EfficientDet مقابل PP-YOLOE+
تشكّلت الرؤية الحاسوبية بفعل التطور المستمر لنماذج اكتشاف الكائنات. ومن أبرز محطاتها EfficientDet من Google وPP-YOLOE+ من Baidu. ومع أن كلتا البنيتين توازنان بين الكفاءة الحاسوبية ودقة الاكتشاف، فإنهما تتبعان فلسفتين تصميميتين مختلفتين جوهريًا.
يدرس هذا الدليل البنى وأساليب التدريب وسيناريوهات النشر الواقعية للنموذجين، لمساعدتك على اختيار الشبكة العصبية المناسبة 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 خوادم السحابة.
EfficientDet: قوة التحجيم المركب#
طورت Google Research نموذج EfficientDet، الذي غيّر أسلوب تحجيم الكواشف، مستبدلًا التحجيم الارتجالي بطريقة تحجيم مركب منهجية.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- المؤسسة: Google Research
- التاريخ: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
- الوثائق: وثائق EfficientDet
تعرّف على المزيد عن EfficientDet
يكمن الابتكار الأساسي لـ EfficientDet في شبكة هرم الميزات ثنائية الاتجاه (BiFPN). وعلى عكس شبكات FPN التقليدية التي تجمع الميزات من الأعلى إلى الأسفل فقط، تقدم BiFPN أوزانًا قابلة للتعلم لدمج الميزات بين المقاييس من الأعلى إلى الأسفل ومن الأسفل إلى الأعلى. ويتيح ذلك للشبكة تعلم أهمية ميزات الإدخال المختلفة. وبالاقتران مع العمود الفقري EfficientNet، يحجّم EfficientDet الدقة والعمق والعرض في الوقت نفسه، وينشئ عائلة من النماذج (من d0 إلى d7) تلائم ميزانيات حاسوبية مختلفة.
عند نشر EfficientDet، ينبغي مراعاة الأجهزة المستهدفة بعناية. فبينما يناسب d0 الأجهزة المحمولة، يتطلب التوسع إلى d7 قدرًا كبيرًا من ذاكرة GPU وقدرة المعالجة.
PP-YOLOE+: توسيع آفاق PaddlePaddle#
استنادًا إلى نجاح أسلافه، صمم فريق PaddlePaddle في Baidu نموذج PP-YOLOE+ لتقديم دقة عالية، مع تحسينه لعمليات النشر على الخوادم ذات معدل النقل العالي.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- الوثائق: إعداد PP-YOLOE+
تعرّف على المزيد حول PP-YOLOE+
يتضمن PP-YOLOE+ عمودًا فقريًا CSPRepResNet، يستفيد من الشبكات الجزئية عبر المراحل مع تقنيات إعادة المعلمات لتعزيز استخراج الميزات دون زيادة زمن الاستدلال. كما يحسن رأس ET (الرأس الفعال المتوافق مع المهام) التوافق بين مهمتي التصنيف وتحديد الموقع بدرجة كبيرة. ويستخدم أيضًا تصميمًا خاليًا من المراسي إلى جانب إسناد التسميات الديناميكي (TAL)، مما يبسط عملية التدريب ويحسن التعميم على مجموعات بيانات متنوعة.
مقاييس الأداء والمعايير المرجعية#
عند اختيار نموذج لـالاستدلال في الوقت الفعلي، من الضروري تقييم التوازن بين متوسط الدقة (mAP) والسرعة الحسابية. يوضح الجدول أدناه مقاييس الأداء الرئيسية لعائلتي النموذجين.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 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 أعداد معلمات مماثلة، لا سيما في إصداريه الأكبر (l وx). وقد حُسّن لتحقيق معدل نقل مرتفع على GPU، مما يجعله خيارًا قويًا لـعمليات النشر على خوادم المعالجة الدفعية. أما نماذج EfficientDet الأصغر، فتتميز بأعداد منخفضة جدًا من المعلمات وFLOPs، وهو ما قد يكون مفيدًا في البيئات شديدة التقييد للذاكرة.
حالات الاستخدام المثالية واستراتيجيات النشر#
غالبًا ما يعتمد الاختيار بين هاتين البنيتين على مجموعة التقنيات المستخدمة لديك حاليًا وعتاد النشر.
متى تختار EfficientDet:
- سير عمل AutoML: إذا كنت تعتمد بشدة على منظومة Google وتستفيد من إمكانات البحث الآلي عن البنى.
- الأجهزة الطرفية محدودة الموارد: تتميز النماذج الأقل مستوى (d0 وd1) بعدد قليل من المعلمات (3.9M و6.6M)، ما يجعلها مناسبة للأجهزة التي يُعد فيها حجم النموذج قيدًا صارمًا.
متى تختار PP-YOLOE+:
- خوادم GPU عالية الأداء: السيناريوهات التي تتطلب أقصى معدل إنتاجية على أجهزة NVIDIA، مثل معالجة مئات تدفقات الفيديو المتزامنة لأغراض مراقبة المدن الذكية.
- منظومة PaddlePaddle: إذا كان فريق التطوير لديك يستخدم بالفعل إطار التعلم العميق من Baidu، فسيكون دمج PP-YOLOE+ مباشرًا.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من أن EfficientDet وPP-YOLOE+ نموذجان قادران، تحتاج المشاريع الحديثة إلى حلول تجمع بين الأداء القوي وسهولة الاستخدام. وهنا تبرز Ultralytics YOLO26 بوصفها الخيار الموصى به لتطبيقات الرؤية الحاسوبية الحديثة.
أُطلق YOLO26 في يناير 2026، ويقدم تصميمًا أصيلًا شاملًا من دون NMS. ومن خلال إمكانية تخطي المعالجة اللاحقة لكبت غير الأقصى (NMS) (nms=False)، وهي عنق زجاجة مستمر في النماذج الأقدم، يتيح YOLO26 نشرًا أبسط ويقلل تذبذب زمن الاستدلال.
كذلك، حُسّن YOLO26 للنشر على الأجهزة الطرفية. ويبسّط التخلص من خسارة البؤرة التوزيعية (DFL) عملية التصدير إلى تنسيقات مثل ONNX وTensorRT، كما يحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLO11n. وهذا يجعله خيارًا مناسبًا لأجهزة إنترنت الأشياء التي تعمل بالبطاريات.
يتضمن YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon. واستلهامًا من التطورات في تدريب نماذج اللغة الكبيرة (LLM)، يتيح هذا المُحسِّن تدريبًا مستقرًا وتقاربًا سريعًا، ما يوفر ساعات من وقت الحوسبة على GPU.
يستفيد المطورون أيضًا من الخسارة التدريجية في YOLO26 وإسناد التسميات المراعي للأهداف الصغيرة (ProgLoss + STAL)، اللذين يحسّنان التعرّف على الأجسام الصغيرة، وهو مطلب أساسي للصور الجوية وتطبيقات الزراعة الدقيقة.
النشر باستخدام Ultralytics#
تكمن القوة الرئيسية لـ Ultralytics في منظومتها الموحدة. فعلى خلاف النماذج التي تتطلب نصوص تدريب معقدة ومخصصة، يوفر YOLO26 واجهة API مبسطة. ولا يتطلب تدريب نموذج على مجموعة بياناتك المخصصة سوى بضعة أسطر من شيفرة Python:
from ultralytics import YOLO
# حمّل نموذج YOLO26 مدرّبًا مسبقًا
model = YOLO("yolo26n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# نفّذ استدلالًا على صورة جديدة
predictions = model("https://ultralytics.com/images/bus.jpg")
# صدّر إلى تنسيق ONNX للنشر
model.export(format="onnx")سواء أكنت تحتاج إلى الكشف القياسي أم إلى مهام متخصصة مثل تجزئة المثيلات وتقدير الوضعية، يدعمها YOLO26 دعمًا أصيلًا باستخدام نماذج أولية متعددة المقاييس وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، كل ذلك ضمن إطار العمل نفسه سهل الاستخدام.
استكشاف نماذج بارزة أخرى#
إذا كنت تقيّم البنى لتلبية متطلبات مؤسستك المحددة، فمن الجدير أيضًا النظر في الجيل السابق Ultralytics YOLO11، الذي لا يزال نموذجًا متينًا ومختبرًا في بيئات الإنتاج. أما التطبيقات التي تتطلب بنى قائمة على Transformer، فيقدم RT-DETR بديلًا مثيرًا للاهتمام، إلا أنه يتطلب عادةً ذاكرة CUDA أكبر أثناء التدريب مقارنةً بإصدارات YOLO الأكثر كفاءة.
خلاصة القول، بينما يقدم EfficientDet تحجيمًا قائمًا على أسس رياضية ويوفر PP-YOLOE+ معدل إنتاجية ممتازًا على GPU ضمن إطاره المحدد، يقدم Ultralytics YOLO26 الحل الأكثر توازنًا وتنوعًا وملاءمة للمطورين اليوم. وتجعل بنيته الأصلية الشاملة وإمكانات تكامله الواسعة منه الأساس الموصى به للجيل القادم من الذكاء الاصطناعي البصري.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.