ابدأ

EfficientDet مقابل DAMO-YOLO

عند إنشاء مسارات عمل قابلة للتوسع في الرؤية الحاسوبية، يُعد اختيار بنية النموذج المناسبة قرارًا حاسمًا يؤثر في إمكانية النشر ودقة الكشف معًا. يقدم هذا الدليل مقارنة تقنية بين بنيتين معروفتين: EfficientDet وDAMO-YOLO.

على الرغم من أن كلا النموذجين قدما ابتكارات مهمة في كشف الأجسام، فقد انتقل الذكاء الاصطناعي للرؤية منذ ذلك الحين نحو منظومات أكثر تكاملًا. يتناول هذا التحليل آليات عمل هذه الشبكات الأقدم، ويوضح أسباب الاستخدام الواسع للحلول الحديثة مثل منصة Ultralytics وUltralytics YOLO26 في بيئات الإنتاج.

EfficientDet: كشف أجسام قابل للتوسع وفعّال#

قدّمه باحثون في Google، وصُمم EfficientDet لتوسيع بنية النموذج بصورة منهجية مع الحفاظ على الكفاءة العالية. وحقق ذلك بالاستفادة من التحجيم المركب لعمق الشبكة وعرضها ودقة الإدخال.

تفاصيل EfficientDet:

ابتكارات البنية#

تتمثل المساهمة الرئيسية لـ EfficientDet في شبكة هرم الخصائص ثنائية الاتجاه (BiFPN). وعلى خلاف شبكات FPN التقليدية، تتيح BiFPN دمج الخصائص متعددة المقاييس بسرعة باستخدام أوزان قابلة للتعلم لالتقاط أهمية خصائص الإدخال المختلفة. ويُدمج ذلك مع العمود الفقري لـ EfficientNet، لينتج عنه مجموعة من النماذج (من D0 إلى D7) ذات قابلية تحجيم متوقعة.

نقاط القوة والضعف#

تكمن القوة الرئيسية لـ EfficientDet في كفاءة استخدام المعلمات. ففي المهام التي يلزم فيها تعظيم متوسط الدقة المتوسطة (mAP) ضمن ميزانية حوسبة ثابتة، تكون طريقة التحجيم المركب قابلة للتنبؤ بدرجة كبيرة. لكن تدريب EfficientDet من البداية معقد، وغالبًا ما يتطلب ضبطًا مكثفًا للمعلمات الفائقة. كما أن اعتماده الكبير على عمليات TensorFlow محددة يجعل الانتقال إلى عمليات النشر على الأجهزة الطرفية عبر ONNX أو TensorRT أكثر تعقيدًا مقارنةً بـإمكانات التصدير المبسطة المتاحة في نماذج YOLO الحديثة.

تعرّف على المزيد عن EfficientDet

DAMO-YOLO: البحث الآلي عن البنية في التطبيق#

يتبع DAMO-YOLO نهجًا مختلفًا، إذ يستخدم البحث عن البنى العصبية (NAS) لتصميم بنى شبكات فعالة تلقائيًا من أجل الاستدلال الآني.

تفاصيل DAMO-YOLO:

ابتكارات البنية#

يقدم DAMO-YOLO عدة تقنيات مبتكرة. فهو يستخدم عمودًا فقريًا مولدًا بواسطة NAS يُسمى MAE-NAS، وRepGFPN فعالة في عنقه، وتصميم ZeroHead الذي يخفض بدرجة كبيرة الكلفة الحاسوبية لـرأس الكشف. كما يستخدم AlignedOTA لإسناد التسميات، ويعتمد بدرجة كبيرة على تقطير المعرفة لتعزيز أداء إصداراته الأصغر.

نقاط القوة والضعف#

يتميز DAMO-YOLO بسرعة الاستدلال على GPU، وقد صُمم للنشر على بنيات NVIDIA باستخدام TensorRT. ومن خلال إزالة بُنى الرأس الثقيلة، يقدم النموذج تنبؤات بزمن استجابة منخفض. لكن البحث الآلي عن البنية قد يجعل هيكل النموذج غامضًا ويصعّب تصحيح أخطائه يدويًا أو ضبطه بدقة لأجهزة طرفية مخصصة. وعلى خلاف Ultralytics YOLO11 متعدد الاستخدامات، يركز DAMO-YOLO أساسًا على كشف مربعات الإحاطة القياسية، ولا يدعم دعمًا أصيلًا مهامًا مثل تقدير الوضعية أو كشف مربعات الإحاطة الموجّهة (OBB) مباشرةً.

تعرّف على المزيد حول DAMO-YOLO

مقارنة الأداء#

يُعد فهم المفاضلات التجريبية أمرًا أساسيًا لاختيار نموذج. يقارن الجدول أدناه عائلة EfficientDet بسلسلة DAMO-YOLO وفق مقاييس الأداء المهمة.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
تحليل البيانات

يحقق EfficientDet-d7 أعلى دقة، لكنه يتطلب قدرة حوسبة كبيرة، ما يجعله غير مناسب لـالذكاء الاصطناعي على الأجهزة الطرفية. أما DAMO-YOLO فيوفر سرعات عالية على TensorRT، لكنه يحتاج عمومًا إلى معلمات أكثر من إصدارات EfficientDet الأقل مستوى لتحقيق دقة مماثلة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet وDAMO-YOLO على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار EfficientDet#

يُعد EfficientDet خيارًا قويًا لـ:

  • مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
  • أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
  • النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة Android أو أجهزة Linux المضمنة.

متى تختار DAMO-YOLO#

يوصى باستخدام DAMO-YOLO في الحالات التالية:

  • تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو ذات معدل إطارات مرتفع على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند batch-1 المقياس الأساسي.
  • خطوط التصنيع الصناعي: السيناريوهات ذات قيود زمن استجابة صارمة على GPU ضمن أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
  • أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والعمود الفقري الفعال المعاد تحديد معلماته على أداء الكشف.

متى تختار Ultralytics (YOLO26)#

يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:

  • النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n)، أفضلية واضحة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics: تجاوز النماذج القديمة نحو آفاق جديدة#

على الرغم من أن EfficientDet وDAMO-YOLO يقدمان رؤى أكاديمية قيّمة، يحتاج المطورون اليوم إلى أطر عمل توازن بين الأداء العالي وسهولة الاستخدام للمطورين. وهنا تبرز منظومة Ultralytics.

سهولة الاستخدام والمنظومة#

غالبًا ما يؤدي نشر نماذج من مستودعات بحثية منفصلة ومخصصة بدرجة كبيرة إلى أعمال تكامل شاقة. توفر Ultralytics منظومة موحدة جيدة الصيانة، مع وثائق شاملة وواجهة API بأسلوب Python. سواء أكنت تستخدم Google Colab للتدريب أم تصدّر إلى CoreML للاستدلال على الأجهزة المحمولة، فلا يتطلب مسار العمل سوى بضعة أسطر من الشيفرة.

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 nano الموصى به بشدة⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج على مجموعة بيانات مخصصة⁩
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨صدّر النموذج المدرّب إلى ONNX للإنتاج⁩
model.export(format="onnx")

تقديم YOLO26#

بالنسبة إلى المطورين الذين يقيّمون EfficientDet أو DAMO-YOLO، يمثل Ultralytics YOLO26 الخطوة التالية الطبيعية. أُطلق في يناير 2026، ويقدم عدة إمكانات جديدة:

  • تصميم شامل من دون NMS: استنادًا إلى التدريب دون NMS في YOLOv10، يزيل رأس المطابقة واحدًا لواحد الأصلي في YOLO26 (nms=False) الحاجة إلى المعالجة اللاحقة باستخدام NMS. وهذا يعني بنى نشر أبسط وزمن استجابة ثابتًا عبر مختلف الأجهزة.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: بالنسبة إلى عمليات النشر الطرفية التي لا تتوفر فيها وحدات GPU قوية، والتي لم يُصمم DAMO-YOLO لها، حُسّن YOLO26 للعمل على وحدات CPU القياسية، حيث يعمل YOLO26n بسرعة تفوق YOLO11n بنسبة تصل إلى 43%.
  • مُحسِّن MuSGD: من خلال نقل تقنيات تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية، يضم YOLO26 مُحسِّن MuSGD (المستوحى من Moonshot AI) لتحقيق تدريب مستقر وتقارب سريع، مقارنةً بإعداد التدريب الأكثر حساسية في EfficientDet.
  • إزالة DFL: يبسّط التخلص من خسارة البؤرة التوزيعية عملية التصدير ويحسن التوافق مع الأجهزة الطرفية منخفضة الطاقة مثل Raspberry Pi.
  • ProgLoss + STAL: تحقق الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو مجال تعاني فيه البنى الأقدم تقليديًا.

كفاءة الذاكرة وتعدد المهام#

على خلاف نماذج Transformer أو شبكات NAS المدمجة بكثافة، تشتهر نماذج Ultralytics بكفاءتها في استخدام الذاكرة. فهي تستخدم ذاكرة CUDA أقل بكثير أثناء التدريب، ما يتيح تكرار التجارب بسرعة على الأجهزة الاستهلاكية.

على الرغم من اقتصار EfficientDet وDAMO-YOLO على مربعات الإحاطة، تدعم Ultralytics أصيلًا تجزئة المثيلات وتصنيف الصور ضمن إطار العمل البديهي نفسه. أما المستخدمون الذين يصونون مشاريع أقدم، فيظل Ultralytics YOLOv8 بديلًا موثوقًا واسع الانتشار يستحق الاستكشاف.

الخلاصة#

يتطلب اختيار بنية الرؤية المناسبة الموازنة بين الأداء النظري الخام وواقع النشر. يقدم EfficientDet نهجًا منهجيًا للتحجيم، ويحقق DAMO-YOLO سرعات GPU خامًا عالية. لكن بالنسبة إلى الفرق التي تعطي الأولوية للتطوير السريع وعمليات النشر الموثوقة والميزات الحديثة، فإن نماذج Ultralytics هي الخيار الأفضل. ومن خلال الجمع بين ابتكارات مثل الاستدلال دون NMS والتحسين باستخدام MuSGD، يوفر YOLO26 أساسًا كفؤًا وقابلًا للصيانة لمشاريع الرؤية الحاسوبية.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.