EfficientDet مقابل YOLO26: مقارنة تقنية شاملة

يعد اختيار بنية الرؤية الحاسوبية المناسبة خطوة حاسمة في بناء أنظمة ذكاء اصطناعي قابلة للتطوير وفعالة. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين EfficientDet القديم Google و Ultralytics المتطور. نقوم بتقييم البنى الأساسية ومقاييس الأداء ومنهجيات التدريب لمساعدتك في اختيار أفضل نموذج لقيود النشر الخاصة بك.

سلسلة النموذج ومؤلفه

إن فهم أصول هذه البنى يوفر سياقًا قيمًا فيما يتعلق بفلسفات تصميمها وحالات الاستخدام المقصودة.

EfficientDet المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
المنظمة: Google
التاريخ: 2019-11-20
Arxiv: 1911.09070
GitHub: google

تعرف على المزيد حول EfficientDet

YOLO26 المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 2026-01-14
GitHub: ultralytics

تعرف على المزيد حول YOLO26

الابتكارات المعمارية

الاختلافات في البنية بين هذين النموذجين واضحة، مما يعكس التقدم السريع في التعلم العميق على مدى السنوات القليلة الماضية.

تم بناء EfficientDet حول BiFPN (شبكة هرمية ثنائية الاتجاه) ويستخدم طريقة قياس مركبة عبر الدقة والعمق والعرض. على الرغم من أنه حقق كفاءة نظرية ممتازة في عام 2019، إلا أنه يعتمد بشكل كبير على TensorFlow القديمة وخوارزميات البحث AutoML المعقدة التي غالبًا ما تكون صعبة التكيف مع مجموعات البيانات المخصصة.

في المقابل، يمثل Ultralytics أحدث ما توصلت إليه تقنية الرؤية الحاسوبية في الوقت الفعلي. وهو يقدم العديد من التحسينات المعمارية الرائدة المصممة خصيصًا لخطوط الإنتاج الحديثة:

تصميم شامل NMS: YOLO26 هو نظام شامل بطبيعته، مما يلغي تمامًا الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression (NMS). هذا النهج الثوري، الذي تم ابتكاره لأول مرة في YOLOv10، يضمن منطق نشر أسرع وأبسط ويقلل بشكل كبير من تباين زمن الاستجابة على رقائق الحافة.
إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، يبسط YOLO26 رأس الإخراج، مما يؤدي إلى توافق فائق مع الحوسبة الطرفية والأجهزة منخفضة الطاقة.
محسّن MuSGD: مستوحى من ابتكارات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من SGD Muon. يوفر هذا تدريبًا أكثر استقرارًا وتقاربًا أسرع بكثير من المحسّنات القياسية.
ProgLoss + STAL: أدى إدخال تقنية Progressive Loss (الخسارة التقدمية) جنبًا إلى جنب مع تقنية Scale-aware Task-aligned Learning (STAL) (التعلم المتوافق مع المهام والمدرك للمقياس) إلى تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية بالنسبة للصور الجوية والروبوتات.

نصيحة احترافية: النشر NMS

نظرًا لأن YOLO26 يلغي NMS يمكن تنفيذ النموذج بأكمله كرسم بياني حسابي واحد ومستمر. وهذا يجعل التصدير إلى تنسيقات مثل ONNX أو TensorRT بسهولة بالغة ويزيد منGPU إلى أقصى حد.

مقاييس ومعايير الأداء

يكمن الاختبار الحقيقي لأي نموذج للكشف عن الأشياء في أدائه في العالم الواقعي. يقارن الجدول أدناه الدقة، المقاسة بمتوسط الدقة (mAP)، مع سرعات الاستدلال ومتطلبات الحوسبة.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
EfficientDet-d0	640	34.6	10.2	3.92	3.9	2.54
EfficientDet-d1	640	40.5	13.5	7.31	6.6	6.1
EfficientDet-d2	640	43.0	17.7	10.92	8.1	11.0
EfficientDet-d3	640	47.5	28.0	19.59	12.0	24.9
EfficientDet-d4	640	49.7	42.8	33.55	20.7	55.2
EfficientDet-d5	640	51.5	72.5	67.86	33.7	130.0
EfficientDet-d6	640	52.6	92.8	89.29	51.9	226.0
EfficientDet-d7	640	53.7	122.0	128.07	51.9	325.0

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

كما هو موضح أعلاه، يوفر YOLO26 توازنًا فائقًا في الأداء. في حين أن البنى القديمة قد تنتج أحيانًا FLOPs نظرية منخفضة، يستخدم YOLO26 أنماط وصول إلى الذاكرة محسّنة لتحقيق GPU أسرع بكثير. على سبيل المثال، يصل YOLO26x إلى 57.5 mAP مذهلًا بينما يعمل بسرعة أكبر بنحو 10 أضعاف على TensorRT مقارنةً بنظيره EfficientDet-d7. علاوة على ذلك، يتميز YOLO26 بتحسينات تؤدي إلى CPU أسرع بنسبة تصل إلى 43٪ مقارنةً YOLO القديمة، مما يجعله الخيار الأول للذكاء الاصطناعي المتطور.

ميزة النظام البيئي لـ Ultralytics

نادراً ما يكون اختيار بنية معمارية مجرد مسألة تتعلق بـ FLOPs النظرية؛ بل يعتمد بشكل كبير على سير العمل الهندسي. يفضل المطورون Ultralytics بشكل روتيني Ultralytics سهولة الاستخدام التي لا مثيل لها.

غالبًا ما يتطلب تدريب EfficientDet إدارة معقدة للتبعية، وضبطًا يدويًا للمعلمات الفائقة، TensorFlow قديمة. على العكس من ذلك، تتميز Ultralytics بواجهة برمجة تطبيقات بسيطة وأنيقة. تمتد هذه التجربة السلسة مباشرة إلى Ultralytics التي تتولى التدريب السحابي، وتوضيح البيانات، وتتبع التجارب في الوقت الفعلي بشكل فوري.

علاوة على ذلك، تعاني أجهزة الكشف القائمة على المحولات ونماذج AutoML المعقدة من استهلاك هائل للذاكرة. تشتهر Ultralytics بمتطلباتها العالية الكفاءة من حيث الذاكرة، مما يعني أنه يمكنك تدريب نماذج قوية على أجهزة من فئة المستهلكين دون مواجهة أخطاء نفاد الذاكرة (OOM).

التنوع ودعم المهام

EfficientDet هي شبكة كشف كائنات بحتة. YOLO26 هو متعلم متعدد المهام موحد. ويشمل ابتكارات خاصة بالمهام مدمجة أصلاً في البنية:

خسارة التجزئة الدلالية وبروتو متعدد المقاييس لتجزئة مثالية للمثيلات.
تقدير احتمالية السجل المتبقي (RLE) لتحسين دقة تقدير الوضع بشكل كبير.
روتينات متخصصة لفقدان الزاوية لحل مشكلات الحدود في الصناديق المحددة الاتجاه (OBB).

دعم الأنظمة القديمة

إذا كنت تقوم بصيانة أنظمة قديمة، فإن Ultralytics تدعم بشكل كامل YOLO11 والتكرارات الأقدم في نفس واجهة برمجة التطبيقات (API) بالضبط. ومع ذلك، بالنسبة لجميع التطورات الجديدة، يوفر YOLO26 أفضل عائد من حيث الموارد إلى الدقة.

حالات الاستخدام والتوصيات

يعتمد الاختيار بين EfficientDet و YOLO26 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار EfficientDet

يعد EfficientDet خيارًا قويًا لـ:

Google و TPU : أنظمة متكاملة بشكل عميق مع واجهات برمجة تطبيقات Google Vision أو TPU حيث يتمتع EfficientDet بتحسين أصلي.
أبحاث التوسع المركب: مقارنة أكاديمية تركز على دراسة آثار التوازن بين عمق الشبكة وعرضها وتوسع الدقة.
النشر عبر الأجهزة المحمولة باستخدام TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow لأجهزة Android أجهزة Linux المدمجة.

متى تختار YOLO26

يوصى باستخدام YOLO26 في الحالات التالية:

نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

مثال على التنفيذ: تدريب YOLO26

بفضلPython لا يتطلب بدء تشغيل تدريب محسّن للغاية سوى بضع أسطر من التعليمات البرمجية. يتعامل إطار العمل بشكل أصلي مع قياس الدقة المختلطة،GPU عبر PyTorch، وخطوط الأنابيب المعززة.

from ultralytics import YOLO

# Load the lightweight, end-to-end YOLO26n model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset leveraging the robust MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Automatically engages GPU acceleration
)

# Export natively to ONNX without NMS plugins
exported_path = model.export(format="onnx")
print(f"Model seamlessly exported to: {exported_path}")

الخلاصة: أي نموذج يجب أن تختاره؟

عند مقارنة EfficientDet و YOLO26، يتضح مسار الصناعة. يظل EfficientDet خطوة تاريخية مهمة في أبحاث التوسع المركب. ومع ذلك، بالنسبة للتطبيقات الحديثة — سواء تم نشرها على مجموعات السحابة أو أجهزة Raspberry Pi المقيدة — فإن الاختيار يميل بشدة نحو Ultralytics.

من خلال التخلص NMS وتحسين VRAM بشكل كبير، ودمج التكنولوجيا في نظام بيئي عالمي المستوى للمطورين، فإن YOLO26 هي بالتأكيد البنية الموصى بها للرؤية الحاسوبية القوية والجاهزة للإنتاج. سواء كنت تكتشف عيوب التصنيع أو ترسم خرائط المحاصيل الزراعية، فإن Ultralytics تضمن لك الانتقال من مجموعة البيانات إلى النشر بسرعة ودقة لا مثيل لهما.