تخطي إلى المحتوى

EfficientDet ضد YOLOv10: مقارنة فنية

يعد اختيار نموذج الكشف عن الكائنات الأمثل قرارًا بالغ الأهمية يوازن بين الدقة وسرعة الاستدلال والتكلفة الحسابية. توفر هذه الصفحة مقارنة فنية مفصلة بين EfficientDet و YOLOv10، وهما نموذجان مؤثران في رؤية الكمبيوتر. سنقوم بتحليل بنيتيهما ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار أفضل نموذج لمشروعك، مع التركيز بشكل خاص على المزايا التي يوفرها YOLOv10 داخل نظام Ultralytics البيئي.

EfficientDet: بنية قابلة للتطوير وفعالة

تم تقديم EfficientDet بواسطة فريق Google Brain كعائلة من كاشفات الكائنات عالية الكفاءة والقابلة للتطوير. كان ابتكاره الأساسي هو اتباع نهج منهجي لتوسيع نطاق النموذج، بهدف تحسين كل من الدقة والكفاءة عبر مجموعة واسعة من الميزانيات الحسابية.

تفاصيل فنية:

البنية والميزات الرئيسية

تعتمد بنية EfficientDet على ثلاثة مكونات رئيسية:

  • EfficientNet Backbone: تستخدم EfficientNet عالية الكفاءة كعمود فقري لها لاستخراج الميزات، والتي صُممت نفسها باستخدام البحث عن البنية العصبية.
  • BiFPN (شبكة الهرم المميز ثنائية الاتجاه): شبكة ميزات مبتكرة تتيح دمج الميزات متعددة المقاييس بسهولة وسرعة. على عكس شبكات FPN التقليدية، تحتوي BiFPN على اتصالات ثنائية الاتجاه عبر المقاييس وتستخدم دمج الميزات المرجحة لتعلم أهمية ميزات الإدخال المختلفة.
  • التحجيم المركب: طريقة تحجيم فريدة تعمل على توسيع نطاق العمق والعرض والدقة للعمود الفقري وشبكة الميزات ورأس التنبؤ في وقت واحد باستخدام معامل مركب بسيط. وهذا يضمن بنية متوازنة ومحسنة على أي نطاق.

نقاط القوة والضعف

نقاط القوة:

  • قابلية تطوير ممتازة: توفر طريقة التحجيم المركب مسارًا واضحًا لتوسيع النموذج أو تقليصه (من EfficientDet-D0 إلى D7) لتلبية قيود الموارد المختلفة.
  • كفاءة المعلمات وعمليات النقطة العائمة في الثانية (FLOPs): في وقت إصداره، وضع معايير جديدة للكفاءة، وحقق دقة عالية مع عدد أقل من المعلمات وعمليات FLOPs مقارنةً بالكاشفات السابقة.

نقاط الضعف:

  • العمر والأداء: على الرغم من أن البنية تأسيسية، إلا أنها أقدم بعدة سنوات. تفوقت عليها النماذج الأحدث مثل YOLOv10 في كل من السرعة والموازنة بين الدقة والكفاءة، خاصة على الأجهزة الحديثة مثل وحدات معالجة الرسوميات GPUs.
  • النظام البيئي والصيانة: لا يتم صيانة المستودع الأصلي بنشاط مثل البدائل الأحدث. يفتقر إلى النظام البيئي الشامل و الوثائق الشاملة ودعم المجتمع الموجود في نماذج Ultralytics.
  • تنوع المهام: تم تصميم EfficientDet خصيصًا لاكتشاف الكائنات ولا يدعم أصلاً مهام أخرى مثل تقسيم المثيلات أو تقدير الوضع.

حالات الاستخدام المثالية

لا يزال EfficientDet نموذجًا ذا صلة بالسيناريوهات التي تكون فيها عمليات الفاصلة العائمة في الثانية (FLOPs) وعدد المعلمات هي القيود الأساسية المطلقة.

  • الأجهزة محدودة الموارد: تعتبر متغيراته الأصغر مناسبة للنشر على الأجهزة ذات القدرة الحسابية المحدودة حيث يكون لكل FLOPs أهمية.
  • قياس الأداء الأكاديمي: إنه بمثابة خط أساس قوي للبحث في كفاءة النموذج والتصميم المعماري.

تعرف على المزيد حول EfficientDet

YOLOv10: كشف فوري وشامل للكائنات

Ultralytics YOLOv10 هو كاشف كائنات في الوقت الفعلي ومتطور من جامعة Tsinghua. إنه يدفع حدود الأداء من خلال تقديم ابتكارات معمارية تقلل من التكرار الحسابي وتقضي على الحاجة إلى Non-Maximum Suppression (NMS)، مما يتيح الكشف الحقيقي من طرف إلى طرف.

تفاصيل فنية:

البنية والميزات الرئيسية

يركز تصميم YOLOv10 على الكفاءة والدقة الشاملتين.

  • تدريب بدون NMS: يستخدم تعيينات ثنائية متسقة للتسميات أثناء التدريب، مما يسمح له بتحقيق أداء تنافسي دون الحاجة إلى NMS أثناء المعالجة اللاحقة. هذا يقلل بشكل كبير من زمن الوصول للاستدلال ويبسط عملية النشر.
  • تصميم شامل للكفاءة والدقة: تم تحسين بنية النموذج من النهاية إلى النهاية. يتضمن ذلك رأس تصنيف خفيف الوزن لتقليل الحمل الحسابي وتقليل أبعاد مفصول مكانيًا وقنواتيًا للحفاظ على معلومات الميزات الغنية بكفاءة أكبر.
  • تكامل نظام Ultralytics البيئي: تم دمج YOLOv10 بسلاسة في إطار عمل Ultralytics، ويستفيد من تجربة مستخدم مبسطة، وواجهات Python و CLI بسيطة، و عمليات تدريب فعالة، وأوزان مُدرَّبة مسبقًا متاحة بسهولة.

نقاط القوة والضعف

نقاط القوة:

  • أداء هو الأفضل على الإطلاق: يقدم توازنًا استثنائيًا بين السرعة والدقة، وغالبًا ما يتفوق على النماذج القديمة مثل EfficientDet بهامش كبير في زمن الوصول الفعلي.
  • End-to-End Deployment: التصميم الخالي من NMS يجعله شاملاً حقًا، وهو ميزة كبيرة لـ الاستدلال في الوقت الفعلي.
  • سهولة الاستخدام: كجزء من نظام Ultralytics البيئي، فإن YOLOv10 سهل الاستخدام بشكل لا يصدق. يمكن للمطورين تدريب النماذج والتحقق منها ونشرها ببضعة أسطر فقط من التعليمات البرمجية.
  • نظام بيئي مُدار بشكل جيد: استفد من التطوير النشط، ومجتمع مفتوح المصدر قوي، والتحديثات المتكررة، والتكامل مع أدوات مثل Ultralytics HUB لـ MLOps السلس.
  • كفاءة الذاكرة: تم تصميم نماذج YOLOv10 للاستخدام الفعال للذاكرة، وغالبًا ما تتطلب ذاكرة CUDA أقل أثناء التدريب والاستدلال مقارنة بالبنى المعقدة الأخرى.

نقاط الضعف:

  • تخصص المهمة: مثل EfficientDet، يركز YOLOv10 بشكل أساسي على اكتشاف الأجسام. بالنسبة للمشاريع التي تتطلب إمكانات متعددة المهام، قد يكون نموذج مثل Ultralytics YOLOv8 أكثر ملاءمة لأنه يدعم التجزئة والتصنيف وتقدير الوضع في إطار عمل موحد.

حالات الاستخدام المثالية

يتفوق YOLOv10 في التطبيقات التي تكون فيها السرعة والكفاءة أمرًا بالغ الأهمية.

  • تطبيقات في الوقت الفعلي: إن زمن الوصول المنخفض يجعلها مثالية للأنظمة المستقلة، و الروبوتات، والمراقبة بالفيديو عالية السرعة.
  • Edge AI: تم تحسين المتغيرات الأصغر (YOLOv10n, YOLOv10s) بشكل كبير للنشر على أجهزة الحافة ذات الموارد المحدودة مثل NVIDIA Jetson و Raspberry Pi.
  • الأتمتة الصناعية: مثالي لمراقبة الجودة على خطوط الإنتاج، حيث يلزم اكتشاف سريع ودقيق لمواكبة عمليات التصنيع.

تعرف على المزيد حول YOLOv10

تحليل الأداء: السرعة والدقة والكفاءة

تسلط مقارنة الأداء بين EfficientDet و YOLOv10 الضوء على التطورات السريعة في بنية النموذج والتحسين.

النموذج الحجم
(بالبكسل)
mAPval
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
YOLOv10n 640 39.5 - 1.56 2.3 6.7
YOLOv10s 640 46.7 - 2.66 7.2 21.6
YOLOv10m 640 51.3 - 5.48 15.4 59.1
YOLOv10b 640 52.7 - 6.54 24.4 92.0
YOLOv10l 640 53.3 - 8.33 29.5 120.3
YOLOv10x 640 54.4 - 12.2 56.9 160.4
  • سرعة وحدة معالجة الرسوميات (GPU): يُظهر YOLOv10 ميزة كبيرة في زمن انتقال وحدة معالجة الرسوميات. على سبيل المثال، يحقق YOLOv10-B خريطة دقة متوسطة (mAP) أعلى من EfficientDet-d6 (52.7 مقابل 52.6) ولكنه أسرع بأكثر من 13 مرة على وحدة معالجة الرسوميات T4 مع TensorRT.
  • الدقة مقابل المعلمات: تقدم نماذج YOLOv10 باستمرار دقة أفضل لعدد معين من المعلمات. يتفوق YOLOv10-L على EfficientDet-d7 في الدقة (53.3 مقابل 53.7 قريب جدًا) مع كونه أسرع بأكثر من 10 مرات ويستخدم ما يقرب من نصف المعلمات.
  • الكفاءة الكلية: في حين أن EfficientDet-d0 لديها أقل عدد من FLOPs، فإن YOLOv10n يوفر mAP أعلى بكثير (39.5 مقابل 34.6) وهو أسرع بكثير على GPU مع عدد مماثل من المعلمات. يوضح هذا أن البنيات الحديثة مثل YOLOv10 توفر مقايضة كفاءة عملية أفضل من مجرد تقليل FLOPs.

الخلاصة: أي نموذج يجب أن تختاره؟

في حين أن EfficientDet كان نموذجًا رائدًا في عصره، فإن YOLOv10 هو الفائز الواضح لجميع التطبيقات الحديثة تقريبًا. فهو يوفر سرعة ودقة فائقتين، وتصميمه الشامل والخالي من NMS يمثل ميزة كبيرة للنشر في العالم الحقيقي.

بالنسبة للمطورين والباحثين، يصبح الاختيار أكثر وضوحًا من خلال فوائد نظام Ultralytics البيئي. يقدم YOLOv10:

  • أداء فائق: مقايضة أفضل بين السرعة والدقة على الأجهزة الحديثة.
  • سهولة الاستخدام: واجهة برمجة تطبيقات موحدة وبسيطة للتدريب والتحقق والاستدلال.
  • نظام بيئي قوي: الوصول إلى وثائق شاملة، ودعم مجتمعي نشط، وأدوات مثل Ultralytics HUB لتبسيط خط أنابيب MLOps بأكمله.

بالنسبة للمشاريع التي تتطلب أكثر من مجرد الكشف عن الكائنات، نوصي باستكشاف Ultralytics YOLOv8، والذي يوفر إطار عمل متعدد الاستخدامات ومتطور للكشف والتجزئة وتقدير الوضع والتصنيف والتتبع.

استكشف مقارنات النماذج الأخرى

لمزيد من المعلومات لمساعدتك في اتخاذ قرارك، استكشف مقارنات أخرى تتضمن هذه النماذج والنماذج الحديثة الأخرى:



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد

تعليقات