RTDETRv2 مقابل YOLOv7
تقدمت الرؤية الحاسوبية بسرعة في السنوات الأخيرة، مدفوعة بالتطور في كل من الشبكات العصبية الالتفافية (CNNs) ومحولات الرؤية (ViTs). ويتطلب اختيار بنية للنشر فهم المفاضلات بين السرعة والدقة والعبء الحاسوبي. وتقارن هذه الإرشادات الفروق التقنية بين بنيتين معروفتين، RTDETRv2 وYOLOv7، وتعرّف بـ YOLO26 الأحدث من Ultralytics.
RTDETRv2: نهج Transformer للكشف الآني#
يستند RTDETRv2 (الإصدار الثاني من Real-Time Detection Transformer) إلى سابقه، ويُظهر قدرة البنى القائمة على Transformer على المنافسة في سيناريوهات الزمن الفعلي دون الاعتماد على خطوات المعالجة اللاحقة التقليدية.
- المؤلفون: Wenyu Lv وYian Zhao وQinyao Chang وKui Huang وGuanzhong Wang وYi Liu
- الجهة: Baidu
- التاريخ: 2024-07-24
- arXiv: https://arxiv.org/abs/2407.17140
- GitHub: مستودع RTDETRv2
أبرز السمات المعمارية#
يستخدم RTDETRv2 مشفّرًا هجينًا ومفكّكًا قائمًا على Transformer. ويتيح الانتباه الذاتي للنموذج معالجة الصورة كاملة دفعة واحدة، ما يمكنه من التقاط العلاقات المكانية التي لا ترصدها نوى الالتفاف المحلية البحتة. وتتمثل ميزته المحددة في تصميمه الأصلي الخالي من NMS. ومن خلال إلغاء كبت غير الأقصى (NMS)، يزيل RTDETRv2 عنق زجاجة شائعًا يسبب تفاوت زمن استجابة الاستدلال أثناء النشر.
نقاط القوة والقيود#
تكمن نقطة القوة الأساسية في RTDETRv2 في قدرته على التعامل مع الأجسام الكثيفة والمتداخلة في المشاهد المعقدة. ويساعد السياق العام الذي توفره طبقات انتباه Transformer على تحسين الدقة، ولا سيما في الحالات التي يكثر فيها الاحتجاب.
لكن ذلك يأتي بتكلفة حسابية. تستهلك نماذج Transformer عادةً ذاكرة أكبر أثناء التدريب والاستدلال مقارنةً بنماذج CNN. وهذا يحد من أحجام الدُفعات على وحدات GPU المخصصة للمستهلكين، وقد يطيل دورات التكرار للمطورين الذين يضبطون مجموعات بيانات مخصصة.
YOLOv7: نموذج أساسي من CNN للسرعة#
صدر YOLOv7 قبل RTDETRv2 بعامين، وقدم عدة تحسينات بنيوية لإطار عمل YOLO الكلاسيكي، واضعًا معيارًا قويًا للكواشف الآنية القائمة على CNN وقت نشره.
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: مستودع YOLOv7
أبرز السمات المعمارية#
تتمحور بنية YOLOv7 حول مفهوم شبكة تجميع الطبقات الممتدة الفعالة (E-ELAN). يضبط هذا النهج مسار التدرج، ما يسمح للنموذج بالتعلم بفاعلية أكبر من دون زيادة كبيرة في التعقيد الحسابي. كما قدم المؤلفون «مجموعة أساليب مجانية قابلة للتدريب»، وهي مجموعة من الأساليب التي تحسن دقة النموذج أثناء التدريب من دون زيادة تكلفة الاستدلال.
نقاط القوة والقيود#
يظل YOLOv7 نموذجًا قادرًا على تنفيذ مهام اكتشاف الكائنات القياسية، مع معالجة سريعة على وحدات GPU المخصصة للمستهلكين. وباعتباره نموذج CNN، فإنه يحتاج عادةً إلى ذاكرة CUDA أقل أثناء التدريب مقارنةً بالنماذج القائمة على Transformer مثل RTDETRv2.
على الرغم من هذه المزايا، لا يزال YOLOv7 يعتمد على NMS في المعالجة اللاحقة. في البيئات ذات الكثافة العالية للتنبؤات، قد تؤدي خطوة NMS إلى تقلبات في زمن المعالجة، ما يصعّب ضمان الأداء في الزمن الحقيقي بدقة. إضافةً إلى ذلك، يتعامل YOLOv7 مع مهام مثل تجزئة الكائنات وتقدير الوضعية في فروع برمجية منفصلة بدلًا من إطار عمل موحد واحد.
مقارنة الأداء#
يقارن الجدول أدناه متوسط الدقة المتوسطة (mAP)، وعدد المعلمات، وسرعة الاستدلال على مجموعة التحقق COCO.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
يحقق RTDETRv2-x أعلى قيمة mAP (54.3)، لكنه يضم أيضًا أكبر عدد من المعلمات وأعلى عدد من عمليات FLOPs. ويُعد YOLOv7l (قيمة mAP تبلغ 51.4، وزمن قدره 6.84 ms) أسرع قليلًا من RTDETRv2-m (قيمة mAP تبلغ 51.9، وزمن قدره 7.51 ms)، بينما يتفوق RTDETRv2-l (قيمة mAP تبلغ 53.4، وزمن قدره 9.76 ms) على YOLOv7x (قيمة mAP تبلغ 53.1، وزمن قدره 11.57 ms) من حيث الدقة والسرعة معًا. لا يعرض أي من النموذجين هنا سرعات CPU، لذا ينبغي للمستخدمين الذين يستهدفون البيئات منخفضة الطاقة من دون وحدات GPU مخصصة قياس أداء الاستدلال على CPU بأنفسهم.
الحل الحديث: ظهور YOLO26#
أسهم كل من RTDETRv2 وYOLOv7 في تطوير تطبيقات الرؤية الحاسوبية، وما زال المجال يتقدم. صدر YOLO26 في يناير 2026، وهو يجمع كفاءة CNN مع خيار الاستدلال الخالي من NMS، على غرار كواشف Transformer.
يوفر Ultralytics Platform المتكامل ونظام Python البيئي سير عمل موحدًا للمطورين والباحثين الذين يبنون أنظمة جديدة، ما يقلل أعمال التكامل والصيانة.
أبرز الابتكارات في YOLO26#
- تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل الأصلي، متجاوزًا المعالجة اللاحقة لـ NMS باستخدام الرأس الاختياري أحادي إلى واحد (
nms=False)، لتوفير نشر أسرع وأبسط. يحافظ هذا النهج، الذي طُرح لأول مرة في YOLOv10، على استقرار زمن الاستجابة بصرف النظر عن كثافة الكائنات. - استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، ما يجعله مناسبًا لـالحوسبة الطرفية والأجهزة التي لا تحتوي على وحدات GPU، حيث يصعب نشر نماذج Transformer الأثقل.
- محسّن MuSGD: مزيج هجين من SGD وMuon (مستوحى من Kimi K2 من Moonshot AI)، ينقل تقنيات تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
- إزالة DFL: أُزيلت Distribution Focal Loss، ما أدى إلى تبسيط المخطط الحاسوبي وتسهيل التصدير إلى وحدات NPU المضمنة وبيئات TensorRT.
- ProgLoss + STAL: تحسن الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـالروبوتات وإنترنت الأشياء وتحليل الصور الجوية.
- تحسينات خاصة بكل مهمة: لا يقتصر YOLO26 على الكشف. فهو يتضمن نماذج أولية متعددة المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية، ودالة خسارة متخصصة للزوايا تعالج مشكلات حدود مربعات الإحاطة الموجّهة (OBB).
تجربة مطور مبسطة#
تتمثل إحدى المزايا الرئيسية لنماذج Ultralytics مثل YOLO26 (أو YOLO11 واسع الاستخدام) في النظام البيئي الذي يحظى بصيانة جيدة. ولا يتطلب التدريب على مجموعة بيانات مخصصة سوى بضعة أسطر من التعليمات البرمجية:
from ultralytics import YOLO
# هيّئ نموذج YOLO26
model = YOLO("yolo26s.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تصدير النموذج للنشر على الأجهزة الطرفية
model.export(format="onnx", dynamic=True)حالات الاستخدام والتطبيقات المثالية#
يعتمد الاختيار بين هذه البنى على الأجهزة المستهدفة ومتطلبات التشغيل المحددة.
متى يُنصح باستخدام RTDETRv2#
يتميز RTDETRv2 بفاعليته في بيئات المعالجة من جهة الخادم المجهزة بوحدات GPU قوية. وتجعله آلية الانتباه الشامل مناسبًا لفهم المشاهد المعقدة، مثل مراقبة الفعاليات شديدة الازدحام أو التصوير الطبي المتخصص، حيث تتطلب السمات المتداخلة تحليلًا سياقيًا عميقًا.
متى يُنصح بالتفكير في YOLOv7#
غالبًا ما يُحتفظ بـ YOLOv7 في الأبحاث الأكاديمية القديمة كنموذج أساسي للمقارنة. كما يظهر في عمليات النشر الصناعية الأقدم، حيث تكون مسارات العمل الحالية مبرمجة بإصدارات محددة من PyTorch ولا تتطلب مرونة المهام المتعددة التي توفرها أطر العمل الأحدث.
لماذا يُعد YOLO26 المعيار الموصى به#
يوفر YOLO26 توازنًا قويًا بين السرعة والدقة لبنى المدن الذكية التحتية الحديثة، وملاحة الطائرات المسيّرة، والتصنيع عالي السرعة. وتتيح متطلباته المنخفضة للذاكرة ضبط المعلمات الفائقة والتدريب على الأجهزة المخصصة للمستهلكين، بينما يلائم الاستدلال الاختياري الخالي من NMS وتحسينات CPU الأجهزة الطرفية محدودة الموارد مثل Raspberry Pi أو NVIDIA Jetson.
هل ترغب في معرفة أداء هذه النماذج مقارنةً بالبنى الأخرى؟ اطّلع على أدلتنا التفصيلية حول YOLO11 مقابل RT-DETR وYOLOv8 مقابل YOLOv7 لاختيار الأنسب لمشروع الذكاء الاصطناعي للرؤية.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.