مقارنة بين EfficientDet وDAMO-YOLO#
عند بناء مسارات عمل قابلة للتوسّع لـالرؤية الحاسوبية، يُعد اختيار بنية النموذج المناسبة قرارًا حاسمًا يؤثر في كلٍّ من جدوى النشر ودقة الكشف. يقدم هذا الدليل مقارنة تقنية معمقة بين بنيتين معروفتين في مجال التعرّف البصري: EfficientDet وDAMO-YOLO.
رغم أن كلا النموذجين قدّما ابتكارات مهمة في مجال كشف الأجسام، فإن التقدم السريع في الذكاء الاصطناعي للرؤية مهّد الطريق أمام منظومات أكثر تكاملًا. سنستكشف خلال هذا التحليل الآليات الأساسية لهاتين الشبكتين القديمتين، مع توضيح سبب تحول الحلول الحديثة مثل منصة Ultralytics وUltralytics YOLO26 إلى المعيار السائد في بيئات الإنتاج.
EfficientDet: كشف الأجسام القابل للتوسّع والفعّال#
طوّر باحثون في Google نموذج EfficientDet بهدف توسيع بنية النموذج بصورة منهجية مع الحفاظ على كفاءة عالية. وقد حقق ذلك من خلال الاستفادة من التوسّع المركب عبر عمق الشبكة وعرضها ودقة الإدخال.
تفاصيل EfficientDet:
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google Brain
- التاريخ: 2019-11-20
- Arxiv: 1911.09070
- GitHub: google/automl
الابتكارات المعمارية#
تتمثل المساهمة الأساسية لـEfficientDet في شبكة هرمية للميزات ثنائية الاتجاه (BiFPN). وعلى خلاف الشبكات الهرمية التقليدية للميزات (FPN)، تتيح BiFPN دمج الميزات متعددة المقاييس بسهولة وسرعة، وذلك باستخدام أوزان قابلة للتعلّم لفهم أهمية ميزات الإدخال المختلفة. ويُدمج ذلك مع العمود الفقري لـEfficientNet، ما ينتج عائلة من النماذج (من D0 إلى D7) التي تتوسع بصورة متوقعة.
نقاط القوة والضعف#
تكمن القوة الأساسية لـEfficientDet في كفاءة استخدام المعلمات. وبالنسبة إلى المهام التي تتطلب تعظيم متوسط الدقة (mAP) في بيئات سحابية شديدة القيود، تتميز طريقة التوسّع المركب بقابلية عالية للتنبؤ. إلا أن EfficientDet معروف بتعقيد تدريبه من الصفر، وغالبًا ما يتطلب قدرًا كبيرًا من ضبط المعلمات الفائقة. علاوة على ذلك، فإن اعتماده الكبير على عمليات TensorFlow المحددة يجعل الانتقال إلى عمليات النشر على الأجهزة الطرفية عبر ONNX أو TensorRT أكثر تعقيدًا مقارنةً بـإمكانات التصدير المبسطة المتاحة في نماذج YOLO الحديثة.
DAMO-YOLO: البحث الآلي عن البنية قيد التنفيذ#
يمثل DAMO-YOLO نهجًا مختلفًا، إذ يستخدم البحث عن البنية العصبية (NAS) لتصميم بُنى شبكية مثلى تلقائيًا للاستدلال الفوري.
تفاصيل DAMO-YOLO:
- المؤلفون: Xianzhe Xu، وYiqi Jiang، وWeihua Chen، وYilun Huang، وYuan Zhang، وXiuyu Sun
- الجهة: Alibaba Group
- التاريخ: 2022-11-23
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
الابتكارات المعمارية#
يقدم DAMO-YOLO عدة تقنيات مبتكرة. فهو يستخدم عمودًا فقريًا مولدًا بواسطة NAS يُسمى MAE-NAS، وشبكة RepGFPN فعالة لعنق النموذج، وتصميم ZeroHead يقلل بدرجة كبيرة الكلفة الحسابية لـرأس الكشف. علاوة على ذلك، يستخدم AlignedOTA لإسناد التسميات، ويعتمد بدرجة كبيرة على تحسين تقطير المعرفة لتعزيز أداء إصداراته الأصغر.
نقاط القوة والضعف#
يتفوق DAMO-YOLO في سرعات الاستدلال على GPU، وقد صُمم خصيصًا للنشر على بنيات NVIDIA باستخدام TensorRT. ومن خلال إزالة بُنى الرأس الثقيلة، يقدم النموذج تنبؤات بزمن استجابة منخفض. وعلى العكس، قد يجعل البحث الآلي عن البنية هيكل النموذج معتمًا ويصعّب تصحيح أخطائه يدويًا أو ضبطه بدقة للأجهزة الطرفية المخصصة. وبخلاف Ultralytics YOLO11 المتعدد الاستخدامات بدرجة كبيرة، يركز DAMO-YOLO أساسًا على كشف مربعات الإحاطة القياسية، ويفتقر إلى الدعم الأصلي لمهام متقدمة مثل تقدير الوضعية أو كشف مربعات الإحاطة الموجّهة (OBB) مباشرةً.
مقارنة الأداء#
يُعد فهم المفاضلات التجريبية أمرًا أساسيًا لاختيار النموذج. يقارن الجدول أدناه عائلة EfficientDet بسلسلة DAMO-YOLO عبر مقاييس الأداء المهمة.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
يحقق EfficientDet-d7 أعلى دقة نظرية، لكنه يتطلب قدرة حوسبية هائلة، ما يجعله غير مناسب لـالذكاء الاصطناعي الطرفي. ويوفر DAMO-YOLO سرعات استثنائية عبر TensorRT، لكنه يتطلب عمومًا عددًا من المعلمات أكبر من نماذج EfficientDet منخفضة المستوى لتحقيق دقة مماثلة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet وDAMO-YOLO على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك المتعلقة بالمنظومة.
متى تختار EfficientDet#
يُعد EfficientDet خيارًا قويًا من أجل:
- مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
- أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
- النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.
متى تختار DAMO-YOLO#
يوصى باستخدام DAMO-YOLO في الحالات التالية:
- تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو عالية FPS على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند حجم الدفعة 1 هي المقياس الأساسي.
- خطوط التصنيع الصناعية: السيناريوهات ذات القيود الصارمة على زمن استجابة GPU ضمن عتاد مخصص، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
- أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والشبكات الأساسية المعاد تمثيلها بكفاءة على أداء الاكتشاف.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
- البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.
ميزة Ultralytics: التقدم إلى ما بعد النماذج القديمة#
مع أن EfficientDet وDAMO-YOLO يقدمان رؤى أكاديمية قيّمة، يحتاج المطورون المعاصرون إلى أُطر توازن بين أداء متطور وسهولة استخدام للمطورين. وهنا تتفوق منظومة Ultralytics.
سهولة استخدام ومنظومة لا مثيل لهما#
غالبًا ما يؤدي نشر النماذج من مستودعات بحثية منفصلة ومخصصة بدرجة كبيرة إلى كوابيس تكامل. توفر Ultralytics منظومة مُصانة جيدًا وموحدة بعمق، مع توثيق شامل وواجهة API بأسلوب Python. وسواء كنت تستخدم Google Colab للتدريب أو تصدّر إلى CoreML للاستدلال على الأجهزة المحمولة، فإن مسار العمل لا يتطلب سوى بضعة أسطر من التعليمات البرمجية.
from ultralytics import YOLO
# Load the highly recommended YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Export the trained model to ONNX for production
model.export(format="onnx")ثورة YOLO26#
بالنسبة إلى المطورين الذين يقيّمون EfficientDet أو DAMO-YOLO، يمثل Ultralytics YOLO26 الخطوة التطورية النهائية. وقد أُطلق في أوائل عام 2026، ويقدم إمكانات تُحدث تحولًا في النهج:
- تصميم شامل من دون NMS: ابتكره YOLOv10 أولًا، ويلغي YOLO26 أصليًا الحاجة إلى المعالجة اللاحقة للكبت غير الأقصى (NMS). ويؤدي ذلك إلى تبسيط كبير لبُنى النشر وزمن استجابة متسق عبر عتاد متنوع.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بالنسبة إلى عمليات النشر الطرفية التي تفتقر إلى وحدات GPU قوية، وهي سيناريوهات يواجه فيها DAMO-YOLO صعوبات، جرى تحسين YOLO26 بدرجة كبيرة ليقدم تسارعات هائلة على وحدات CPU القياسية.
- مُحسِّن MuSGD: من خلال ردم الفجوة بين ابتكارات نماذج اللغة الكبيرة والرؤية الحاسوبية، يدمج YOLO26 مُحسِّن MuSGD، المستوحى من Moonshot AI، بما يضمن تدريبًا مستقرًا للغاية وتقاربًا سريعًا مقارنةً بحلقات التدريب الهشة في EfficientDet.
- إزالة DFL: يؤدي إزالة Distribution Focal Loss إلى تبسيط عملية التصدير، ويضمن توافقًا أفضل مع المتحكمات الدقيقة منخفضة الطاقة وأجهزة Raspberry Pi.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات كبيرة في التعرّف على الأجسام الصغيرة، وهو مجال تفشل فيه البنى الأقدم تقليديًا.
كفاءة الذاكرة وتعدد استخدامات المهام#
على خلاف نماذج المحوّلات أو شبكات NAS المدمجة بكثافة، تتميز نماذج Ultralytics بكفاءة صارمة في استخدام الذاكرة. فهي تستهلك قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب، ما يتيح تكرار التجارب بسرعة على العتاد المخصص للمستهلكين.
علاوة على ذلك، بينما يقتصر EfficientDet وDAMO-YOLO بشكل صارم على مربعات الإحاطة، تدعم Ultralytics أصليًا تقسيم الكائنات وتصنيف الصور ضمن الإطار البديهي نفسه تمامًا. وبالنسبة إلى المستخدمين الذين يديرون مشاريع قديمة، يظل Ultralytics YOLOv8 بديلًا متينًا وواسع النشر يستحق الاستكشاف.
الخلاصة#
يتطلب اختيار بنية الرؤية المناسبة موازنة الأداء النظري الخام مع واقع النشر. يقدم EfficientDet نهجًا أنيقًا رياضيًا للتوسّع، بينما يوفر DAMO-YOLO سرعات GPU خامًا مقنعة. ومع ذلك، بالنسبة إلى الفرق التي تعطي الأولوية للتطوير السريع وعمليات النشر الموثوقة والميزات المتطورة، تتقدم نماذج Ultralytics بوضوح. ومن خلال الجمع بين ابتكارات مثل الاستدلال من دون NMS وتحسين MuSGD، يضمن YOLO26 أن تُبنى مشاريع الرؤية الحاسوبية لديك على الأساس الأكثر قدرة وقابلية للصيانة والكفاءة المتاح اليوم.