EfficientDet مقابل YOLOv10#

في مجال الرؤية الحاسوبية سريع التطور، يعد اختيار بنية كشف الكائنات المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وزمن الاستجابة والكفاءة الحاسوبية. يقارن هذا الدليل التقني الشامل بين نموذجين مؤثرين للغاية: EfficientDet من Google وYOLOv10 من جامعة تسينغهوا. ويمثل كلا النموذجين قفزات مهمة في كشف الكائنات، لكنهما يتبعان نهجين مختلفين تمامًا في التصميم المعماري وتحسين النماذج.

سنستكشف البنى الأساسية لهذين النموذجين، ونراجع معايير الأداء على مجموعات البيانات القياسية مثل COCO، ونناقش كيفية دمجهما في خطوط أنابيب التعلم الآلي الحديثة، مع تسليط الضوء تحديدًا على مزايا منظومة Ultralytics الشاملة.

EfficientDet: رائد التحجيم المركب#

وضع EfficientDet، الذي طُرح في أواخر عام 2019، معيارًا جديدًا لكشف الكائنات القابل للتوسع وعالي الدقة، إذ قدم نهجًا منهجيًا لتوسيع أبعاد الشبكة.

الابتكارات الرئيسية والبنية#

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• الجهة: Google Brain
• التاريخ: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: مستودع EfficientDet

بُني EfficientDet على العمود الفقري EfficientNet، مستفيدًا من شبكة هرم السمات ثنائية الاتجاه الجديدة (BiFPN). وعلى خلاف شبكات هرم السمات (FPN) التقليدية التي تجمع السمات دون تمييز أهميتها، يستخدم BiFPN أوزانًا قابلة للتعلم لدمج السمات متعددة المقاييس. وهذا يتيح للشبكة تعلم السمات ذات الدقة التي تسهم أكثر في التنبؤ النهائي بفاعلية. علاوة على ذلك، يستخدم EfficientDet أسلوب التحجيم المركب الذي يوسّع الدقة والعمق والعرض بشكل موحد لشبكات العمود الفقري والسمات والتنبؤ بالصناديق/الفئات في الوقت نفسه.

يظل EfficientDet خيارًا متينًا للأنظمة القديمة المدمجة بعمق مع خطوط أنابيب TensorFlow الأقدم، لكنه يتطلب قدرًا كبيرًا من الذاكرة أثناء التدريب، ويعتمد على منظومة أقدم قد يصعب التعامل معها مقارنةً بأطر العمل الحديثة والديناميكية.

تعرّف على المزيد عن EfficientDet

YOLOv10: مبتكر التصميم الخالي من NMS#

أُطلق YOLOv10 في منتصف عام 2024، وأحدث تغييرًا جذريًا في نهج كشف الكائنات في الوقت الفعلي من خلال إلغاء الحاجة إلى كبح الصناديق غير القصوى (NMS) أثناء المعالجة اللاحقة، ما خفّض زمن استجابة الاستدلال بدرجة كبيرة.

الابتكارات الرئيسية والبنية#

• المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: مستودع YOLOv10

يقدم YOLOv10 استراتيجية إسناد مزدوج متسقة للتدريب الخالي من NMS. فمن خلال استخدام إسناد التسميات واحد إلى متعدد وواحد إلى واحد أثناء التدريب، تتعلم الشبكة إنتاج صناديق إحاطة متطابقة بشكل فريد دون الاعتماد على NMS لتصفية التكرارات. ويقلل تصميم النموذج الشامل، المدفوع بالكفاءة والدقة، التكرار الحاسوبي، ما يجعله خيارًا ممتازًا لـالحوسبة الطرفية وتطبيقات بث الفيديو منخفضة زمن الاستجابة. كما يتكامل بسلاسة مع منظومة Ultralytics، مانحًا المطورين إمكانية الوصول إلى واجهة Python API بالغة السهولة.

تعرّف على المزيد حول YOLOv10

مقارنة الأداء: الدقة والسرعة والكفاءة#

عند نشر النماذج في سيناريوهات واقعية، ينبغي للمطورين موازنة متوسط الدقة (mAP) مع عدد المعلمات والعمليات الحاسوبية (FLOPs). ويوضح الجدول أدناه هذه المقاييس عبر إصدارات التحجيم لكلا النموذجين.

ملاحظة: يتطلب إصدار YOLOv10n عددًا أقل بكثير من المعلمات (2.3M)، ويحقق سرعات TensorRT أفضل بكثير (1.84ms) مقارنةً بإصدارات EfficientDet المبكرة، ما يجعله أكثر ملاءمةً بكثير لـالاستدلال في الوقت الفعلي في بيئات الإنتاج.

لماذا تختار Ultralytics لنشر النماذج؟#

على الرغم من الأهمية التاريخية والبنيوية لكلا النموذجين، قد يشكل دمجهما في خطوط الأنابيب الحديثة تحديًا. وهنا تتألق منصة Ultralytics. فمن خلال توفير منظومة موحدة، تبسّط Ultralytics دورة الحياة بأكملها، بدءًا من تعليق البيانات ووصولًا إلى النشر.

1. سهولة الاستخدام: توفر حزمة Python من Ultralytics واجهة واحدة لـتدريب النماذج والتحقق والتصدير، وتستبدل مئات الأسطر من التعليمات البرمجية التمهيدية بأوامر موجزة.
2. المنظومة وتعدد الاستخدامات: بينما يتخصص EfficientDet بشدة في الكشف، تمتد نماذج Ultralytics YOLO بطبيعتها لتشمل تجزئة المثيلات، وتقدير الوضعية، وصناديق الإحاطة الموجّهة (OBB)، والتصنيف.
3. كفاءة التدريب: بفضل الاستفادة من تقنيات متطورة مثل التجميع التلقائي والتدريب الموزع، تتدرب نماذج Ultralytics بسرعة أكبر وتستهلك ذاكرة CUDA أقل بكثير من نماذج Transformer الضخمة أو بنيات TF القديمة متعددة الفروع.

مثال برمجي: تدريب YOLOv10#

إن نشر YOLOv10 باستخدام Ultralytics بالغ السهولة. يوضح مقتطف التعليمات البرمجية التالي كيفية تهيئة شبكة YOLOv10 وتدريبها وتقييمها بالكامل باستخدام واجهة Python API.

from ultralytics import YOLO

# ⁨حمّل نموذج YOLOv10 مدربًا مسبقًا (الإصدار النانوي لسرعة الأجهزة الطرفية)⁩
model = YOLO("yolov10n.pt")

# ⁨تدريب النموذج على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# ⁨قيّم النموذج على مجموعة التحقق⁩
metrics = model.val()

# ⁨تصدير النموذج إلى ONNX لنشره في بيئة الإنتاج⁩
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet وYOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات منظومة الأدوات.

متى تختار EfficientDet#

يُعد EfficientDet خيارًا قويًا لـ:

• مسارات Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
• 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 YOLOv10#

يوصى بـ YOLOv10 في الحالات التالية:

• الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
• موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
• التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• 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 تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

المستقبل هنا: إليك Ultralytics YOLO26#

على الرغم من أن YOLOv10 قدّم التصميم الثوري الخالي من NMS، فقد تطورت التقنية. ويمثل Ultralytics YOLO26، الذي أُطلق في يناير 2026، أحدث ما توصلت إليه تقنيات الذكاء الاصطناعي للرؤية. ويجمع أفضل جوانب البنى السابقة، مثل قدرات YOLO11 متعددة المهام واستقرار RT-DETR، في نموذج واحد قوي ومحسّن للغاية.

أبرز إنجازات YOLO26:

• تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرساها YOLOv10، يقدم YOLO26 رأسًا اختياريًا شاملًا واحدًا لواحد (nms=False) يتخطى NMS، ما يبسّط منطق النشر إلى الحد الأدنى.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل إزالة خسارة التركيز التوزيعي (DFL)، يقلل YOLO26 الحمل الحاسوبي الزائد بدرجة كبيرة، ما يجعله الخيار الأبرز بلا منازع لـأجهزة الذكاء الاصطناعي الطرفية.
• مُحسِّن MuSGD: يستفيد YOLO26 من ابتكارات تدريب نماذج اللغة الكبيرة (LLM). ومن خلال دمج استقرار SGD مع سرعة Muon، يتقارب بشكل أسرع وأكثر موثوقية من أي نموذج سابق.
• ProgLoss + STAL: تعالج صيغ الخسارة المتفوقة بفاعلية المشكلات المزمنة في كشف الكائنات الصغيرة، وهو مجال واجه فيه EfficientDet صعوبات تقليديًا.

الخلاصة: مواءمة النماذج مع حالات الاستخدام#

يعتمد الاختيار بين هذه الشبكات في نهاية المطاف على قيود النشر لديك:

• يظل EfficientDet موضع اهتمام أكاديمي فيما يتعلق بالتحجيم المركب، كما يناسب الباحثين الذين يصونون أنظمة TensorFlow الحالية، حيث يكون حجم أوزان النموذج (على القرص) أهم من سرعة التشغيل.
• يُعد YOLOv10 خيارًا استثنائيًا للتطبيقات التي تتطلب زمن استجابة منخفضًا للغاية، مثل تتبع الكائنات المتعددة عالي السرعة ومراقبة حركة المرور، بفضل بنيته الرائدة الخالية من NMS.
• أما YOLO26، فهو التوصية المثلى لمشاريع الرؤية الحاسوبية الحديثة، إذ يقدم أفضل توازن أداء من حيث الدقة والحد الأدنى لاستهلاك الذاكرة وتعدد المهام، بدعم من منظومة Ultralytics المتينة.