ابدأ

EfficientDet مقابل YOLO11

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

سواء كنت تستهدف زمن استجابة بالمللي ثانية على أجهزة الذكاء الاصطناعي الطرفي أو تحتاج إلى دقة قابلة للتوسع للاستدلال السحابي، فمن المفيد فهم أوجه الاختلاف 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).

تعرّف على المزيد عن EfficientDet

YOLO11#

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

مقارنة البنى#

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

يستخدم EfficientDet العمود الفقري EfficientNet ويقدم BiFPN، الذي يتيح دمج الميزات متعددة المقاييس من أعلى إلى أسفل ومن أسفل إلى أعلى. كما يستخدم أسلوب التوسع المركب الذي يوسّع الدقة والعمق والعرض بالتساوي، وبالتزامن، في جميع شبكات العمود الفقري والميزات والتنبؤ بالصناديق/الفئات. وعلى الرغم من فعاليته الكبيرة في رفع متوسط الدقة (mAP) إلى أقصى حد، فإن التوجيه المعقد في BiFPN قد يسبب أحيانًا اختناقًا في عرض نطاق الذاكرة أثناء الاستدلال.

أما YOLO11، فيستخدم وحدة C3k2 محسّنة ورأس كشف خاليًا من المراسي. ويقلل هذا النهج المبسط النفقات الإضافية أثناء استخراج الميزات. صممت Ultralytics YOLO11 لزيادة الاستفادة من عتاد GPU إلى أقصى حد، ما أدى إلى خفض متطلبات الذاكرة كثيرًا أثناء التدريب والاستدلال مقارنة بالبنى الأقدم أو نماذج Transformer الثقيلة.

تعدد الاستخدامات والمهام

في حين يقتصر EfficientDet على كشف الأجسام، يتميز YOLO11 بمرونة كبيرة. تدعم بنية YOLO11 الواحدة أصليًا تقسيم المثيلات وتصنيف الصور وتقدير الوضعيات والصناديق المحيطة الموجّهة (OBB).

معايير الأداء#

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

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

تحليل متوازن: نقاط القوة والضعف#

يتصدر YOLO11 في بيئات GPU. فعلى سبيل المثال، يحقق YOLO11m قيمة mAP تبلغ 51.5% خلال 4.7ms على وحدة T4 GPU باستخدام TensorRT. ولتحقيق الدقة نفسها، يستغرق EfficientDet-d5 مدة 67.86ms، أي أبطأ بأكثر من 14 مرة. وهذا يبرز توازن الأداء الذي توفره نماذج Ultralytics للتطبيقات الآنية.

منهجية التدريب والمنظومة#

غالبًا ما تكون تجربة المطور بأهمية القدرات النظرية للنموذج. وهنا تتألق منظومة Ultralytics.

يعتمد EfficientDet بشدة على منظومة TensorFlow الأقدم ومكتبات AutoML المعقدة. ويتطلب إعداد خط تدريب مخصص منحنى تعلم حادًا، وإدارة معقدة للتبعيات، وإعدادًا يدويًا للمراسي ودوال الخسارة.

على النقيض، صُممت Ultralytics لتكون سهلة الاستخدام. وبفضل منظومة PyTorch التي تحظى بصيانة جيدة، لا يتطلب تدريب نموذج YOLO سوى بضعة أسطر من التعليمات البرمجية. ويتولى الإطار البرمجي تلقائيًا زيادة البيانات وجدولة معدل التعلم مباشرةً، كما يتضمن ضبط المعلمات الفائقة مدمجًا.

مثال برمجي: البدء باستخدام Ultralytics#

يوضح هذا المقتطف 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 مناسبًا لبيئات البحث المعتمدة بشدة على مسارات عمل TensorFlow.

متى تستخدم YOLO11: يُعد YOLO11 خيارًا قويًا لعمليات النشر المؤسسية الحديثة. وتجعله سرعته مناسبًا تمامًا لـالمركبات ذاتية القيادة، وتحليلات الرياضة الآنية، وكشف عيوب التصنيع عالي الإنتاجية. كما يتيح انخفاض استهلاكه للذاكرة نشره بمرونة على الأجهزة محدودة الموارد مثل NVIDIA Jetson.

نظرة إلى المستقبل: الترقية إلى YOLO26#

على الرغم من قدرات YOLO11 الكبيرة، ينبغي للمطورين الذين يبدؤون مشاريع جديدة تقييم YOLO26 الذي صدر حديثًا، مع استمرار توفر YOLOv8 المجرب لعمليات النشر الحالية. صدر YOLO26 في يناير 2026، واستند إلى YOLO11 وأضاف عدة ابتكارات:

  • تصميم شامل خالٍ من NMS: استنادًا إلى YOLOv10، يستطيع YOLO26 تخطي المعالجة اللاحقة الخاصة بكبت غير الأقصى (NMS) بالكامل باستخدام رأس واحد إلى واحد اختياري (nms=False)، ما يقلل زمن الاستجابة ويبسط خطوط النشر.
  • مُحسِّن MuSGD: مُحسِّن هجين يجمع بين SGD القياسي وMuon (المستوحى من تدريب نماذج اللغة الكبيرة)، ويحسّن استقرار التدريب.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة تصل إلى 43% أكثر من YOLO11n على CPU، ما يجعل YOLO26 مناسبًا للأجهزة الطرفية التي لا تحتوي على GPU منفصل.
  • ProgLoss + STAL: تحسّن الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة كشف الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية والروبوتات.

استكشف نطاقًا أوسع من بُنى الرؤية، بما في ذلك الكواشف القائمة على Transformer مثل RT-DETR، في وثائق Ultralytics.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.