مقارنة بين EfficientDet وYOLO11#

يُعد اختيار بنية الشبكة العصبية المثلى أساس أي تطبيق ناجح في الرؤية الحاسوبية. يقدم هذا الدليل الشامل مقارنة تقنية معمقة بين EfficientDet من Google وUltralytics YOLO11، مع تحليل اختلافاتهما المعمارية ومقاييس الأداء وسيناريوهات النشر المثالية.

سواء كنت تستهدف زمن استجابة بالمللي ثانية على أجهزة الذكاء الاصطناعي الطرفي أو تحتاج إلى دقة قابلة للتوسع للاستدلال المستند إلى السحابة، فإن فهم الفروق الدقيقة بين هذه النماذج أمر بالغ الأهمية.

ملفات تعريف النماذج والتفاصيل التقنية#

يساعد فهم تسلسل نشأة كل بنية وفلسفتها التصميمية الأساسية على وضع أدائها في سياق مهام اكتشاف الأجسام الواقعية.

EfficientDet#

طوّر EfficientDet باحثون في Google Brain، وقدّم نهجًا منهجيًا لتوسيع نطاق شبكات اكتشاف الأجسام بالتوازي مع BiFPN، أي شبكة هرم الميزات 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

اعرف 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
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• التوثيق: https://docs.ultralytics.com/models/yolo11

مقارنة البنى المعمارية#

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

يعتمد EfficientDet على البنية الأساسية EfficientNet ويقدم BiFPN، ما يتيح دمج الميزات متعددة المقاييس من الأعلى إلى الأسفل ومن الأسفل إلى الأعلى. ويستخدم أسلوب تحجيم مركبًا يوسّع الدقة والعمق والعرض بصورة موحّدة لجميع شبكات البنية الأساسية وشبكة الميزات وشبكات التنبؤ بالصناديق/الفئات في آن واحد. وعلى الرغم من فعاليته الكبيرة في زيادة 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 متقدمًا خاليًا من المراسي. يقلل هذا النهج المبسّط من النفقات العامة أثناء استخراج الميزات. صممت Ultralytics YOLO11 لتعظيم الاستفادة من عتاد GPU، ما يؤدي إلى متطلبات ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنةً بالبنى الأقدم أو نماذج Transformer الثقيلة القائمة على المحولات.

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% بزمن مذهل قدره 4.7ms على GPU من طراز T4 باستخدام TensorRT. ولتحقيق دقة مماثلة، يستغرق EfficientDet-d5 زمنًا قدره 67.86ms، أي أبطأ بأكثر من 14 مرة. ويسلط ذلك الضوء على التوازن المتفوق في الأداء الذي توفره نماذج Ultralytics للتطبيقات في الوقت الفعلي.

بيئات CPU: يُظهر EfficientDet سرعات استدلال محسّنة بدرجة كبيرة على CPU في إصداراته الأصغر، مثل d0 وd1، باستخدام ONNX. إلا أن دقته تتوسع بصورة ضعيفة من دون تكبّد عقوبات كبيرة في زمن استجابة GPU في الإصدارات الأكبر مثل d7.

منهجية التدريب والمنظومة#

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

يعتمد EfficientDet بدرجة كبيرة على منظومة TensorFlow القديمة ومكتبات AutoML المعقدة. ويتطلب إعداد مسار تدريب مخصص منحنى تعلم حادًا وإدارة معقدة للتبعيات وتهيئة يدوية للمراسي ودوال الخسارة.

وعلى النقيض، تقدم Ultralytics سهولة استخدام لا مثيل لها. وبفضل منظومة PyTorch جيدة الصيانة، لا يتطلب تدريب نموذج YOLO سوى بضعة أسطر من التعليمات البرمجية. ويتولى الإطار تلقائيًا إدارة ضبط المعلمات الفائقة وزيادات البيانات المتقدمة وجدولة معدل التعلم المثلى مباشرةً.

مثال برمجي: بدء الاستخدام مع Ultralytics#

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

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 صالحًا لبيئات البحث المتجذرة بعمق في مسارات TensorFlow أو للقيود المحددة المرتبطة بـ CPU، حيث تؤدي البنى المبكرة مثل d0 أداءً ملائمًا.

متى تستخدم YOLO11: يُعد YOLO11 الخيار الحاسم لعمليات النشر المؤسسية الحديثة. وتجعل سرعته الاستثنائية منه مناسبًا تمامًا لـالمركبات ذاتية القيادة وتحليلات الرياضات في الوقت الفعلي واكتشاف عيوب التصنيع عالي الإنتاجية. علاوة على ذلك، يتيح استهلاكه الأقل للذاكرة نشرًا مرنًا على عتاد محدود الموارد مثل NVIDIA Jetson.

نظرة مستقبلية: ترقية YOLO26#

على الرغم من القدرات الاستثنائية لـ YOLO11، ينبغي للمطورين الذين يبدؤون مشاريع جديدة تقييم بنى Ultralytics الأخرى، مثل YOLOv8 المجرّب أو YOLO26 المُصدر حديثًا. أُطلق YOLO26 في أوائل عام 2026، وهو يستند إلى أساس YOLO11 ويقدم عدة ابتكارات رائدة:

• تصميم شامل خالٍ من NMS: استنادًا إلى إرث YOLOv10، يلغي YOLO26 تمامًا القمع غير الأقصى (NMS) أثناء المعالجة اللاحقة، ما يخفض زمن الاستجابة ويبسط مسارات النشر.
• مُحسِّن MuSGD: مُحسِّن هجين يمزج بين SGD القياسي وMuon، المستوحى من تدريب نماذج اللغة الكبيرة، ويحسّن استقرار التدريب بدرجة كبيرة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: تجعل التحسينات المحددة YOLO26 فعالًا للغاية على الأجهزة الطرفية التي تفتقر إلى GPU منفصل.
• ProgLoss + STAL: دوال خسارة متقدمة تحسّن بدرجة ملحوظة اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.

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