مقارنة بين EfficientDet وPP-YOLOE+#
تشكّل مشهد الرؤية الحاسوبية بدرجة كبيرة بفعل التطور المستمر لنماذج اكتشاف الكائنات. ومن أبرز المحطات في هذه الرحلة EfficientDet من Google وPP-YOLOE+ من Baidu. وعلى الرغم من أن كلا البنيتين صُمّم لتحقيق توازن بين الكفاءة الحسابية ودقة الاكتشاف، فإنهما تتناولان هذا التحدي من خلال فلسفتين تصميميتين مختلفتين جذريًا.
يفصّل هذا الدليل الشامل بنيتيهما ومنهجيات تدريبهما وسيناريوهات نشرهما في العالم الحقيقي، لمساعدتك على اختيار الشبكة العصبية المثلى لتطبيق الرؤية الحاسوبية التالي.
الابتكارات المعمارية وفلسفات التصميم#
يُعد فهم البنية الأساسية لهذه النماذج أمرًا بالغ الأهمية لنشرها بفعالية في بيئات الإنتاج، سواء على الأجهزة الطرفية أو الخوادم السحابية.
EfficientDet: قوة التوسيع المركب#
طوّرته Google Research، وقدّم EfficientDet تحولًا نوعيًا من خلال التعامل مع توسيع النموذج لا بوصفه عملية اعتباطية، بل باعتباره أسلوب توسعة مركبًا قائمًا على مبادئ رياضية.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google Research
- التاريخ: 2019-11-20
- Arxiv: 1911.09070
- GitHub: google/automl
- المستندات: وثائق EfficientDet
يكمن الابتكار الأساسي في EfficientDet في شبكة هرمية للسمات ثنائية الاتجاه (BiFPN). فعلى خلاف شبكات FPN التقليدية التي تجمع السمات من الأعلى إلى الأسفل فقط، تقدّم BiFPN أوزانًا قابلة للتعلّم لإجراء دمج للسمات عبر المقاييس في الاتجاهين من الأعلى إلى الأسفل ومن الأسفل إلى الأعلى. ويتيح ذلك للشبكة فهم أهمية سمات الإدخال المختلفة بصورة حدسية. وبالاقتران مع العمود الفقري EfficientNet، يوسّع EfficientDet الدقة والعمق والعرض في الوقت نفسه، مُنشئًا عائلة من النماذج (من d0 إلى d7) الملائمة لميزانيات حسابية متفاوتة.
عند نشر EfficientDet، احرص على مراعاة العتاد المستهدف. ففي حين يناسب d0 الأجهزة المحمولة، يتطلب التوسع إلى d7 قدرًا كبيرًا من ذاكرة GPU وقدرة حسابية عالية.
PP-YOLOE+: توسيع حدود PaddlePaddle#
استنادًا إلى نجاحات أسلافه، صمّم فريق PaddlePaddle في Baidu نموذج PP-YOLOE+ لتقديم أداء متقدم، مع تحسينه خصيصًا لعمليات النشر على الخوادم ذات معدل النقل المرتفع.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- الوثائق: تهيئة PP-YOLOE+
يتميز PP-YOLOE+ بعمود فقري CSPRepResNet يستفيد من شبكات التجزئة الجزئية عبر المراحل، إلى جانب تقنيات إعادة المعلمات لتحسين استخراج السمات من دون زيادة كبيرة في زمن استدلال النموذج. كما يحسّن رأس ET-head (الرأس الفعّال المتوافق مع المهام) بدرجة كبيرة التوافق بين مهمتَي التصنيف وتحديد الموقع. بالإضافة إلى ذلك، يستخدم تصميمًا خاليًا من المراسي مقترنًا بتعيين ديناميكي للوسوم (TAL)، مما يبسّط عملية التدريب ويحسّن قابلية التعميم عبر مجموعات بيانات متنوعة.
مقاييس الأداء والمعايير المرجعية#
عند اختيار نموذج لإجراء الاستدلال في الوقت الفعلي، يُعد تقييم التوازن بين متوسط الدقة (mAP) والسرعة الحسابية أمرًا بالغ الأهمية. يوضّح الجدول أدناه مقاييس الأداء الرئيسية لكلتا عائلتي النماذج.
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
كما يتضح، يحقق PP-YOLOE+ عمومًا قمم دقة أعلى عند تساوي أعداد المعلمات، ولا سيما في متغيريه الأكبر (l وx). وهو محسّن بدرجة كبيرة لمعدل نقل البيانات على GPU، مما يجعله مرشحًا ممتازًا لـعمليات النشر على خوادم المعالجة الدفعية. وعلى العكس، توفر نماذج EfficientDet الأصغر نسبة عالية الكفاءة بين المعلمات وFLOP، وهو ما قد يكون مفيدًا في بيئات الذاكرة شديدة التقييد.
حالات الاستخدام المثالية واستراتيجيات النشر#
غالبًا ما يعتمد الاختيار بين هاتين البنيتين بدرجة كبيرة على حزمة التقنيات الحالية لديك وعتاد النشر.
متى تختار EfficientDet:
- سير عمل AutoML: إذا كنت تعتمد اعتمادًا كبيرًا على منظومة Google وتستفيد من إمكانات البحث الآلي عن البنى.
- الأجهزة الطرفية محدودة الموارد: توفر النماذج منخفضة المستوى (d0 وd1) أداءً متوقعًا على وحدات المعالجة المركزية المحمولة، حيث يمثل حجم المعلمات قيدًا صارمًا.
متى تختار PP-YOLOE+:
- خوادم GPU عالية الأداء: السيناريوهات التي تتطلب أقصى معدل نقل على عتاد NVIDIA، مثل معالجة مئات تدفقات الفيديو المتزامنة لأغراض مراقبة المدن الذكية.
- منظومة PaddlePaddle: إذا كان فريق التطوير لديك يستخدم بالفعل إطار Baidu للتعلم العميق، فإن دمج PP-YOLOE+ سيكون سلسًا.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من أن EfficientDet وPP-YOLOE+ نموذجان قويان، فإن الوتيرة السريعة للابتكار في مجال الذكاء الاصطناعي تتطلب حلولًا تجمع بين الأداء المتطور وسهولة الاستخدام الفائقة. وهنا يتفوق Ultralytics YOLO26، إذ يرسّخ مكانته خيارًا رائدًا لتطبيقات الرؤية الحاسوبية الحديثة.
أُطلق YOLO26 في عام 2026، وأعاد تعريف اكتشاف الكائنات في الوقت الفعلي بالكامل من خلال تقديم تصميم أصلي شامل من البداية إلى النهاية وخالٍ من NMS. وبإلغاء المعالجة اللاحقة الخاصة بالكبح غير الأقصى، وهي عنق زجاجة مستمر في النماذج الأقدم، يوفّر YOLO26 نشرًا أبسط بكثير ويقلل تذبذب زمن الاستدلال.
علاوة على ذلك، حُسّن YOLO26 خصيصًا لعمليات النشر الطرفية. ويبسّط إلغاء خسارة البؤرة التوزيعية (DFL) عملية التصدير إلى تنسيقات مثل ONNX وTensorRT، محققًا استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة. وهذا يجعله قوة هائلة لـأجهزة إنترنت الأشياء التي تعمل بالبطاريات.
يدمج YOLO26 مُحسِّن MuSGD المبتكر، وهو مزيج من SGD وMuon. واستلهامًا من التطورات في تدريب نماذج اللغة الكبيرة، يضمن هذا المُحسِّن تدريبًا مستقرًا للغاية وتقاربًا سريعًا، مما يوفر ساعات ثمينة من وقت الحوسبة على GPU.
يمكن للمطورين أيضًا الاستفادة من دوال الخسارة المتقدمة في YOLO26، ومنها ProgLoss + STAL، التي تُظهر تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهو مطلب بالغ الأهمية للصور الجوية وتطبيقات الزراعة الدقيقة.
النشر السلس باستخدام Ultralytics#
تكمن القوة الحقيقية لـ Ultralytics في منظومتها الموحدة. فعلى خلاف النماذج التي تتطلب نصوص تدريب معقدة ومخصصة، يقدّم YOLO26 واجهة API شديدة التبسيط. ولا يتطلب تدريب نموذج على مجموعة بياناتك المخصصة سوى بضعة أسطر من تعليمات Python البرمجية:
from ultralytics import YOLO
# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run an inference on a new image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX format for deployment
model.export(format="onnx")سواء كنت تحتاج إلى الاكتشاف القياسي أو إلى مهام متخصصة مثل تجزئة المثيلات وتقدير الوضعية، فإن YOLO26 يدعم هذه المهام أصليًا باستخدام نماذج أولية متعددة المقاييس وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، وكل ذلك ضمن الإطار نفسه سهل الاستخدام.
استكشاف نماذج بارزة أخرى#
إذا كنت تقيّم البنى لتلبية متطلبات مؤسسية محددة، فمن المفيد أيضًا النظر في الجيل السابق Ultralytics YOLO11، الذي لا يزال نموذجًا قويًا ومختبرًا في الإنتاج. أما للتطبيقات التي تتطلب بنى قائمة على Transformer، فيقدم RT-DETR بديلًا مثيرًا للاهتمام، رغم أنه يتطلب عادةً قدرًا أكبر من ذاكرة CUDA أثناء التدريب مقارنة بمتغيرات YOLO عالية الكفاءة.
ختامًا، بينما يوفّر EfficientDet توسعة قائمة على مبادئ راسخة، ويقدم PP-YOLOE+ معدل نقل ممتازًا على GPU ضمن إطاره المحدد، يقدّم Ultralytics YOLO26 الحل الأكثر توازنًا وتنوعًا وملاءمة للمطورين والمتاح اليوم. وتجعل بنيته الأصلية الشاملة من البداية إلى النهاية وقدرات التكامل الواسعة منه الأساس الموصى به للجيل التالي من الذكاء الاصطناعي للرؤية.