EfficientDet مقابل YOLO26
يُعد اختيار بنية الرؤية الحاسوبية المناسبة خطوة أساسية لبناء أنظمة ذكاء اصطناعي قابلة للتوسع وفعالة. يقدم هذا الدليل مقارنة تقنية بين EfficientDet من Google، الذي صدر في 2019، وUltralytics YOLO26، الذي صدر في يناير 2026. ويقيّم البنى الأساسية ومقاييس الأداء وأساليب التدريب لمساعدتك على اختيار أفضل نموذج وفق قيود النشر لديك.
سلالة النموذج ومؤلفوه#
يوفّر فهم أصول هذه المعماريات سياقًا قيّمًا لفلسفات تصميمها وحالات استخدامها المقصودة.
EfficientDet
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- المؤسسة: Google Research
- التاريخ: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
تعرّف على المزيد عن EfficientDet
YOLO26
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: ultralytics/ultralytics
ابتكارات البنية#
تعكس الاختلافات المعمارية بين هذين النموذجين تباينًا كبيرًا، وتجسّد التقدم السريع الذي شهده التعلم العميق خلال السنوات الأخيرة.
بُني EfficientDet حول BiFPN (شبكة هرم السمات ثنائية الاتجاه)، ويستخدم أسلوب تحجيم مركب عبر الدقة والعمق والعرض. ورغم تحقيقه كفاءة ممتازة في 2019، فإنه يعتمد بشدة على أطر TensorFlow الأقدم وخوارزميات البحث المعقدة للتعلم الآلي الآلي، التي يصعب غالبًا تكييفها مع مجموعات البيانات المخصصة.
وعلى النقيض، يُعد Ultralytics YOLO26 أحدث نماذج Ultralytics للرؤية الحاسوبية الآنية. ويقدم تحسينات معمارية متعددة صُممت لمسارات النشر الحديثة:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يوفر YOLO26 رأسًا أصليًا شاملًا من البداية إلى النهاية، واحدًا إلى واحد (
nms=False) يلغي الحاجة إلى المعالجة اللاحقة باستخدام كبح المربعات غير القصوى (NMS). ويوفر هذا النهج، الذي قُدّم لأول مرة في YOLOv10، منطق نشر أسرع وأبسط ويقلل تفاوت زمن الاستجابة على الشرائح الطرفية. - إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يبسّط YOLO26 رأس الإخراج، ما يحسّن التوافق مع الحوسبة الطرفية والأجهزة منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة، مثل التقنيات المستخدمة في Moonshot AI's Kimi K2، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon. ويحقق ذلك تدريبًا أكثر استقرارًا وتقاربًا أسرع مقارنة بالمُحسِّنات القياسية.
- ProgLoss + STAL: يحقق الجمع بين الخسارة التدريجية (ProgLoss) وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية والروبوتات.
مقاييس الأداء والمعايير المرجعية#
الاختبار الحقيقي لأي نموذج لكشف الأجسام هو أداؤه في العالم الفعلي. يقارن الجدول أدناه الدقة، المقاسة بـمتوسط الدقة (mAP)، بسرعات الاستدلال والمتطلبات الحاسوبية.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
كما هو موضح أعلاه، يقدّم YOLO26 توازنًا أفضل بكثير بين الأداء. فبينما تتميز أصغر إصدارات EfficientDet بانخفاض FLOPs، يحقق YOLO26 استدلالًا أسرع بكثير على GPU عند كل مستويات الدقة. فعلى سبيل المثال، يحقق YOLO26x قيمة 57.5 mAP، مع سرعة تزيد على 10 أضعاف سرعة EfficientDet-d7 على T4 TensorRT. كما يقدم YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعل YOLO26 خيارًا قويًا لـالذكاء الاصطناعي الطرفي.
ميزة منظومة Ultralytics#
نادرًا ما يقتصر اختيار البنية على FLOPs النظرية؛ إذ يعتمد بدرجة كبيرة على سير العمل الهندسي. ويختار كثير من المطورين Ultralytics لما توفره من سهولة الاستخدام.
غالبًا ما يتطلب تدريب EfficientDet إدارة معقدة للتبعيات، وضبطًا يدويًا للمعلمات الفائقة، وإعدادات TensorFlow قديمة. أما نماذج Ultralytics، فتتميز بواجهة API بسيطة. وتمتد التجربة ذاتها إلى منصة Ultralytics، التي تتولى التدريب السحابي وتعليق البيانات وتتبع التجارب في الوقت الفعلي مباشرةً.
تميل الكواشف القائمة على Transformer ونماذج AutoML المعقدة أيضًا إلى استهلاك كميات كبيرة من الذاكرة. وتشتهر نماذج Ultralytics بكفاءة متطلبات الذاكرة، ما يتيح لك تدريب نماذج قوية على أجهزة بمواصفات استهلاكية دون مواجهة أخطاء نفاد الذاكرة (OOM).
تعدد الاستخدامات ودعم المهام#
إن EfficientDet شبكة مخصصة حصرًا لـكشف الكائنات. أما YOLO26 فهو نموذج موحد متعدد المهام، ويتضمن ابتكارات خاصة بكل مهمة مدمجة في بنيته:
- خسارة التقسيم الدلالي والنموذج الأولي متعدد المقاييس لإنتاج أقنعة تقسيم المثيلات بجودة أعلى.
- تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحسين دقة تقدير الوضعيات.
- إجراءات متخصصة لخسارة الزاوية لمعالجة مشكلات الحدود في صناديق الإحاطة الموجّهة (OBB).
إذا كنت تتولى صيانة أنظمة أقدم، فلا تزال Ultralytics تدعم بالكامل YOLO11 والإصدارات الأقدم عبر واجهة API نفسها. أما جميع التطويرات الجديدة، فيوفر YOLO26 فيها أفضل مردود للموارد مقابل الدقة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet وYOLO26 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات منظومة الأدوات.
متى تختار EfficientDet#
يُعد EfficientDet خيارًا قويًا لـ:
- مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
- أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
- النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة Android أو أجهزة Linux المضمنة.
متى تختار YOLO26#
يوصى بـ YOLO26 لما يلي:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n)، أفضلية واضحة.
- كشف الأجسام الصغيرة: سيناريوهات صعبة، مثل الصور الملتقطة بطائرات مسيّرة جوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الصغيرة بدرجة كبيرة.
مثال على التنفيذ: تدريب YOLO26#
باستخدام حزمة Ultralytics Python، لا يتطلب بدء تشغيل تدريب محسّن سوى بضعة أسطر من التعليمات البرمجية. ويتولى الإطار البرمجي أصليًا ضبط الدقة المختلطة، وتنسيق العمل على وحدات GPU متعددة عبر PyTorch، وخطوط معالجة زيادة البيانات.
from ultralytics import YOLO
# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")
# Train on the COCO8 dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Train on the first CUDA GPU
)
# Export the NMS-free end-to-end head to ONNX
exported_path = model.export(format="onnx", nms=False)
print(f"Model seamlessly exported to: {exported_path}")الخلاصة: أي نموذج ينبغي أن تختار؟#
يظل EfficientDet محطة مهمة في أبحاث التوسع المركب. لكن المقارنة ترجّح Ultralytics YOLO26 للتطبيقات الحديثة، سواء نُشرت على عناقيد سحابية أو أجهزة Raspberry Pi محدودة الموارد.
بإزالة NMS، وخفض متطلبات VRAM، والتكامل مع منظومة مطورين ناضجة، يصبح YOLO26 البنية الموصى بها للرؤية الحاسوبية القوية والجاهزة للإنتاج. سواء أكنت تكشف عيوب التصنيع أم ترسم خرائط للمحاصيل الزراعية، تساعدك منصة Ultralytics على الانتقال سريعًا من مجموعة البيانات إلى النشر.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.