مقارنة بين EfficientDet وYOLOv10#

في المجال سريع التطور لـالرؤية الحاسوبية، يُعد اختيار بنية اكتشاف الأجسام المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة ووقت الاستجابة والكفاءة الحسابية. يقارن هذا الدليل التقني الشامل بين نموذجين مؤثرين للغاية: EfficientDet من Google وYOLOv10 من جامعة تسينغهوا. وعلى الرغم من أن كلا النموذجين يمثلان قفزات كبيرة في اكتشاف الأجسام، فإنهما يتعاملان مع التصميم المعماري وتحسين النماذج من منظورين مختلفين تمامًا.

سنستكشف بنيتيهما الأساسيتين، ونراجع معايير الأداء على مجموعات البيانات القياسية مثل COCO، ونناقش كيفية دمجهما في مسارات عمل التعلم الآلي الحديثة، مع إبراز مزايا منظومة Ultralytics الشاملة.

EfficientDet: رائد التحجيم المركب#

طُرح EfficientDet في أواخر عام 2019، ووضع معيارًا جديدًا لاكتشاف الأجسام القابل للتوسع وعالي الدقة من خلال تقديم منهجية مدروسة لتحجيم أبعاد الشبكة.

الابتكارات والبنية الأساسية#

• 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

يعتمد EfficientDet على العمود الفقري EfficientNet، مستفيدًا من شبكة هرمية للسمات ثنائية الاتجاه (BiFPN) مبتكرة. وعلى خلاف شبكات هرمية السمات (FPN) التقليدية التي تجمع السمات دون تمييز أهميتها، تستخدم BiFPN أوزانًا قابلة للتعلم لدمج السمات متعددة المقاييس. ويتيح ذلك للشبكة تعلم دقة السمات التي تسهم بأكبر قدر في التنبؤ النهائي بفاعلية. علاوة على ذلك، يستخدم EfficientDet أسلوب تحجيم مركب يوسّع الدقة والعمق والعرض للعمود الفقري وشبكة السمات وشبكات التنبؤ بالصناديق/الفئات في الوقت نفسه.

على الرغم من أن EfficientDet يظل خيارًا متينًا للأنظمة القديمة المدمجة بعمق مع مسارات عمل TensorFlow الأقدم، فإنه يتطلب قدرًا كبيرًا من الذاكرة أثناء التدريب، ويعتمد على منظومة أقدم قد تكون مرهقة مقارنةً بالأطر الحديثة والديناميكية.

اعرف المزيد عن EfficientDet

YOLOv10: المبتكر المتحرر من NMS#

طُرح YOLOv10 في منتصف عام 2024، وغيّر بصورة جوهرية مفهوم اكتشاف الأجسام في الوقت الفعلي من خلال الاستغناء عن الحاجة إلى الكبت غير الأعظمي (NMS) أثناء المعالجة اللاحقة، مما خفّض زمن استدلال النموذج بدرجة كبيرة.

الابتكارات والبنية الأساسية#

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

يقدم YOLOv10 استراتيجية إسناد مزدوجة متسقة للتدريب المتحرر 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 من التكرار الحسابي، مما يجعله خيارًا ممتازًا للحوسبة على الحافة وتطبيقات بث الفيديو منخفضة زمن الاستجابة. كما يندمج بسلاسة مع منظومة Ultralytics، مانحًا المطورين إمكانية الوصول إلى واجهة برمجة تطبيقات Python بالغة السهولة.

Learn more about YOLOv10

مقارنة الأداء: الدقة والسرعة والكفاءة#

عند نشر النماذج في سيناريوهات واقعية، يجب على المطورين الموازنة بين متوسط الدقة (mAP) وعدد المعلمات والعمليات الحسابية (FLOPs). يوضح الجدول أدناه هذه المقاييس عبر متغيرات التحجيم لكلا النموذجين.

ملاحظة: يتطلب متغير YOLOv10n عددًا أقل بكثير من المعلمات (2.3M)، ويحقق سرعات TensorRT أعلى بكثير (1.56ms) مقارنةً بالتكرارات الأولى من EfficientDet، مما يجعله أكثر ملاءمة بدرجة كبيرة لـالاستدلال في الوقت الفعلي في بيئات الإنتاج.

لماذا تختار Ultralytics لنشر النماذج؟#

على الرغم من الأهمية التاريخية والبنيوية لكلا النموذجين، فإن دمجهما في مسارات العمل الحديثة قد يمثل تحديًا. وهنا تتألق منصة Ultralytics. فمن خلال توفير منظومة موحدة، تبسّط Ultralytics دورة الحياة بأكملها، بدءًا من وسم البيانات ووصولًا إلى النشر.

1. سهولة الاستخدام: توفر حزمة Ultralytics Python واجهة واحدة لـتدريب النماذج والتحقق والتصدير، لتحل محل مئات الأسطر من التعليمات البرمجية النمطية بأوامر موجزة.
2. المنظومة وتعدد الاستخدامات: في حين أن EfficientDet متخصص بدرجة كبيرة في الاكتشاف، تمتد نماذج Ultralytics YOLO طبيعيًا إلى تجزئة المثيلات وتقدير الوضعيات والصناديق المحيطة الموجهة (OBB) والتصنيف.
3. كفاءة التدريب: بالاستفادة من تقنيات متطورة مثل التجميع التلقائي والتدريب الموزع، تتدرب نماذج Ultralytics بسرعة أكبر وتستهلك قدرًا أقل بكثير من ذاكرة CUDA مقارنةً ببنى Transformer الثقيلة أو بنيات TF القديمة متعددة الفروع.

مثال برمجي: تدريب YOLOv10#

يتميز نشر YOLOv10 باستخدام Ultralytics بالبساطة الشديدة. يوضح مقتطف التعليمات البرمجية التالي كيفية تهيئة شبكة YOLOv10 وتدريبها وتقييمها بالكامل ضمن واجهة برمجة تطبيقات Python.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model (nano variant for edge speed)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# Evaluate the model on the validation set
metrics = model.val()

# Export the model to ONNX for production deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك المتعلقة بالمنظومة.

متى تختار EfficientDet#

يُعد EfficientDet خيارًا قويًا من أجل:

• مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
• أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
• النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.

متى تختار YOLOv10#

يوصى باستخدام YOLOv10 من أجل:

• الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
• المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
• التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

المستقبل هنا: ظهور Ultralytics YOLO26#

على الرغم من أن YOLOv10 قدم التصميم الثوري المتحرر من NMS، فقد تطورت التقنية. ويمثل Ultralytics YOLO26، الذي أُطلق في يناير 2026، أحدث ما توصلت إليه تقنيات الذكاء الاصطناعي للرؤية. فهو يوحّد أفضل جوانب البنى السابقة—مثل إمكانات المهام المتعددة في YOLO11 واستقرار RT-DETR—في منظومة قوية واحدة ومحسّنة بدرجة كبيرة.

الإنجازات الرئيسية في YOLO26:

• تصميم شامل متحرر من NMS: استنادًا إلى الأسس التي أرسى دعائمها YOLOv10، يعمل YOLO26 أصلاً بطريقة شاملة من البداية إلى النهاية، مما يبسط منطق النشر إلى أدنى حد.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: مع إزالة خسارة التركيز التوزيعية (DFL)، يقلل YOLO26 النفقات الحسابية بدرجة كبيرة، مما يجعله الخيار الأبرز لـأجهزة الذكاء الاصطناعي الطرفية.
• مُحسِّن MuSGD: يستعير YOLO26 ابتكارات من تدريب نماذج اللغة الكبيرة (LLM). فمن خلال دمج استقرار SGD مع سرعة Muon، يتقارب بسرعة أكبر وبموثوقية أعلى من أي نموذج سابق.
• ProgLoss + STAL: تعمل صيغ الخسارة المتفوقة على حل المشكلات المستمرة منذ فترة طويلة في اكتشاف الأجسام الصغيرة بفاعلية، 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، وهو مناسب للباحثين الذين يديرون أنظمة TensorFlow الحالية، حيث يكون حجم أوزان النموذج (على القرص) أكثر أهمية من سرعة التشغيل.
• يُعد YOLOv10 ممتازًا للتطبيقات التي تتطلب زمن استجابة منخفضًا للغاية، مثل تتبع الأجسام المتعددة عالي السرعة ومراقبة حركة المرور، بفضل بنيته الرائدة المتحررة من NMS.
• أما YOLO26 فهو التوصية النهائية لمشروعات الرؤية الحاسوبية الحديثة، إذ يوفر أعلى توازن في الأداء على الإطلاق بين الدقة وأقل استهلاك للذاكرة وتعدد الاستخدامات في المهام، بدعم من منظومة Ultralytics المتينة.