EfficientDet مقابل YOLO11: مقارنة تقنية شاملة

يعد اختيار بنية الشبكة العصبية المثلى أساسًا لأي تطبيق ناجح للرؤية الحاسوبية. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين EfficientDet Google و Ultralytics YOLO11، ويحلل الاختلافات في البنية ومقاييس الأداء وسيناريوهات النشر المثالية.

سواء كنت تستهدف زمن انتقال يبلغ أجزاء من الألف من الثانية على أجهزة الذكاء الاصطناعي المتطورة أو تحتاج إلى دقة قابلة للتطوير للاستدلال القائم على السحابة، فإن فهم الفروق الدقيقة بين هذه النماذج أمر بالغ الأهمية.

ملفات تعريف النماذج والتفاصيل الفنية

فهم نسب كل بنية وفلسفة التصميم الكامنة وراءها يساعد على وضع أدائها في سياق مهام الكشف عن الأشياء في العالم الحقيقي.

EfficientDet

طور باحثو Google برنامج EfficientDet الذي قدم نهجًا مبدئيًا لتوسيع نطاق شبكات الكشف عن الكائنات إلى جانب شبكة BiFPN (شبكة هرمية ثنائية الاتجاه) الجديدة.

• المؤلفون: مينغشينغ تان، رومينغ بانغ، وكوك ف. لي
• المؤسسة:Google
• التاريخ: 2019-11-20
• أرشيف: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

تعرف على المزيد حول EfficientDet

YOLO11

YOLO11 تطوراً مهماً في Ultralytics حيث يوسع حدود الأداء في الوقت الفعلي وكفاءة المعلمات والتعلم متعدد المهام.

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2024-09-27
• GitHub:https://github.com/ultralytics/ultralytics
• الوثائق:https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

مقارنة معمارية

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

يستفيد EfficientDet من العمود الفقري EfficientNet ويقدم BiFPN، الذي يسمح بدمج الميزات متعددة المستويات من أعلى إلى أسفل ومن أسفل إلى أعلى. ويستخدم طريقة تحجيم مركبة تقوم بتحجيم الدقة والعمق والعرض بشكل موحد لجميع شبكات العمود الفقري وشبكات الميزات وشبكات التنبؤ بالصندوق/الفئة في وقت واحد. على الرغم من فعاليته العالية في تعظيم متوسط الدقة (mAP)، إلا أن التوجيه المعقد في BiFPN قد يؤدي في بعض الأحيان إلى اختناق عرض النطاق الترددي للذاكرة أثناء الاستدلال.

من ناحية أخرى، يستخدم YOLO11 وحدة C2f محسّنة ورأس كشف متطور بدون مرساة. يقلل هذا النهج المبسط من النفقات العامة أثناء استخراج الميزات. Ultralytics YOLO11 استخدام GPU مما أدى إلى انخفاض متطلبات الذاكرة بشكل كبير أثناء التدريب والاستدلال مقارنة بالبنى القديمة أو نماذج المحولات الثقيلة.

معايير الأداء

يُقارن الجدول أدناه أداء كلتا العائلتين النموذجيتين عبر مختلف المقاييس على COCO .

تحليل متوازن: نقاط القوة والضعف

GPU : YOLO11 على GPU . على سبيل المثال، يوفر YOLO11m معدل mAP 51.5٪ بسرعة فائقة تبلغ 4.7 مللي ثانية على GPU T4 GPU TensorRT. لتحقيق دقة مماثلة، يستغرق EfficientDet-d5 67.86 مللي ثانية، أي أبطأ بأكثر من 14 مرة. وهذا يسلط الضوء على التوازن الفائق في الأداء Ultralytics للتطبيقات في الوقت الفعلي.

CPU : تتميز EfficientDet بسرعات CPU عالية التحسين في إصداراتها الأصغر (مثل d0 و d1) باستخدام ONNX. ومع ذلك، فإن دقتها تتدهور بشكل كبير دون تكبد خسائر كبيرة GPU في الإصدارات الأكبر حجماً مثل d7.

منهجية التدريب والنظام البيئي

غالبًا ما تكون تجربة المطورين مهمة بقدر أهمية القدرات النظرية للنموذج. وهنا يبرز Ultralytics .

يعتمد EfficientDet بشكل كبير على الإرث TensorFlow ومكتبات AutoML المعقدة. يتطلب إعداد خط أنابيب تدريب مخصص منحنيات تعلم حادة وإدارة تعقيدات التبعية وتكوين المراسي ووظائف الخسارة يدويًا.

على العكس من ذلك، Ultralytics سهولة استخدام لا مثيل لها. بدعم من PyTorch الذي يتم صيانته جيدًا، لا يتطلب تدريب YOLO سوى بضع أسطر من التعليمات البرمجية. يدير الإطار تلقائيًا ضبط المعلمات الفائقة، وزيادة البيانات المتقدمة، وجدولة معدل التعلم الأمثل بشكل فوري.

مثال على الكود: البدء في استخدام Ultralytics

يوضح هذا المقتطف القوي والجاهز للإنتاج مدى سهولة التدريب والاستدلال في Python .

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()

حالات الاستخدام المثالية

متى تستخدم EfficientDet: يظل EfficientDet خيارًا قابلاً للتطبيق في بيئات البحث التي تعتمد بشكل كبير على TensorFlow أو قيود محددة CPU حيث تعمل البنى القديمة مثل d0 بشكل مناسب.

متى تستخدم YOLO11: YOLO11 الخيار الأمثل لنشرات المؤسسات الحديثة. سرعته الاستثنائية تجعله مثاليًا للمركبات ذاتية القيادة، والتحليلات الرياضية في الوقت الفعلي، واكتشاف عيوب التصنيع عالية الإنتاجية. علاوة على ذلك، فإن استخدامه المنخفض للذاكرة يتيح نشرًا مرنًا على الأجهزة ذات الموارد المحدودة مثل NVIDIA .

التطلع إلى المستقبل: ترقية YOLO26

على الرغم من أن YOLO11 بقدرات استثنائية، إلا أن المطورين الذين يبدؤون مشاريع جديدة يجب أن يقيّموا Ultralytics الأخرى مثل YOLOv8 أو YOLO26 التي تم إصدارها مؤخرًا. تم إصدار YOLO26 في أوائل عام 2026، وهي تستند إلى أساس YOLO11 قدم العديد من الابتكارات الثورية:

• تصميم شامل NMS: بناءً على إرث YOLOv10، يزيل YOLO26 تمامًا تقنية Non-Maximum Suppression (NMS) أثناء المعالجة اللاحقة، مما يقلل من زمن الاستجابة ويبسط خطوط الإنتاج.
• MuSGD Optimizer: مُحسِّن هجين يجمع SGD القياسي SGD Muon (مستوحى من تدريب نماذج اللغة الكبيرة)، مما يحسِّن استقرار التدريب بشكل كبير.
• CPU أسرع بنسبة تصل إلى 43٪ CPU : تجعل التحسينات المحددة YOLO26 قويًا للغاية على الأجهزة الطرفية التي تفتقر إلى وحدات معالجة رسومات منفصلة.
• ProgLoss + STAL: وظائف خسارة متقدمة تعمل على تحسين اكتشاف الأجسام الصغيرة بشكل ملحوظ، وهو أمر بالغ الأهمية بالنسبة للصور الجوية والروبوتات.

استكشف المشهد الأوسع لنظم الرؤية، بما في ذلك أجهزة الكشف القائمة على المحولات مثل RT-DETR، في Ultralytics الشاملة.

تعليقات