Link to this sectionEfficientDet مقابل YOLO11: مقارنة تقنية شاملة#

يُعد اختيار بنية الشبكة العصبية المثالية حجر الأساس لأي تطبيق ناجح في مجال الرؤية الحاسوبية. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين EfficientDet من Google و Ultralytics YOLO11، حيث يحلل فروقاتهما المعمارية، ومقاييس الأداء، وسيناريوهات النشر المثالية.

سواء كنت تستهدف زمن انتقال بالملي ثانية على أجهزة الذكاء الاصطناعي الطرفي أو تحتاج إلى دقة قابلة للتوسع للاستدلال القائم على السحابة، فإن فهم الفروق الدقيقة لهذه النماذج أمر بالغ الأهمية.

Link to this sectionملفات تعريف النماذج والتفاصيل التقنية#

يساعد فهم أصل وفلسفة التصميم الأساسية لكل بنية في وضع أدائها في سياق مهام اكتشاف الأشياء في العالم الحقيقي.

Link to this sectionEfficientDet#

قدمت EfficientDet، التي طورها باحثون في Google Brain، نهجاً مبدئياً لتوسيع شبكات اكتشاف الأشياء إلى جانب شبكة BiFPN (شبكة هرمية ثنائية الاتجاه للميزات) المبتكرة.

• المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
• المنظمة: 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

اعرف المزيد عن EfficientDet

Link to this sectionYOLO11#

يمثل YOLO11 تطوراً مهماً في نظام Ultralytics البيئي، حيث يدفع حدود الأداء في الوقت الفعلي، وكفاءة المعلمات، والتعلم متعدد المهام.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• المستندات: https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

Link to this sectionمقارنة معمارية#

تسلط الفروق المعمارية بين هذين النموذجين الضوء على الاختلاف في استراتيجيات التصميم على مر السنين.

تستفيد EfficientDet من العمود الفقري EfficientNet وتقدم BiFPN، الذي يسمح بدمج الميزات متعددة المقاييس من الأعلى إلى الأسفل ومن الأسفل إلى الأعلى. وتستخدم طريقة توسيع مركبة تعمل على توسيع الدقة والعمق والعرض بشكل موحد لجميع شبكات العمود الفقري، وشبكة الميزات، وشبكات التنبؤ بالصناديق/الفئات في وقت واحد. وبينما تعد فعالة للغاية لزيادة متوسط دقة التنبؤ (mAP)، فإن التوجيه المعقد في BiFPN قد يؤدي أحياناً إلى اختناق عرض النطاق الترددي للذاكرة أثناء الاستدلال.

من ناحية أخرى، يستخدم YOLO11 وحدة C3k2 محسنة ورأس اكتشاف متطور بدون مرساة (anchor-free). يقلل هذا النهج الانسيابي من الحمل الزائد أثناء استخراج الميزات. قامت Ultralytics بتصميم YOLO11 لتحقيق أقصى استفادة من أجهزة GPU، مما أدى إلى متطلبات ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنة بالبنى القديمة أو نماذج Transformer الثقيلة.

Link to this sectionمقاييس الأداء#

يوضح الجدول أدناه أداء عائلتي النماذج عبر مقاييس مختلفة على مجموعة بيانات COCO.

Link to this sectionتحليل متوازن: نقاط القوة والضعف#

تسريع GPU: يهيمن YOLO11 في بيئات GPU. على سبيل المثال، يقدم YOLO11m متوسط دقة (mAP) بنسبة 51.5% بسرعة مذهلة تبلغ 4.7 مللي ثانية على GPU من نوع T4 باستخدام TensorRT. ولتحقيق دقة مماثلة، تستغرق EfficientDet-d5 زمن 67.86 مللي ثانية، أي أبطأ بأكثر من 14 مرة. يسلط هذا الضوء على توازن الأداء المتفوق لنماذج Ultralytics للتطبيقات في الوقت الفعلي.

بيئات CPU: تظهر EfficientDet سرعات استدلال محسنة للغاية على CPU في متغيراتها الأصغر (مثل d0 و d1) باستخدام ONNX. ومع ذلك، تتوسع دقتها بشكل ضعيف دون تحمل عقوبات زمن انتقال هائلة على GPU في المتغيرات الأكبر مثل d7.

Link to this sectionمنهجية التدريب والنظام البيئي#

غالباً ما تكون تجربة المطور حاسمة بقدر القدرات النظرية للنموذج. وهنا يتألق النظام البيئي لـ Ultralytics.

تعتمد EfficientDet بشكل كبير على نظام TensorFlow القديم ومكتبات AutoML المعقدة. يتضمن إعداد خط أنابيب تدريب مخصص منحنيات تعلم حادة، وإدارة معقدة للتبعيات، وتكويناً يدوياً للمراسي (anchors) ودوال الخسارة.

على العكس من ذلك، توفر Ultralytics سهولة استخدام لا مثيل لها. بدعم من نظام PyTorch البيئي الذي يتم صيانته جيداً، يتطلب تدريب نموذج YOLO بضعة أسطر فقط من الكود. يدير الإطار تلقائياً ضبط المعلمات الفائقة، وتعزيزات البيانات المتقدمة، وجدولة معدل التعلم الأمثل بشكل جاهز.

Link to this sectionمثال برمجي: البدء مع Ultralytics#

يوضح هذا المقتطف القوي والجاهز للإنتاج مدى بساطة التدريب والاستدلال داخل Python API.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset with automated hyperparameter tuning
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Perform fast inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")
results[0].show()

Link to this sectionحالات الاستخدام المثالية#

متى تستخدم EfficientDet: تظل EfficientDet خياراً قابلاً للتطبيق في بيئات البحث الراسخة في خطوط أنابيب TensorFlow أو قيود محددة مرتبطة بـ CPU حيث تؤدي البنى المبكرة مثل d0 بشكل كافٍ.

متى تستخدم YOLO11: يعد YOLO11 الخيار النهائي لعمليات النشر المؤسسية الحديثة. سرعتها الاستثنائية تجعلها مثالية لـ المركبات ذاتية القيادة، وتحليلات الرياضة في الوقت الفعلي، واكتشاف عيوب التصنيع عالي الإنتاجية. علاوة على ذلك، يتيح استخدامها المنخفض للذاكرة النشر المرن على الأجهزة ذات الموارد المحدودة مثل NVIDIA Jetson.

Link to this sectionنظرة إلى المستقبل: ترقية YOLO26#

بينما يتمتع YOLO11 بقدرات استثنائية، يجب على المطورين الذين يبدأون مشاريع جديدة تقييم بنى Ultralytics الأخرى مثل YOLOv8 المثبت أو YOLO26 الذي تم إصداره حديثاً. تم إطلاق YOLO26 في أوائل عام 2026، وهو يأخذ أساس YOLO11 ويقدم العديد من الابتكارات الرائدة:

• تصميم بدون NMS من البداية إلى النهاية: بناءً على إرث YOLOv10، يلغي YOLO26 تماماً قمع غير الأقصى (NMS) أثناء المعالجة اللاحقة، مما يقلل زمن الانتقال ويبسط خطوط أنابيب النشر.
• محسن MuSGD: محسن هجين يمزج بين SGD القياسي و Muon (مستوحى من تدريب نماذج اللغات الكبيرة)، مما يحسن استقرار التدريب بشكل جذري.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: تحسينات محددة تجعل YOLO26 قوياً بشكل لا يصدق على الأجهزة الطرفية التي تفتقر إلى GPUs منفصلة.
• ProgLoss + STAL: دوال خسارة متقدمة تحسن بشكل ملحوظ اكتشاف الأشياء الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.

استكشف المشهد الأوسع لبنى الرؤية، بما في ذلك الكاشفات القائمة على المحولات (transformer) مثل RT-DETR، في مستندات Ultralytics الشاملة.