئة الاستهلاكية.
مرونة النشر: تصدير سلس إلى تنسيقات مثل ONNXو TensorRT و CoreML و TFLite للنشر على الحافة والسحابة.
سهولة الاستخدام: واجهة برمجة تطبيقات Pythonic API CLI برمجة التطبيقات الشاملة تجعلها متاحة للمبتدئين مع توفيرها العمق للخبراء.

تعرف على المزيد حول YOLO11

تحليل الأداء: المقاييس والكفاءة

عند المقارنة بين RTDETRv2 و YOLO11 تسلط المقاييس الضوء على فلسفات التصميم المختلفة. يوضح الجدول أدناه ما يلي Ultralytics YOLO11 يوفر باستمرار نسبة سرعة إلى دقة فائقة.

على سبيل المثال، يُحقق YOLO11x mAP أعلى (54.7) من أكبر نموذج RTDETRv2-x (54.3) مع الحفاظ على زمن انتقال استدلالي أقل بكثير (11.3 مللي ثانية مقابل 15.03 مللي ثانية على GPU T4). وعلاوةً على ذلك، توفر المتغيرات الأصغر مثل YOLO11m دقة تنافسية مع انخفاض كبير في النفقات الحسابية، مما يجعلها أكثر قابلية للتطبيق في الوقت الحقيقي.

النموذج	الحجم ^{(بالبكسل)}	mAP^فال 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

النقاط الرئيسية

سرعة الاستدلال: تعد نماذج YOLO11 أسرع عالميًا، خاصةً في الاستدلال CPU حيث غالبًا ما تعاني المحولات بسبب حسابات الانتباه المعقدة.
كفاءة المعلمات: يحقق YOLO11 دقة مماثلة أو أفضل مع عدد أقل من المعلمات وعمليات التشغيل الحر، مما يؤدي إلى انخفاض تكاليف التخزين واستهلاك الطاقة.
استخدام الذاكرة: عادةً ما يستهلك تدريب نموذج YOLO11 كمية أقل من ذاكرة التخزين الافتراضية GPU الرسومات VRAM مقارنةً GPU معالجة الرسومات RTDETRv2، مما يسمح بأحجام دفعات أكبر أو التدريب على وحدات معالجة رسومات أكثر سهولة.

تجربة الاستخدام والمطورين

من أهم ما يميزه هو سهولة التكامل. فبينما يوفر RTDETRv2 قاعدة برمجية موجهة نحو البحث، يوفر YOLO11 واجهة برمجة تطبيقاتPython CLI برمجة تطبيقات CLI جاهزة للإنتاج.

يوضح المثال التالي مدى سهولة تحميل نموذج YOLO11 المدرب مسبقًا وتشغيل الاستدلال على صورة ما. هذا المستوى من البساطة يسرّع دورة حياة التطوير بشكل كبير.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Show results
results[0].show()

ويمتد سير العمل المبسط هذا إلى التدريب على مجموعات البيانات المخصصة، حيث تتعامل Ultralytics مع عمليات زيادة البيانات المعقدة وضبط المعلمات الفائقة تلقائيًا.

حالات الاستخدام المثالية

يعتمد اختيار النموذج المناسب على قيود مشروعك وأهدافه المحددة.

متى تختار Ultralytics YOLO11

YOLO11 هو الخيار الموصى به للغالبية العظمى من التطبيقات التجارية والبحثية نظرًا لتعدد استخداماته ودعمه للنظام البيئي.

حوسبة الحافة: مثالية للنشر على أجهزة مثل NVIDIA Jetson أو Raspberry Pi بسبب انخفاض زمن الاستجابة وكفاءة الموارد.
أنظمة الوقت الحقيقي: مثالية لمراقبة حركة المرور، والملاحة المستقلة، ومراقبة الجودة الصناعية حيث تكون السرعة على مستوى أجزاء من الثانية أمرًا بالغ الأهمية.
مشاريع متعددة المهام: إذا كان مشروعك يتطلب تجزئة أو تقدير الوضعية إلى جانب الكشف، فإن YOLO11 يوفر حلاً موحداً.
النماذج الأولية السريعة: يسمح التوثيق الشامل والدعم المجتمعي بالتكرار السريع من الفكرة إلى النشر.

متى تختار RTDETRv2

RTDETRv2 هو الأنسب لسيناريوهات البحث المتخصصة.

البحث الأكاديمي: عندما يكون الهدف الأساسي هو دراسة بنيات محول الرؤية أو التغلب على معايير أكاديمية محددة بغض النظر عن التكلفة الحسابية.
الانسدادات المعقدة: في السيناريوهات ذات المدخلات الثابتة التي تكون فيها موارد الأجهزة غير محدودة، قد تقدم آلية الانتباه العالمي مزايا طفيفة في حل حالات الانسداد الكثيفة.

الخلاصة

بينما يوضح RTDETRv2 إمكانات المحولات في اكتشاف الأجسام, Ultralytics YOLO11 يظل الخيار الأفضل للنشر العملي وحلول الرؤية الحاسوبية الشاملة. وتوفر بنيتها توازناً أفضل بين السرعة والدقة، بينما يقلل النظام البيئي المحيط بها بشكل كبير من تعقيدات التدريب وعمليات التشغيل الآلي المتعدد.

بالنسبة للمطورين الذين يبحثون عن نموذج موثوق وسريع ومدعوم بشكل جيد يتدرج من النموذج الأولي إلى الإنتاج، يقدم YOLO11 قيمة لا مثيل لها.

استكشف نماذج أخرى

إذا كنت مهتمًا بمزيد من المقارنات في مجال الرؤية الحاسوبية، يمكنك استكشاف هذه الصفحات ذات الصلة: