RTDETRv2 مقابل YOLOv7: مقارنة فنية تفصيلية

شهد مشهد اكتشاف الأجسام في الوقت الفعلي منافسة شرسة بين الشبكات العصبية التلافيفية (CNNs) ومحولات الرؤية الناشئة (ViTs). من المعالم الهامة في هذا التطور RTDETRv2 (Real-Time Detection Transformer v2) و YOLOv7 (You Only Look Once version 7). في حين أن YOLOv7 يمثل قمة تحسين تصميم CNN الفعال، فإن RTDETRv2 يقدم قوة المحولات لإزالة الحاجة إلى خطوات المعالجة اللاحقة مثل Non-Maximum Suppression (NMS).

تستكشف هذه المقارنة المواصفات التقنية والاختلافات المعمارية ومقاييس الأداء لكلا النموذجين لمساعدة المطورين على اختيار الأداة المناسبة لتطبيقاتهم في مجال رؤية الحاسوب.

مقاييس الأداء: الدقة مقابل السرعة

يعرض الجدول التالي مقارنة مباشرة لمقاييس الأداء الرئيسية. يُظهر RTDETRv2-x دقة فائقة مع mAP أعلى، ويرجع ذلك إلى حد كبير إلى فهمه للسياق العالمي القائم على المحولات. ومع ذلك، يظل YOLOv7 منافسًا، لا سيما في السيناريوهات التي تتطلب وزنًا أخف وسرعات استدلال متوازنة على الأجهزة المختلفة.

RTDETRv2: نهج المحولات

يبني RTDETRv2 على نجاح RT-DETR الأصلي، أول كاشف قائم على المحولات ينافس حقًا نماذج YOLO في سرعة الوقت الفعلي. تم تطويره بواسطة باحثين في Baidu، ويعالج الاختناقات الحسابية المرتبطة بالتفاعل متعدد المقاييس في هياكل DETR القياسية.

• المؤلفون: وينييو ليف، ييان تشاو، تشينياو تشانغ، كوي هوانغ، قوانتشونغ وانغ، ويي ليو
• المؤسسة:بايدو
• التاريخ: 2023-04-17
• Arxiv:https://arxiv.org/abs/2304.08069
• GitHub:https://github.com/lyuwenyu/RT-DETR/tree/main/rtdetrv2_pytorch

الميزات المعمارية الرئيسية

يستخدم RTDETRv2 وحدة ترميز هجينة تعالج ميزات متعددة المقاييس بكفاءة عن طريق فصل التفاعل داخل المقياس ودمج المقاييس المتعددة. يقلل هذا التصميم بشكل كبير من التكاليف الحسابية مقارنة بالمحولات القياسية. إحدى الميزات البارزة هي اختيار الاستعلام المدرك لـ IoU، والذي يحسن تهيئة استعلامات الكائنات، مما يؤدي إلى تقارب أسرع ودقة أعلى. بخلاف النماذج القائمة على الشبكات العصبونية الالتفافية (CNN)، فإن RTDETRv2 خالٍ من NMS، مما يعني أنه لا يتطلب معالجة لاحقة لقمع القيم القصوى غير القصوى، مما يبسط خط أنابيب النشر ويقلل من تذبذب زمن الوصول.

تعرف على المزيد حول RT-DETR

YOLOv7: قمة الشبكات العصبونية الالتفافية (CNN)

يدفع YOLOv7 حدود الممكن باستخدام الشبكات العصبية التلافيفية. وهو يركز على تحسين عملية التدريب وهندسة النموذج لتحقيق "حقيبة الامتيازات المجانية" - وهي طرق تزيد الدقة دون زيادة تكلفة الاستدلال.

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا
• التاريخ: 2022-07-06
• Arxiv:https://arxiv.org/abs/2207.02696
• GitHub:https://github.com/WongKinYiu/yolov7

الميزات المعمارية الرئيسية

يقدم YOLOv7 E-ELAN (شبكة تجميع الطبقات الفعالة الممتدة)، والتي تعزز قدرة الشبكة على التعلم من خلال التحكم في طول مسار التدرج. كما أنها تستخدم إعادة تحديد معلمات النموذج، وهي تقنية يكون فيها هيكل النموذج معقدًا أثناء التدريب لتحسين التعلم ولكن يتم تبسيطه أثناء الاستدلال لتحقيق السرعة. يتيح ذلك لـ YOLOv7 الحفاظ على أداء عالٍ على أجهزة GPU مع الحفاظ على معلمات منخفضة نسبيًا مقارنة بنماذج المحولات.

تعرف على المزيد حول YOLOv7

تحليل المقارنة

الهيكلة وتعدد الاستخدامات

يكمن الاختلاف الأساسي في تصميم العمود الفقري والرأس. يعتمد YOLOv7 على هياكل CNN عميقة مُحسَّنة للغاية لتسريع CUDA ولكنها قد تواجه صعوبة في الاعتماديات طويلة المدى في الصورة. تستفيد RTDETRv2 من آليات الانتباه لفهم العلاقات بين وحدات البكسل البعيدة، مما يجعلها قوية في البيئات المزدحمة. ومع ذلك، فإن هذا يأتي على حساب زيادة استهلاك الذاكرة أثناء التدريب.

تسد نماذج Ultralytics مثل YOLO11 هذه الفجوة من خلال تقديم بنية قائمة على CNN تدمج وحدات حديثة شبيهة بالانتباه، مما يوفر سرعة CNNs مع الدقة المحجوزة عادةً للمحولات. علاوة على ذلك، في حين أن RTDETRv2 هو في الأساس كاشف كائنات، فإن نماذج Ultralytics الأحدث تدعم تقسيم المثيلات و تقدير الوضعية و التصنيف أصلاً.

التدريب وسهولة الاستخدام

يتطلب تدريب نماذج المحولات مثل RTDETRv2 عادةً ذاكرة GPU كبيرة وفترات تدريب أطول للتقارب مقارنةً بالشبكات العصبية المتConvolutionية (CNNs) مثل YOLOv7.

بالنسبة للمطورين الباحثين عن كفاءة التدريب و سهولة الاستخدام، يوفر نظام Ultralytics البيئي ميزة واضحة. مع ultralytics حزمة Python، يمكن للمستخدمين تدريب النماذج والتحقق من صحتها ونشرها ببضعة أسطر فقط من التعليمات البرمجية، والوصول إلى مجموعة من الأوزان المدربة مسبقًا لمهام مختلفة.

from ultralytics import RTDETR, YOLO

# Load an Ultralytics YOLOv7-style model (if available) or YOLO11
model_yolo = YOLO("yolo11n.pt")  # Recommended for best performance
model_yolo.train(data="coco8.yaml", epochs=10)

# Load RT-DETR for comparison
model_rtdetr = RTDETR("rtdetr-l.pt")
model_rtdetr.predict("asset.jpg")

النشر والنظام البيئي

يتمتع YOLOv7 بدعم واسع النطاق نظرًا لقدمه، ولكن يمكن أن يكون التكامل في خطوط أنابيب MLOps الحديثة يدويًا. RTDETRv2 أحدث وله دعم متزايد. في المقابل، تستفيد نماذج Ultralytics من نظام بيئي مُدار بشكل جيد، بما في ذلك التصدير السلس إلى ONNX و TensorRT و CoreML، والتكامل مع أدوات مثل Ultralytics HUB للتدريب السحابي وإدارة مجموعات البيانات.

حالات الاستخدام المثالية

• اختر RTDETRv2 إذا: كان لديك ذاكرة GPU وفيرة وتتطلب دقة عالية في المشاهد ذات الانسداد الشديد أو الازدحام، حيث يفشل NMS تقليديًا. إنه ممتاز للبحث وأنظمة المراقبة المتطورة.
• اختر YOLOv7 إذا: كنت بحاجة إلى بنية CNN قديمة ومثبتة تعمل بكفاءة على أجهزة GPU القياسية لمهام الكشف للأغراض العامة.
• اختر Ultralytics YOLO11 إذا: كنت بحاجة إلى أفضل توازن في الأداء بين السرعة والدقة، وانخفاض متطلبات الذاكرة، ونموذج متعدد الاستخدامات قادر على الكشف والتجزئة وتقدير الوضع. إنه الخيار المثالي للمطورين الذين يقدرون سير العمل المبسط و الوثائق الشاملة.

الخلاصة

لقد شكل كل من RTDETRv2 و YOLOv7 اتجاه رؤية الكمبيوتر. نجح RTDETRv2 في تحدي فكرة أن المحولات بطيئة جدًا بالنسبة للتطبيقات في الوقت الفعلي، بينما أظهر YOLOv7 الكفاءة الدائمة لشبكات CNN. ومع ذلك، بالنسبة لمعظم التطبيقات الواقعية اليوم، يقدم نموذج Ultralytics YOLO11 تجربة مطور فائقة، حيث يجمع بين أفضل سمات هذه النماذج السابقة مع نظام بيئي حديث وداعم.

استكشف مقارنات أخرى

لفهم مشهد النماذج بشكل أكبر، استكشف هذه المقارنات:

• YOLO11 ضد RT-DETR
• YOLOv8 ضد RT-DETR
• YOLOv7 ضد YOLOv8
• YOLOv10 ضد RT-DETR
• YOLOv9 ضد YOLOv7

تعليقات