مقارنة بين EfficientDet و YOLO11#

يعد اختيار هيكل الشبكة العصبية الأمثل أساس أي تطبيق ناجح في مجال computer vision. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين نموذج EfficientDet من Google وUltralytics YOLO11، حيث يحلل فروقها الهيكل، ومقاييس الأداء، سيناريوهات النشر المثالية.

سواء كنت تستهدف زمن انتقال بالميلي ثانية على أجهزة edge AI أو تتطلب دقة قابلة للتوسع للاستدلال السحابي، فإن فهم دقيقة هذه النماذج أمر بالغ الأهمية.

ملفات تعريف النماذج والتفاصيل التقنية#

يساعد فهم السلالة وفلسفة التصميم الأساسية لكل هيكل في وضع أداؤها في سياقه في مهام object detection الواقعية.

EfficientDet#

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
• المؤسسة: Google
• التاريخ: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• التوثيق: https://github.com/google/automl/tree/master/efficientdet#readme

اعرف المزيد عن EfficientDet

YOLO11#

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

مقارنة معمارية#

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

تستفيد EfficientDet من العمود الفقري EfficientNet وتقدم BiFPN، مما يسمح بدمج الميزات متعددة المقاييس من الأعلى إلى الأسفل ومن الأسفل إلى الأعلى. وتستخدم طريقة تحجيم مركبة تقوم بتحجيم الدقة والعمق والعرض بشكل موحد لجميع شبكات العمود الفقري، وشبكة الميزات، وشبكات التنبؤ بالصناديق/الفئات في وقت واحد. وبينما تعد فعالة للغاية لزيادة mean Average Precision (mAP) إلى أقصى حد، فإن التوجيه المعقد في BiFPN يمكن أن يمثل أحياناً عنق زجاجة لعرض نطاق الذاكرة أثناء الاستدلال.

من ناحية أخرى، تستخدم YOLO11 وحدة C3k2 محسنة ورأس الكشف المتقدم الخالي من المراسي. يقلل هذا النهج المبسط من الحمل الزائد أثناء استخراج الميزات. صممت Ultralytics نموذج YOLO11 لزيادة استخدام الأجهزة الرسومية (GPU) إلى أقصى حد، مما ينتج عنه متطلبات ذاكرة أقل بشكل ملحوظ أثناء كل من التدريب والاستدلال مقارنة بالهياكل القديمة أو نماذج transformer الثقيلة.

مقاييس الأداء#

يقارن الجدول أدناه أداء كلا عائلتي النماذج عبر مقاييس مختلفة على COCO dataset.

تحليل متوازن: نقاط القوة والضعف#

تسريع GPU: تتفوق YOLO11 في بيئات GPU. على سبيل المثال، يوفر YOLO11m متوسط دقة (mAP) يبلغ 51.5% بسرعة مذهلة تبلغ 4.7 مللي ثانية على وحدة معالجة رسومات T4 باستخدام TensorRT. ولتحقيق دقة قابلة للمقارنة، تستغرق EfficientDet-d5 نحو 67.86 مللي ثانية — أي أبطأ بأكثر من 14 مرة. يبرز هذا التوازن المتفوق في أداء نماذج Ultralytics للتطبيقات في الوقت الفعلي.

بيئات وحدة المعالجة المركزية (CPU): تُظهر EfficientDet سرعات استدلال محسنة للغاية على CPU في متغيراتها الأصغر (مثل d0 و d1) باستخدام ONNX. ومع ذلك، تتدرج دقتها بشكل سيء دون تكبد عقوبات زمن انتقال هائلة في وحدة المعالجة المركزية في المتغيرات الأكبر مثل d7.

منهجية 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 تبعيات معقدة، وتكوينًا يدويًا للمراسي وloss functions.

في المقابل، توفر Ultralytics سهولة استخدام لا مثيل لها. مدعومة بنظام PyTorch مُدار جيدًا، يتطلب تدريب نموذج YOLO بضع أسطر فقط من الكود. يدير الإطار تلقائيًا hyperparameter tuning، وتعزيزات البيانات المتقدمة، وجدولة معدل التعلم الأمثل خارجสถาน الصندوق.

مثال برمجي: البدء مع Ultralytics#

يوضح هذا المقتطف القوي الجاهز للإنتاج مدى سهولة التدريب والاستدلال ضمن 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()

حالات 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: تعد YOLO11 الخيار النهائي لعمليات نشر المؤسسات الحديثة. تجعلها سرعتها الاستثنائية مثالية لـ autonomous vehicles، وتحليلات الرياضات في الوقت الفعلي، واكتشاف عيوب التصنيع عالية الإنتاجية. علاوة على ذلك، يتيح استخدامها الأقل للذاكرة النشر المرن على الأجهزة المحدودة الموارد مثل NVIDIA Jetson.

نظرة إلى المستقبل: ترقية YOLO26#

وبينما تمتلك YOLO11 قدرات استثنائية، يجب على المطورين الذين يبدؤون مشاريع جديدة تقييم هياكل Ultralytics الأخرى مثل YOLOv8 المثبتة أو YOLO26 الصادرة حديثًا. تم إصدار YOLO26 في أوائل عام 2026، حيث تأخذ أساس YOLO11 وتقدم العديد من الابتكارات الرائدة:

• تصميم بدون NMS من النهاية إلى النهاية: بناءً على إرث YOLOv10، تلغي YOLO26 تمامًا كبح الحد الأقصى غير (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 لهياكل الرؤية، بما في ذلك الكواشف القائمة على المحولات مثل RT-DETR، في Ultralytics Docs الشاملة الخاصة بنا.