EfficientDet مقابل YOLO11#

إن اختيار بنية الشبكة العصبية المثلى هو أساس نجاح أي تطبيق لـالرؤية الحاسوبية. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين EfficientDet من Google وUltralytics YOLO11، ويحلل الاختلافات المعمارية ومقاييس الأداء وسيناريوهات النشر المثلى لكل منهما.

سواء كنت تستهدف زمن استجابة بالمللي ثانية على أجهزة الذكاء الاصطناعي الطرفي، أم تحتاج إلى دقة قابلة للتوسع للاستدلال السحابي، فمن الضروري فهم الفروق الدقيقة بين هذه النماذج.

ملفات تعريف النماذج والتفاصيل التقنية#

يساعد فهم أصول كل بنية وفلسفة تصميمها الأساسية على وضع أدائها في مهام كشف الكائنات الواقعية ضمن سياقه.

EfficientDet#

طوّر باحثون في Google Brain نموذج EfficientDet، الذي قدّم نهجًا منهجيًا لتوسيع نطاق شبكات كشف الكائنات إلى جانب شبكة BiFPN الجديدة (شبكة هرم السمات ثنائية الاتجاه).

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• الجهة: Google
• التاريخ: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• الوثائق: https://github.com/google/automl/tree/master/efficientdet#readme

تعرّف على المزيد عن EfficientDet

YOLO11#

يمثل YOLO11 تطورًا مهمًا في منظومة Ultralytics، إذ يدفع حدود الأداء في الوقت الفعلي وكفاءة المعلمات والتعلم متعدد المهام.

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: https://docs.ultralytics.com/models/yolo11

مقارنة البنى#

تُبرز الاختلافات المعمارية بين هذين النموذجين تباين استراتيجيات التصميم على مر السنين.

يستفيد EfficientDet من العمود الفقري EfficientNet ويقدم BiFPN، الذي يتيح دمج السمات متعددة المقاييس من أعلى إلى أسفل ومن أسفل إلى أعلى. ويستخدم أسلوب التحجيم المركب الذي يوسّع الدقة والعمق والعرض بشكل موحد لشبكات العمود الفقري والسمات والتنبؤ بالصناديق/الفئات في الوقت نفسه. وعلى الرغم من فعاليته الكبيرة في تعظيم متوسط الدقة (mAP)، قد تؤدي مسارات التوجيه المعقدة في BiFPN أحيانًا إلى اختناق عرض نطاق الذاكرة أثناء الاستدلال.

أما YOLO11، فيستخدم وحدة C3k2 محسّنة ورأس كشف متقدمًا لا يعتمد على المراسي. يحدّ هذا النهج المبسّط من العبء الإضافي أثناء استخراج السمات. وقد صممت Ultralytics نموذج YOLO11 لتعظيم الاستفادة من عتاد GPU، مما يؤدي إلى انخفاض كبير في متطلبات الذاكرة أثناء التدريب والاستدلال على حد سواء، مقارنةً بالبنى الأقدم أو بنماذج المحوّلات الثقيلة.

معايير الأداء#

يقارن الجدول أدناه أداء عائلتي النموذجين عبر مقاييس مختلفة على مجموعة بيانات COCO.

تحليل متوازن: نقاط القوة والضعف#

تسريع GPU: يتفوق YOLO11 في بيئات GPU. فعلى سبيل المثال، يحقق YOLO11m قيمة mAP تبلغ 51.5% خلال 4.7ms فقط على GPU من طراز T4 باستخدام TensorRT. ولتحقيق دقة مماثلة، يستغرق EfficientDet-d5 مدة 67.86ms، أي أبطأ بأكثر من 14 مرة. وهذا يبرز توازن الأداء الفائق لنماذج Ultralytics في التطبيقات الآنية.

بيئات CPU: يحقق EfficientDet سرعات استدلال محسّنة بدرجة كبيرة على CPU في إصداراته الأصغر (مثل d0 وd1) باستخدام ONNX. لكن دقته لا تتوسع جيدًا دون تكبد عقوبات كبيرة في زمن استجابة GPU في الإصدارات الأكبر مثل d7.

منهجية التدريب والمنظومة#

غالبًا ما تكون تجربة المطور بالغة الأهمية بقدر الإمكانات النظرية للنموذج. وهنا تتألق منظومة Ultralytics.

يعتمد EfficientDet بشدة على منظومة TensorFlow القديمة ومكتبات AutoML المعقدة. ويتطلب إعداد خط أنابيب تدريب مخصص منحنى تعلم حادًا، وإدارة دقيقة للاعتماديات، وتهيئة يدوية للمراسي ودوال الخسارة.

على النقيض، توفر Ultralytics سهولة استخدام لا مثيل لها. وبفضل منظومة PyTorch جيدة الصيانة، لا يتطلب تدريب نموذج YOLO سوى بضعة أسطر من التعليمات البرمجية. ويتولى إطار العمل تلقائيًا عمليات تعزيز البيانات المتقدمة وجدولة معدل التعلم منذ البداية، كما يتضمن ضبط المعلمات الفائقة مدمجًا.

مثال برمجي: البدء باستخدام Ultralytics#

يوضح هذا المقتطف المتين والجاهز للإنتاج مدى سهولة التدريب والاستدلال باستخدام واجهة Python البرمجية.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 صغير مدرّب مسبقًا⁩
model = YOLO("yolo11s.pt")

# ⁨درّب النموذج على مجموعة البيانات المخصصة⁩
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# ⁨نفّذ استدلالًا سريعًا على صورة⁩
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

حالات الاستخدام المثالية#

متى تستخدم EfficientDet: يظل EfficientDet خيارًا قابلًا للتطبيق في بيئات البحث التي تعتمد بشدة على خطوط أنابيب TensorFlow، أو عند وجود قيود محددة تفرض استخدام CPU، حيث تؤدي البنى المبكرة مثل d0 أداءً كافيًا.

متى تستخدم YOLO11: يُعد YOLO11 الخيار الأمثل لعمليات النشر المؤسسية الحديثة. وتجعله سرعته الاستثنائية مناسبًا تمامًا لـالمركبات ذاتية القيادة، وتحليلات الرياضة في الوقت الفعلي، وكشف عيوب التصنيع عالي الإنتاجية. علاوة على ذلك، يتيح انخفاض استخدامه للذاكرة نشره بمرونة على الأجهزة محدودة الموارد مثل NVIDIA Jetson.

نظرة إلى المستقبل: الترقية إلى YOLO26#

على الرغم من قدرات YOLO11 الاستثنائية، ينبغي للمطورين الذين يبدأون مشاريع جديدة تقييم بنى Ultralytics الأخرى، مثل YOLOv8 المجرب أو YOLO26 الذي أُطلق حديثًا. أُطلق YOLO26 في مطلع عام 2026، وهو يرتكز على أساس YOLO11 ويقدم عدة ابتكارات رائدة:

• تصميم شامل خالٍ من NMS: استنادًا إلى إرث YOLOv10، يستطيع YOLO26 تخطي المعالجة اللاحقة الخاصة بكبح الصناديق غير القصوى (NMS) بالكامل باستخدام رأسه الاختياري واحد لواحد (nms=False)، ما يقلل زمن الاستجابة ويسهّل خطوط أنابيب النشر.
• مُحسِّن MuSGD: مُحسِّن هجين يمزج SGD القياسي مع Muon (المستوحى من تدريب نماذج اللغة الكبيرة)، ويحسّن استقرار التدريب بدرجة كبيرة.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: تجعل تحسينات محددة YOLO26 قويًا للغاية على الأجهزة الطرفية التي لا تحتوي على وحدات GPU منفصلة.
• ProgLoss + STAL: دوال خسارة متقدمة تحسّن بدرجة ملحوظة كشف الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.

استكشف المشهد الأوسع لبنى الرؤية، بما في ذلك الكواشف المعتمدة على Transformer مثل RT-DETR، في وثائق Ultralytics الشاملة.