عن المشروع

RF-DETR هي بنية محولات لحظية للكشف عن الأجسام وتجزئة المثيلات واكتشاف النقاط الرئيسية (معاينة) طورتها Roboflow. وهي مبنية على أساس محول رؤية DINOv2 ونُشرت كورقة بحثية في ICLR 2026 (arXiv:2511.09554). يُوزَّع المشروع كحزمة بايثون مفتوحة المصدر باسم `rfdetr` (بايثون >= 3.10، قابلة للتثبيت عبر `pip install rfdetr`)، مع ترخيص Apache 2.0 للحزمة الأساسية وأوزان نموذجية بتعيين Apache. مكونات Plus الأكبر (`rfdetr_plus`، بما في ذلك نماذج الكشف RF-DETR-XL وRF-DETR-2XL) مرخصة بموجب PML 1.0. تُقدَّم عائلة النماذج بأحجام متعددة من Nano إلى 2XLarge، ولكل منها دقة إدخال وعدد معلمات مميز. تُبلغ متغيرات الكشف (RFDETRNano إلى RFDETR2XLarge) عن قيم COCO AP50 تتراوح من 67.6 (Nano، 384x384، 30.5 مليون معلمة، زمن استجابة 2.3 مللي ثانية على NVIDIA T4 مع TensorRT FP16) حتى 78.5 (2XL، 880x880، 126.9 مليون معلمة، 17.2 مللي ثانية). تُبلغ متغيرات تجزئة المثيلات (RFDETRSegNano إلى RFDETRSeg2XLarge) عن COCO AP50 من 63.0 إلى 73.1 مع زمن استجابة من 3.4 مللي ثانية إلى 21.8 مللي ثانية. نموذج معاينة اكتشاف النقاط الرئيسية (RFDETRKeypointPreview) مُدرَّب مسبقًا على نقاط مفاتيح الأشخاص في COCO ويُبلغ عن AP50:95 بقيمة 71.8 مع زمن استجابة 9.7 مللي ثانية. جميع المعايير في ملف README مُقاسة داخليًا باستخدام pycocotools في قياس الأداء الفردي للقطع الأثرية (SAB) على تقسيم COCO val2017 الكامل المكون من 5000 صورة، مع قياس زمن الاستجابة على NVIDIA T4 باستخدام TensorRT وFP16 وحجم دفعة 1. يقارن ملف README RF-DETR مع YOLO11 وYOLO26 وLW-DETR وD-FINE وSAM 3 على كل من COCO ومجموعة بيانات RF100-VL، ويشير إلى أن أحجام RF-DETR المنشورة أُنشئت باستخدام البحث العصبي للبنية (NAS). تتوفر نفس طريقة NAS على منصة Roboflow، حيث يُنتج تشغيل تدريب واحد كل أحجام النماذج. الاستخدام مباشر: استورد فئة نموذج من `rfdetr`، واستدعِ `model.predict(image, threshold=...)`، واحصل على اكتشافات متوافقة مع مكتبة `supervision` للتعليق التوضيحي. يمكن أيضًا تشغيل النماذج عبر مكتبة `inference` باستخدام أسماء مستعارة مثل `rfdetr-medium` أو `rfdetr-seg-medium`. يُدعم الضبط الدقيق للكشف والتجزئة واكتشاف النقاط الرئيسية، مع توفير دفتر Google Colab وبرنامج تعليمي بالفيديو، ويمكن أيضًا إجراء التدريب مباشرة على منصة Roboflow. يتضمن المشروع موقع توثيق على rfdetr.roboflow.com وعرضًا تجريبيًا على Hugging Face Space ومجتمع Discord. تعتمد البنية على أعمال سابقة بما في ذلك LW-DETR وDINOv2 وDeformable DETR.