مقالهٔ RF-DETR (ICLR 2026، از Roboflow و CMU) نتیجهای ساکت اما مهم به دست داده است: یک جستوجوی معماری عصبی با اشتراک وزن روی ستون فقرات DETR که هزاران پیکربندیِ دقت-تأخیر را بدون بازآموزی ارزیابی میکند و در پایان، منحنی پارتو برای دیتاست شما میدهد. نسخهٔ 2x-large از مرز 60 AP روی COCO عبور میکند و روی Roboflow100-VL، با ۱.۲ واحد AP بالاتر از GroundingDINO (tiny)، حدود ۲۰ برابر سریعتر اجرا میشود.
خوانش کاربردی من: عادتِ فاینتیون کردن مدلهای سنگین زبانی-تصویری مثل GroundingDINO یا OWLv2 برای هر مسئلهٔ بستهٔ تولیدی، دیگر توجیه ندارد. در عمل، وقتی تاکسونومی شما ثابت است — مثلاً ۳۰ کلاس عیب در خط تولید یا ۲۰ ناحیه در سند حقوقی — هزینهٔ تأخیرِ یک VLM برای انعطافی پرداخت میشود که از آن استفاده نمیکنید. RF-DETR همان کیفیت ترنسفورمری را میدهد، اما اجازه میدهد سطل تأخیرِ متناسب با سختافزار را انتخاب کنید.
چه زمانی سراغ RF-DETR برویم:
- تاکسونومی ثابت با حداقل چند صد نمونه در هر کلاس → RF-DETR.
- اجرای edge روی Jetson یا موبایل با بودجهٔ زیر ۳۰ میلیثانیه → نسخهٔ nano/small.
- کلاسهای دمبلند که هفتگی با پرامپت اضافه میشوند → همان VLM را نگه دارید.
- دموی zero-shot برای مشتری → VLM.
چهار گام پیادهسازی که در تولید پیشنهاد میکنم وقتی این را پیاده میکنیم:
۱. ۲۰۰ تا ۵۰۰ نمونه در هر کلاس را با همان VLM موجود پیشبرچسبگذاری و در Roboflow یا CVAT اصلاح کنیم. ۲. مدل پایهٔ RF-DETR را روی دیتاست هدف فاینتیون کنیم — فقط یک اجرای آموزشی. ۳. جستوجوی NAS را اجرا و پیکربندی متناسب با بودجهٔ تأخیر p99 را روی سختافزار واقعی هدف انتخاب کنیم، نه GPU دسکتاپ. ۴. خروجی ONNX/TensorRT بگیریم، پیکربندی را قفل کنیم و VLM را فقط برای راهاندازی سرد کلاس بعدی نگه داریم.
معاوضه صادقانه است: استنتاج open-vocabulary را از دست میدهید و ضعفهای شناختهشدهٔ DETR در اشیای کوچک و صحنههای شلوغ همچنان وجود دارد. در عوض، یک فاینتیون به شما منوی کاملی از تأخیرها میدهد و دیگر لازم نیست سه اندازهٔ مدل را جداگانه آموزش دهید.
قاعدهٔ اعمالپذیر: در تولید، به محض اینکه تاکسونومی از حرکت ایستاد، تخصصی شوید. عمومیت هزینهای است که در هر فریم میپردازید.
کد و مقاله: https://github.com/roboflow/rf-detr