RTDETRv2 مقابل YOLOv5
تشكل تطور الرؤية الحاسوبية إلى حد كبير بفعل الحاجة إلى الموازنة بين الدقة وسرعة الاستدلال في الزمن الحقيقي. وعند مقارنة RTDETRv2 وUltralytics YOLOv5، يوازن المطورون بين نمذجة السياق الشامل في بُنى Transformer والكفاءة المحسنة والمثبتة في الإنتاج للشبكات العصبية الالتفافية (CNNs).
يقارن هذا الدليل بين البنيتين، ويتناول مقاييس الأداء ومنهجيات التدريب ومتطلبات الذاكرة وسيناريوهات النشر المثالية، لمساعدتك على اختيار نموذج اكتشاف الكائنات الأنسب لحالة الاستخدام المحددة لديك.
RTDETRv2: نهج Transformer للكشف الآني#
استنادًا إلى محوّل الكشف الآني (RT-DETR) الأصلي، يقدم RTDETRv2 مجموعة من «المزايا المجانية» لتحسين البنية الأساسية من دون التضحية بزمن الاستدلال.
- المؤلفون: Wenyu Lv وYian Zhao وQinyao Chang وKui Huang وGuanzhong Wang وYi Liu
- الجهة: Baidu
- التاريخ: 2024-07-24
- روابط: ورقة arXiv، مستودع GitHub
البنية والإمكانات#
يستخدم RTDETRv2 بنية هجينة تجمع بين CNN وTransformer. يستخرج العمود الفقري لـCNN السمات البصرية الدقيقة، بينما تعالج طبقات المشفر ومفكك الترميز في Transformer خريطة السمات بأكملها لالتقاط السياق الشامل. ومن أبرز خصائص RTDETRv2 تصميمه الشامل الذي يلغي الحاجة إلى المعالجة اللاحقة باستخدام القمع غير الأقصى (NMS).
يحقق RTDETRv2 دقة قوية، لا سيما في المشاهد المعقدة والكثيفة التي تتداخل فيها الكائنات، لكن ذلك يأتي مع مفاضلات. تتطلب آلية الانتباه المتأصلة في نماذج Transformer ذاكرة CUDA أكبر أثناء التدريب مقارنةً بنماذج CNN القياسية. وعلى الرغم من أدائه الجيد على وحدات GPU مثل NVIDIA A100 أو T4، فإنه أبطأ بوضوح على وحدات CPU القياسية وأجهزة الذكاء الاصطناعي الطرفية محدودة الموارد.
Ultralytics YOLOv5: معيار الكفاءة في القطاع#
عند إصداره، أتاح Ultralytics YOLOv5 الرؤية الحاسوبية عالية الأداء للمطورين حول العالم، من خلال إطار عمل سهل الاستخدام وبديهي.
- المؤلف: Glenn Jocher
- المؤسسة: Ultralytics
- التاريخ: 26 يونيو 2020
- الروابط: الوثائق الرسمية، مستودع GitHub
التوازن بين المنظومة البرمجية والأداء#
بُني YOLOv5 بالكامل على إطار عمل PyTorch، ويستخدم بنية CNN فعالة. وقد صُمم منذ البداية لتحقيق سهولة الاستخدام، مع واجهة API بسيطة ووثائق شاملة.
تتمثل أبرز مزايا YOLOv5 في تعدد استخداماته وانخفاض متطلباته للذاكرة. ويتطلب تدريب نموذج YOLOv5 ذاكرة VRAM أقل بكثير من النماذج القائمة على Transformer، ما يجعله متاحًا للباحثين والمهندسين ذوي الميزانيات المحدودة للأجهزة. وبينما يركز RTDETRv2 على اكتشاف مربعات الإحاطة، يدعم مستودع YOLOv5 أيضًا تجزئة الكائنات (أُضيفت في YOLOv5 v7.0) وتصنيف الصور.
يمكنك تدريب YOLOv5 والتحقق منه ونشره مباشرةً على Ultralytics Platform، التي توفر التدريب السحابي والنشر دون كتابة تعليمات برمجية.
مقارنة الأداء والمقاييس#
يكشف الأداء على مجموعة بيانات COCO القياسية عن فروق واضحة في المفاضلة بين الدقة والموارد لدى هذه النماذج.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
تحليل المفاضلات#
يحقق RTDETRv2-x ذروة متوسط الدقة المتوسطة (mAP) تبلغ 54.3%، متقدمًا بـ3.6 نقاط على YOLOv5x (50.7%). يتميز YOLOv5x بزمن استجابة أقل باستخدام TensorRT (11.89 ms مقابل 15.03 ms) وعدد أقل من عمليات FLOPs (205.7B مقابل 259B)، لكنه يضم معلمات أكثر (86.7M مقابل 76M). وعند زمن استجابة متقارب، يكون RTDETRv2 أدق: إذ يحقق RTDETRv2-s نسبة 48.1% في 5.03 ms، بينما يحقق YOLOv5m نسبة 45.4% في 4.03 ms. وللنشر الطرفي منخفض الطاقة، يعمل YOLOv5n في 1.12 ms مع 1.9M معلمة، وهي فئة حجم لا يوفرها RTDETRv2.
كفاءة التدريب وبساطة التعليمات البرمجية#
تتمثل إحدى نقاط القوة الرئيسية للنظام البيئي لـ Ultralytics في واجهة API الموحدة. فإذا اخترت بنية Transformer في RT-DETR لمهمة كثيفة الحسابات، فبإمكانك مع ذلك استخدامه بالكامل ضمن حزمة Python من Ultralytics والتبديل بين النماذج بتغيير سطر واحد من التعليمات البرمجية.
from ultralytics import RTDETR, YOLO
# تحميل نموذج Ultralytics YOLOv5 الصغير
model_yolo = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تحميل نموذج RT-DETR الكبير عبر Ultralytics
model_rtdetr = RTDETR("rtdetr-l.pt")
# درّب YOLOv5 على بياناتك المخصصة
model_yolo.train(data="coco8.yaml", epochs=100, imgsz=640)
# شغّل الاستدلال باستخدام النموذجين
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo[0].show()من خلال الاستفادة من مكتبة Ultralytics، يحصل المطورون تلقائيًا على نظام بيئي يحظى بصيانة جيدة، يتضمن تكاملات لتتبع التجارب (مثل Weights & Biases وComet) وعمليات تصدير بأمر واحد إلى تنسيقات النشر مثل ONNX وOpenVINO.
التطبيقات الواقعية وحالات الاستخدام المثالية#
مواطن تألق RTDETRv2#
يناسب RTDETRv2 أكثر البيئات التي لا تشكل فيها الأجهزة قيدًا وتكون الدقة فيها الهدف الأساسي.
- التصوير الطبي من جهة الخادم: اكتشاف الشذوذات الدقيقة في صور الأشعة السينية عالية الدقة.
- صور الأقمار الصناعية: تتبع الأجسام الكثيفة والمتداخلة في مهام المراقبة الجوية باستخدام مجموعات سحابية قوية.
مجالات تفوق YOLOv5#
يُعد YOLOv5 خيارًا عمليًا للنشر في العالم الواقعي على مجموعة متنوعة من الأجهزة.
- أجهزة الذكاء الاصطناعي الطرفية: نشر أنظمة الإنذار الأمني على Raspberry Pi أو أجهزة NVIDIA Jetson حيث تكون الذاكرة محدودة للغاية.
- تطبيقات الأجهزة المحمولة: تنفيذ استدلال سريع وآني لمربعات الإحاطة والتجزئة مباشرةً على الهواتف الذكية عبر CoreML أو LiteRT.
- التصنيع الصناعي عالي السرعة: فحص القطع على خطوط الإنتاج السريعة التي يكون فيها زمن الاستجابة بالمللي ثانية ضروريًا لنجاح العمليات.
لا يزال YOLOv5 واسع الاستخدام، لكن تتوفر نماذج Ultralytics أحدث. إذا كنت تقارن النماذج لمشروع جديد في 2026، فضع في اعتبارك Ultralytics YOLO26، النموذج الموصى به. يوفر YOLO26 تصميمًا شاملًا خاليًا من NMS عبر رأسه الاختياري أحادي إلى واحد (nms=False)، على غرار نماذج Transformer ولكن بسرعة CNN، ويستخدم محسّن MuSGD لتدريب مستقر، كما يوفر YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n. وبدلًا من ذلك، يظل YOLO11 خيارًا مدعومًا جيدًا لعمليات النشر متعددة الاستخدامات التي تتطلب تقدير الوضعية واكتشاف OBB.
في نهاية المطاف، بينما يرفع RTDETRv2 سقف الدقة باستخدام طبقات Transformer، يوفر إطار عمل Ultralytics YOLO توازنًا قويًا بين السرعة وانخفاض متطلبات الذاكرة وتجربة المطور التي تختصر المسافة من النموذج الأولي إلى الإنتاج.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.