EfficientDet مقابل DAMO-YOLO#
عند إنشاء مسارات عمل الرؤية الحاسوبية القابلة للتوسع، يُعد اختيار بنية النموذج المناسبة قرارًا حاسمًا يؤثر في كل من جدوى النشر ودقة الكشف. يقدم هذا الدليل مقارنة تقنية معمقة بين بنيتين معروفتين في مجال التعرّف البصري: EfficientDet وDAMO-YOLO.
مع أن كلا النموذجين قدّما ابتكارات مهمة في مجال كشف الأجسام، فقد أتاح التقدم السريع في الذكاء الاصطناعي البصري ظهور منظومات أكثر تكاملًا. سنستعرض في هذا التحليل الآليات الأساسية لهذه الشبكات القديمة، مع توضيح أسباب تحول الحلول الحديثة مثل منصة Ultralytics وUltralytics YOLO26 إلى معيار الصناعة 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:
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google Brain
- التاريخ: 2019-11-20
- Arxiv: 1911.09070
- GitHub: google/automl
ابتكارات البنية#
تتمثل المساهمة الأساسية لـ EfficientDet في شبكة هرمية ثنائية الاتجاه للسمات (BiFPN). فعلى عكس شبكات FPN التقليدية، تتيح BiFPN دمج السمات متعددة المقاييس بسهولة وسرعة، إذ تستخدم أوزانًا قابلة للتعلم لاستيعاب أهمية سمات الإدخال المختلفة. ويُدمج هذا مع العمود الفقري لـ EfficientNet، لينتج عائلة من النماذج (من D0 إلى D7) ذات قابلية توسع متوقعة.
نقاط القوة والضعف#
تكمن الميزة الرئيسية لـ EfficientDet في كفاءة استخدام المعلمات. في المهام التي ينبغي فيها تعظيم متوسط الدقة المتوسطة (mAP) ضمن بيئات سحابية شديدة القيود، تكون طريقة التحجيم المركب قابلة للتنبؤ بدرجة كبيرة. ومع ذلك، يشتهر EfficientDet بصعوبة تدريبه من الصفر، وغالبًا ما يتطلب ضبطًا مكثفًا للمعلمات الفائقة. علاوة على ذلك، فإن اعتماده الكبير على عمليات محددة في TensorFlow يجعل الانتقال إلى 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 مثلى للاستدلال في الوقت الفعلي آليًا.
تفاصيل DAMO-YOLO:
- المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun
- المؤسسة: Alibaba Group
- التاريخ: 2022-11-23
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
ابتكارات البنية#
يقدم DAMO-YOLO عدة تقنيات جديدة. فهو يستخدم عمودًا فقريًا مولدًا عبر NAS يُسمى MAE-NAS، وعنقًا فعالًا من نوع RepGFPN، وتصميم ZeroHead يقلل بدرجة كبيرة التكلفة الحسابية لـرأس الكشف. كما يستخدم AlignedOTA لتعيين التسميات، ويعتمد بدرجة كبيرة على تحسين التقطير المعرفي لتعزيز أداء إصداراته الأصغر.
نقاط القوة والضعف#
يتفوق DAMO-YOLO في سرعات الاستدلال على GPU، وقد صُمم خصيصًا للنشر على بنى NVIDIA باستخدام TensorRT. ومن خلال إزالة هياكل الرؤوس الثقيلة، يقدم النموذج تنبؤات بزمن استجابة منخفض. في المقابل، قد يجعل البحث الآلي عن البنية هيكل النموذج غير واضح ويصعّب تصحيح أخطائه يدويًا أو ضبطه بدقة للأجهزة الطرفية المخصصة. وعلى عكس Ultralytics YOLO11 متعدد الاستخدامات، يركز DAMO-YOLO أساسًا على كشف الصناديق المحيطة القياسي، ولا يدعم أصليًا مهام متقدمة مثل تقدير الوضعية أو كشف الصناديق المحيطة الموجّهة (OBB).
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.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | 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 حسابية هائلة، ما يجعله غير مناسب لـالذكاء الاصطناعي الطرفي. أما DAMO-YOLO فيقدم سرعات استثنائية مع TensorRT، لكنه يحتاج عمومًا إلى عدد معلمات أكبر من نماذج 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: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
- 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)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- 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#
مع أن EfficientDet وDAMO-YOLO يقدمان رؤى أكاديمية قيّمة، يحتاج المطورون اليوم إلى أطر عمل توازن بين الأداء المتطور وسهولة الاستخدام للمطورين. وهنا تتألق منظومة Ultralytics.
سهولة استخدام ومنظومة لا مثيل لهما#
غالبًا ما يؤدي نشر نماذج من مستودعات أبحاث منفصلة وشديدة التخصيص إلى مشكلات معقدة في التكامل. توفر Ultralytics منظومة متكاملة تحظى بصيانة جيدة، إلى جانب وثائق شاملة وواجهة API بأسلوب Python. وسواء كنت تستخدم Google Colab للتدريب أو 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")
# درّب النموذج بسهولة على مجموعة بيانات مخصصة
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# صدّر النموذج المدرّب إلى ONNX للإنتاج
model.export(format="onnx")ثورة YOLO26#
للمطورين الذين يقيّمون EfficientDet أو DAMO-YOLO، يمثل Ultralytics YOLO26 ذروة التطور. وقد صدر في أوائل عام 2026، مقدمًا إمكانات تُحدث تحولًا نوعيًا:
- تصميم شامل خالٍ من NMS: ابتكرته YOLOv10 أولًا، وتلغي الرأس الأصلي واحدًا لواحد في YOLO26 (
nms=False) الحاجة إلى المعالجة اللاحقة لقمع الصناديق غير القصوى (NMS). وينتج عن ذلك بنى نشر أبسط بكثير وزمن استجابة ثابت عبر أجهزة متنوعة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: حُسّن YOLO26 بدرجة كبيرة لعمليات النشر على الأجهزة الطرفية التي تفتقر إلى وحدات GPU قوية، وهي سيناريوهات يواجه فيها DAMO-YOLO صعوبات، محققًا زيادات هائلة في السرعة على وحدات CPU القياسية.
- مُحسِّن MuSGD: يربط YOLO26 بين ابتكارات LLM والرؤية الحاسوبية، إذ يدمج مُحسِّن MuSGD (المستوحى من Moonshot AI) لضمان تدريب مستقر للغاية وتقارب سريع مقارنة بحلقات التدريب الهشة في EfficientDet.
- إزالة DFL: تبسط إزالة Distribution Focal Loss عملية التصدير، وتضمن 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 اعتادت البنى الأقدم الإخفاق فيه.
كفاءة الذاكرة وتعدد المهام#
على عكس نماذج Transformer أو شبكات NAS المدمجة بشدة، تتميز نماذج Ultralytics بكفاءة صارمة في استخدام الذاكرة. فهي تستهلك قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب، ما يتيح تكرار التجارب بسرعة على أجهزة الاستهلاك.
علاوة على ذلك، بينما يقتصر EfficientDet وDAMO-YOLO بصرامة على الصناديق المحيطة، تدعم Ultralytics أصليًا تقسيم الكائنات وتصنيف الصور ضمن إطار العمل البديهي نفسه. وللمستخدمين الذين يديرون مشاريع أقدم، يظل Ultralytics YOLOv8 بديلًا موثوقًا للغاية وشائع النشر يستحق الاستكشاف.
الخلاصة#
يتطلب اختيار بنية الرؤية المناسبة الموازنة بين الأداء النظري الخام وواقع النشر. يقدم EfficientDet نهجًا أنيقًا للتحجيم يستند إلى الرياضيات، بينما يوفر DAMO-YOLO سرعات GPU خامًا لافتة. لكن نماذج Ultralytics تتفوق بوضوح للفرق التي تعطي الأولوية للتطوير السريع والنشر الموثوق والميزات المتطورة. ومن خلال الجمع بين ابتكارات مثل الاستدلال الخالي من NMS والتحسين باستخدام MuSGD، يضمن YOLO26 تأسيس مشاريع الرؤية الحاسوبية على الأساس الأكثر قدرةً وقابليةً للصيانة وكفاءةً والمتاح اليوم.