EfficientDet مقابل DAMO-YOLO#
عند بناء خطوط أنابيب رؤية حاسوبية قابلة للتطوير، يُعد اختيار هندسة النموذج المناسبة قراراً حاسماً يؤثر على جدوى النشر ودقة الكشف. يوفر هذا الدليل مقارنة تقنية متعمقة بين اثنتين من البنى المعروفة في مشهد التعرف البصري: EfficientDet و DAMO-YOLO.
في حين جلب كلا النموذجين ابتكارات كبيرة في مجال كشف الكائنات، فإن التقدم السريع للذكاء الاصطناعي البصري قد مهد الطريق أمام أنظمة بيئية أكثر تكاملاً. طوال هذا التحليل، سنستكشف الآليات الأساسية لهذه الشبكات القديمة مع توضيح سبب أصبح الحلول الحديثة مثل منصة Ultralytics و Ultralytics YOLO26 هي المعيار الصناعي لبيئات الإنتاج.
EfficientDet: اكتشاف كائنات قابل للتوسع وفعال#
تم تصميم EfficientDet، الذي قدمه باحثون في Google، لتوسيع بنية النموذج بشكل منهجي مع الحفاظ على كفاءة عالية. وقد حقق ذلك من خلال الاستفادة من التوسع المركب عبر عمق الشبكة، وعرضها، ودقة المدخلات.
تفاصيل EfficientDet:
المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
المؤسسة: Google Brain
التاريخ: 2019-11-20
رابط Arxiv: 1911.09070
رابط GitHub: google/automl
الابتكارات المعمارية#
تتمثل المساهمة الأساسية لـ EfficientDet في شبكة هرم الميزات ثنائية الاتجاه (BiFPN). على عكس شبكات FPN التقليدية، تتيح BiFPN دمج ميزات متعددة المقاييس بسهولة وسرعة من خلال الاستفادة من الأوزان القابلة للتعلم لفهم أهمية ميزات الإدخال المختلفة. يُدمج هذا مع الهيكل الأساسي EfficientNet، مما ينتج عنه عائلة من النماذج (من D0 إلى D7) التي تتدرج بشكل يمكن التنبؤ به.
نقاط القوة والضعف#
تكمن القوة الرئيسية لـ EfficientDet في كفاءة معاملاتها. بالنسبة للمهام التي تتطلب زيادة متوسط الدقة (mAP) إلى أقصى حد في بيئات الححابية المقيدة بشدة، فإن طريقة التدرج المركب الخاصة بها قابلة للتنبؤ بشكل كبير. ومع ذلك، تشتهر EfficientDet بأنها معقدة للتدريب من الصفر وغالباً ما تتطلب ضبطاً واسع النطاق للمعلمات الفائقة. علاوة على ذلك، فإن اعتمادها الثقيل على عمليات TensorFlow المحددة يجعل الانتقال إلى عمليات نشر الحافة عبر ONNX أو TensorRT أكثر صعوبة مقارنة بـ قدرات التصدير المبسطة الموجودة في نماذج YOLO الحديثة.
DAMO-YOLO: البحث الآلي عن البنية قيد التنفيذ#
يمثل DAMO-YOLO نهجاً متميزاً، حيث يستخدم البحث عن بنية الشبكة العصبية (NAS) لتصميم هياكل الشبكة المثلى للاستنتاج في الوقت الفعلي تلقائياً.
تفاصيل DAMO-YOLO:
المؤلفون: Xianzhe Xu و Yiqi Jiang و Weihua Chen و Yilun Huang و Yuan Zhang و Xiuyu Sun
المؤسسة: Alibaba Group
التاريخ: 2022-11-23
رابط Arxiv: 2211.15444v2
رابط GitHub: tinyvision/DAMO-YOLO
الابتكارات المعمارية#
يقدم DAMO-YOLO العديد من التقنيات الجديدة. فهو يستخدم هيكلاً أساسياً مولداً بواسطة NAS يسمى MAE-NAS، و RepGFPN فعال لعنصر العنق الخاص به، وتصميم ZeroHead يقلل بشكل كبير من التكلفة الحسابية لـ رأس الكشف. علاوة على ذلك، فهو يظظف AlignedOTA لتخصيص التسميات ويستند بشدة إلى تحسين تقطير المعرفة لتعزيز أداء نسخه الأصغر.
نقاط القوة والضعف#
يتألق DAMO-YOLO في سرعات الاستدلال الخاصة بوحدة المعالجة الرسومية (GPU)، وهو مصمم خصيصاً للنشر على بنيات NVIDIA باستخدام TensorRT. من خلال التخلص من هياكل الرأس الثقيلة، يقدم النموذج تنبؤات ذات زمن استجابة منخفض. على العكس من ذلك، يمكن أن يجعل البحث الآلي للهندسة بنية النموذج مبهمة وصعبة التصحيح يدوياً أو الضبط الدقيق لأجهزة الحافة المخصصة. على عكس نموذج Ultralytics YOLO11 متعدد الاستخدامات للغاية، يركز DAMO-YOLO بشكل أساسي على الكشف القياسي لصناديق الإحاطة، افتقاراً للدعم الأصلي للمهام المتقدمة مثل تقدير الوضعية أو كشف صندوق الإحاطة الموجه (OBB) خارج الصندوق.
مقارنة الأداء#
إن فهم المقايضات التجريبية أمر بالغ الأهمية لاختيار النموذج. يقارن الجدول أدناه عائلة EfficientDet بسلسلة DAMO-YOLO عبر مقاييس الأداء الحاسمة.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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 ولكنه يتطلب طاقة حوسبة هائلة، مما يجعله غير مناسب لـ الذكاء الاصطناعي على الحافة. يقدم DAMO-YOLO سرعات TensorRT استثنائية، على الرغم من أنه يتطلب بشكل عام معلمات أكثر من نماذج EfficientDet ذات المستوى الأدنى لتحقيق دقة قابلة للمقارنة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet و DAMO-YOLO على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار EfficientDet#
يعد EfficientDet خياراً قوياً في الحالات التالية:
- خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو بنية TPU التحتية حيث يتمتع EfficientDet بتحسين أصلي.
- أبحاث القياس المركب (Compound Scaling): المقارنة المعيارية الأكاديمية التي تركز على دراسة تأثيرات موازنة عمق الشبكة، وعرضها، وتوسيع نطاق الدقة.
- النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لنظام أندرويد أو أجهزة لينكس المدمجة.
متى تختار DAMO-YOLO#
يوصى باستخدام DAMO-YOLO من أجل:
- تحليلات الفيديو ذات الإنتاجية العالية: معالجة تدفقات الفيديو ذات معدل الإطارات العالي على بنية تحتية ثابتة لوحدات GPU من NVIDIA حيث يكون إنتاجية الدفعة-1 هو المقياس الأساسي.
- خطوط التصنيع الصناعية: السيناريوهات ذات قيود زمن انتقال GPU صارمة على أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
- أبحاث البحث في البنية العصبية: دراسة تأثيرات البحث الآلي في البنية (MAE-NAS) والهياكل الأساسية المعاد برمجتها بكفاءة على أداء الاكتشاف.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
ميزة Ultralytics: التقدم إلى ما بعد النماذج القديمة#
في حين أن EfficientDet و DAMO-YOLO يقدمان رؤى أكاديمية قيّمة، فإن المطورين المعاصرين يتطلبون أُطُراً توازن بين الأداء المتطور وبيئة عمل المطور. هذا هو المكان الذي تتفوق فيه النظام البيئي لـ Ultralytics.
سهولة استخدام ونظام بيئي لا مثيل لهما#
غالباً ما يؤدي نشر النماذج من مستودعات أبحاث منفصلة ومخصصة بدرجة كبيرة إلى كابوس في التكامل. توفر Ultralytics نظاماً بيئياً موحداً ومصاناً بعناية فائقة well-maintained ecosystem مع توثيق شامل وواجهة برمجية بايثونية. سواء كنت تستخدم Google Colab للتدريب أو التصدير إلى CoreML للاستدلال على الهاتف المحمول، فإن خط الأنابيب يتطلب بضعة أسطر فقط 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#
للمطورين الذين يقيّمون EfficientDet أو DAMO-YOLO، يمثل Ultralytics YOLO26 الخطوة التطويرية القصوى. تم إصداره في أوائل عام 2026، وهو يتيح قدرات تغير قواعد اللعبة:
- تصميم بدون NMS من البداية إلى النهاية: كانت YOLOv10 رائدة فيه لأول مرة، ويلغي YOLO26 محلياً الحاجة إلى معالجة لاحقة لكبت الحد الأقصى غير (NMS). يترجم هذا إلى بنيات نشر أبسط بكثير وزمن استجابة ثابت عبر الأجهزة المتنوعة.
- استنتاج أسرع بنسبة تصل إلى 43% على CPU: بالنسبة لعمليات النشر على الحافة التي تفتقر إلى وحدات GPU ثقيلة - وهي سيناريوهات يعاني فيها DAMO-YOLO - تم تحسين YOLO26 بشكل كبير، مما يوفر تسريعات هائلة على وحدات CPU القياسية.
- مُحسِّن MuSGD: لسد الفجوة بين ابتكارات النماذج اللغوية الكبيرة (LLM) والرؤية الحاسوبية، يدمج YOLO26 مُحسِّن MuSGD (المستوحى من Moonshot AI)، مما يضمن تدريباً مستقراً بشكل لا يصدق وتقارباً سريعاً مقارنة بحلقات التدريب الهشة لـ EfficientDet.
- إزالة DFL: تعمل إزالة خسارة بؤر التوزيع (Distribution Focal Loss) على تبسيط عملية التصدير، مما يضمن توافقاً متفوقاً مع وحدات التحكم الدقيقة منخفضة الطاقة وأجهزة Raspberry Pi.
- ProgLoss + STAL: تحقق هذه الدوال المتقدمة للخسارة تحسينات دراماتيكية في التعرف على الكائنات الصغيرة، وهو مجال تفشل فيه البنيات القديمة تقليدياً.
كفاءة الذاكرة وتنوع المهام#
على عكس نماذج المحول (transformer) أو شبكات NAS المدمجة بشكل مكثف، تتميز نماذج Ultralytics بكفاءة الذاكرة الصارمة الخاصة بها. فهي تستهلك ذاكرة CUDA أقل بشكل ملحوظ أثناء التدريب، مما يتيح التكرار السريع على الأجهزة ذات الاستهلاك الاستهلاكي.
علاوة على ذلك، في حين أن EfficientDet و DAMO-YOLO مقيدان بصرامة بصناديق الإحاطة، تدعم Ultralytics محلياً تجزئة المثيلات و تصنيف الصور داخل نفس الإطار البدهى تماماً. بالنسبة للمستخدمين الذين يحافظون على المشاريع القديمة، تظل Ultralytics YOLOv8 بديلة صلبة ومثبتة ومتاحة على نطاق واسع وتستحق الاستكشاف.
الخلاصة#
يتضمن اختيار هندسة الرؤية المناسبة موازنة الأداء النظري الخالص مقابل واقع النشر. يقدم EfficientDet نهج قياس أنيق رياضياً، ويقدم DAMO-YOLO سرعات GPU خامة مقنعة. ومع ذلك، بالنسبة للفرق التي تعطى الأولوية للتطوير السريع، والنشرات الموثوقة، والميزات المتطورة، تقف نماذج Ultralytics متقدمة بوضوح. من خلال الجمع بين الابتكار مثل الاستدلال الخالي من NMS وتحسين MuSGD، يضمن YOLO26 بناء مشاريع الرؤية الحاسوبية الخاصة بك على الأساس الأكثر قدرة وقابلية للصيانة والكفاءة المتاحة اليوم.