RF-DETR هو نموذج مفتوح ومتقدم للكشف عن الكائنات في الوقت الفعلي الذي طوره فريق Roboflow ، بهدف حل أوجه القصور في سرعة ودقة النماذج الحالية. إذا كنت تبحث عن حل أسرع وأكثر دقة من سلسلة YOLO ، فإن RF-Detr هو بلا شك الخيار المثالي لك.
لا يلتزم RF-DETR فقط بأن تصبح رائدة في الاعتراف في الوقت الفعلي ، ولكنها تختار أيضًا طريقة مفتوحة المصدر ، مما يسمح للمطورين باستخدامها مجانًا وتخصيصها لإنشاء أدوات الكشف الفعالة الخاصة بهم.
تخيل أن نظام المراقبة الذكي الخاص بك يمكنه التقاط كل كائن رئيسي على الفور في دفق الفيديو مثل المحقق ذي الخبرة ، وهو سريع بشكل لا يصدق. RF-DET هو "المحقق" الفعال. إنه لا يتجاوز فقط النماذج السابقة في الوقت الفعلي ، بل يحقق أيضًا قفزة نوعية في الدقة.
وفقًا للبيانات الرسمية ، فإن RF-DETR هو أول نموذج في الوقت الفعلي يحقق أكثر من 60 ٪ متوسط الدقة (MAP) على مجموعات بيانات COCO. تُعرف مجموعة بيانات Coco باسم "الأولمبي" في صناعة رؤية الكمبيوتر. حقيقة أن مثل هذه الإنجازات تثبت تماما القوة القوية ل RF-DETR.
الأهم من ذلك ، أن RF-Detr لا يضحى بالسرعة مع ضمان دقة عالية. إنه يحقق زمن انتقال منخفض للغاية على وحدة معالجة الرسومات ، مما يجعل الاعتراف في الوقت الفعلي ممكنًا حقًا. هذا بلا شك نعمة ضخمة لسيناريوهات التطبيق التي تتطلب استجابة سريعة ، مثل القيادة المستقلة ، وفحص الجودة الصناعية ، والأمن الذكي ، وما إلى ذلك ، يمكنك أن تتخيل أن تحسين الكفاءة سيكون لا يقاس عندما يتعرف الروبوت الخاص بك ويحصل على الكائنات المستهدفة بسرعة البهجة.
لفترة طويلة ، سيطرت سلسلة نماذج YOLO القائمة على CNN على مجال اكتشاف الكائن في الوقت الفعلي. ومع ذلك ، مع تطوير التكنولوجيا ، فإن RF-DETR ، كعضو في عائلة DETR (محول الكشف) ، يعتمد بنية قائمة على المحولات. يمكن لهذه الهندسة المعمارية أن تصمم معلومات عالمية أفضل ، وبالتالي تحقيق دقة تقدير أعلى في السيناريوهات المعقدة.
على عكس نموذج YOLO ، لا تتطلب بنية DETR قمعًا غير محكم (NMS) لتصفية الصناديق المحيط ، مما يحسن كفاءة التشغيل بشكل عام إلى حد ما. قدم فريق Roboflow مفهوم "التأخير الكلي" في التقييم ، ومقارنة إلى حد ما أداء النماذج المختلفة. تظهر النتائج أن RF-Detr يؤدي بشكل ممتاز في كل من السرعة والدقة ، وهي مثالية بشكل صارم على مجموعة بيانات Coco مقارنة بنموذج YOLO.
تجدر الإشارة إلى أن RF-Detr لا يتخلى تمامًا عن مزايا CNN. في الواقع ، تمزج العديد من المتغيرات المتقدمة Detr بذكاء مزايا CNN والمحول. يحقق RF-Detr أداءً ممتازًا وقدرة قوية على التكيف من خلال الجمع بين LW-DET مع شبكة العمود الفقري Dinov2 المدربين مسبقًا. هذا يعني أن RF-DET يمكن أن يؤدي جيدًا سواء كان التعرف على الكائنات الشائعة أو المزيد من الحقول المتخصصة ، مثل صور الفضاء الجوي ، والبيئات الصناعية ، والمناظر الطبيعية ، وما إلى ذلك.
الأكثر إثارة هو أن RF-DET يختار المصدر المفتوح ، بعد اتفاقية ترخيص Apache 2.0. هذا يعني أن المطورين أحرار في استخدامها وتعديلها وحتى تطبيقها على المشاريع التجارية دون الحاجة إلى القلق بشأن مشكلات حقوق الطبع والنشر. لا يوفر فريق Roboflow رمز النموذج فحسب ، بل يقوم أيضًا بإعداد دفتر Notebook Colab ، والذي يعلمك كيفية ضبط مجموعات البيانات المخصصة. في المستقبل ، ستوفر منصة roboflow أيضًا تدريبًا أكثر ملاءمة لتدريب RF-DETR ودعم النشر.
في الوقت الحاضر ، أطلق فريق Roboflow أحجام النماذج: RF-Detr-Base (29 مليون معلمة) و RF-Detr-Large (128 مليون معلمة) لتلبية سيناريوهات التطبيق لاحتياجات طاقة الحوسبة المختلفة. بالإضافة إلى ذلك ، يدعم RF-DETR التدريب متعدد الدقة ، مما يعني أنه يمكنك ضبط دقة النموذج الخاص بك بمرونة في وقت التشغيل ، وإيجاد أفضل توازن بين الدقة والكمون.
المشروع: https://top.aibase.com/tool/rf-detr