تخطي إلى المحتوى

EfficientDet مقابل YOLOv10: تطور الكشف عن الكائنات في الوقت الفعلي

لقد تغير مشهد الرؤية الحاسوبية بشكل كبير بين إصدار EfficientDet Google في عام 2019 و YOLOv10 من جامعة Tsinghua YOLOv10 عام 2024. بالنسبة للمطورين والباحثين، فإن فهم المسار من التوسع المركب المعقد إلى البنى المبسطة والشاملة أمر بالغ الأهمية لاختيار الأداة المناسبة للمهمة. يقارن هذا التحليل الدقة القديمة لـ EfficientDet مع الابتكار منخفض الكمون لـ YOLOv10، مع تسليط الضوء على كيفية قيام الحلول الحديثة مثل Ultralytics بوضع معايير جديدة لبيئات الإنتاج.

EfficientDet: إرث التوسع المركب

أطلق فريق Google برنامج EfficientDet الذي يمثل علامة فارقة في تحسين كفاءة الشبكات العصبية. وقد أدخل هذا البرنامج مفهوم التوسع المركب (Compound Scaling) الذي يعمل على توسيع نطاق الدقة والعمق والعرض لشبكة العمود الفقري بشكل موحد، بدلاً من تعديل بعد واحد فقط.

التفاصيل الفنية لـ EfficientDet:

في قلب EfficientDet توجد شبكة هرمية ثنائية الاتجاه للميزات (BiFPN). على عكس شبكات FPN التقليدية التي تجمع الميزات من مستويات مختلفة، تسمح شبكة BiFPN بدمج الميزات المعقدة والمرجحة، مما يمكّن النموذج من تعلم أهمية الميزات المختلفة المدخلة. في حين حققت هذه البنية أحدث مستوى من الدقة المتوسطة (mAP) على COCO في ذلك الوقت، إلا أن الترابطات المعقدة لطبقات BiFPN تؤدي إلى زيادة كبيرة في الحمل الحسابي، مما يجعل الاستدلال - خاصة على الأجهزة الطرفية - أبطأ مقارنة بالبنى الحديثة.

YOLOv10: ثورة التصميم الشامل (من البداية إلى النهاية)

YOLOv10، YOLOv10 طوره باحثون في جامعة تسينغهوا، يعالج العائق الرئيسي في YOLO السابقة YOLO : Non-Maximum Suppression (NMS). من خلال استخدام استراتيجية مزدوجة متسقة أثناء التدريب، YOLOv10 توقع مربع حدود واحد مثالي لكل كائن، ليصبح فعليًا كاشفًا شاملاً NMS.

التفاصيل YOLOv10 :

يتيح هذا التغيير المعماري انخفاضًا كبيرًا في زمن الاستدلال. كما يقدم النموذج تصميمًا شاملاً قائمًا على الكفاءة والدقة، باستخدام التلافيف الكبيرة النواة والانتباه الذاتي الجزئي لتحسين الأداء دون تضخم المعلمات كما هو الحال في النماذج القديمة.

تعرف على المزيد حول YOLOv10

مقارنة الأداء: السرعة مقابل الدقة

الفجوة في الأداء بين هذين الجيلين من النماذج واضحة، لا سيما فيما يتعلق بسرعة الاستدلال. في حين أن EfficientDet-d7 يوفر دقة عالية، إلا أنه يفعل ذلك على حساب زمن انتقال كبير (أكثر من 100 مللي ثانية)، في حين أن YOLOv10 تحقق دقة مماثلة أو أفضل في أجزاء من الثانية.

النموذجالحجم
(بالبكسل)		mAPval
50-95		السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		السرعة
T4 TensorRT10
(بالمللي ثانية)		المعلمات
(M)		FLOPs
(B)
EfficientDet-d064034.610.23.923.92.54
EfficientDet-d164040.513.57.316.66.1
EfficientDet-d264043.017.710.928.111.0
EfficientDet-d364047.528.019.5912.024.9
EfficientDet-d464049.742.833.5520.755.2
EfficientDet-d564051.572.567.8633.7130.0
EfficientDet-d664052.692.889.2951.9226.0
EfficientDet-d764053.7122.0128.0751.9325.0
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

تحليل معماري

  1. المعالجة اللاحقة: يعتمد EfficientDet بشكل كبير على NMS المربعات المتداخلة. في المشاهد الكثيفة، تصبح خطوة المعالجة اللاحقة هذه CPU ، مما يزيد من إجمالي زمن الاستجابة بغض النظر عن GPU . تصميم YOLOv10 NMS يلغي هذه الخطوة تمامًا.
  2. استخدام الذاكرة: يستهلك EfficientDet، ولا سيما التدرجات الأعلى مثل d7، قدرًا كبيرًا من ذاكرة VRAM بسبب بنية BiFPN. YOLOv10 تحسين YOLOv10 لتقليل حجم الذاكرة المستخدمة، مما يجعله أكثر ملاءمة لتطبيقات الذكاء الاصطناعي المتطورة.
  3. التحسين: تم تصميم EfficientDet على TensorFlow يكون من الصعب تصديره إلى تنسيقات مثل ONNX TensorRT مقارنةً PyTorch الأصلي لـ YOLOs الحديثة.

ميزة النظام البيئي لـ Ultralytics

بينما YOLOv10 تطورات معمارية مذهلة، فإن الاستفادة منه في Ultralytics يضاعف من فائدته. غالبًا ما يواجه المطورون صعوبات بسبب تجزئة المستودعات الأكاديمية. Ultralytics هذه المشكلة من خلال توحيد النماذج في Python واحدة جيدة الصيانة.

لماذا تختار نظام Ultralytics ؟

  • سهولة الاستخدام: يمكنك التبديل بين YOLOv8 و YOLOv10 و YOLO11 و YOLO26 بسطر واحد من التعليمات البرمجية.
  • كفاءة التدريب: تضمن المعلمات الفائقة المضبوطة مسبقًا والمعالجة التلقائية لحجم الدُفعات الاستخدام الأمثل للموارد.
  • جاهز للنشر: تصدير بنقرة واحدة إلى TFLite و CoreML و OpenVINO و ONNX.
  • Ultralytics : قم بإدارة مجموعات البيانات وتدريبها في السحابة ونشر النماذج بسلاسة عبر Ultralytics .

مثال على التعليمات البرمجية

Ultralytics تصميم تشغيل الاستدلال باستخدام Ultralytics ليكون بسيطًا ومباشرًا. فيما يلي كيفية تحميل YOLOv10 وتشغيل التنبؤ:

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

# Run inference on an image from the internet
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

توصية الإنتاج: الترقية إلى YOLO26

بينما يعتبر EfficientDet معيارًا تاريخيًا مهمًا، YOLOv10 نموذجًا NMS، فإن Ultralytics يمثل ذروة هذه التطورات في الاستخدام الإنتاجي.

تم إصدار YOLO26 في يناير 2026، وهو يعتمد على الاختراق NMS الذي YOLOv10 يحسنه ليكون أكثر قوة في العالم الواقعي. ويتميز بإزالة Distribution Focal Loss (DFL)، مما يبسط الرسم البياني للنموذج لتسهيل التصدير وتحسين التوافق مع الأجهزة الطرفية منخفضة الطاقة.

علاوة على ذلك، يشتمل YOLO26 على مُحسِّن MuSGD، وهو مزيج من SGD Muon (مستوحى من ابتكارات تدريب LLM)، مما يضمن تقاربًا أسرع وتدريبًا مستقرًا. بفضل تحسينات مثل ProgLoss و STAL (Shape-aware Task Alignment Loss)، يوفر YOLO26 كشفًا فائقًا للأجسام الصغيرة ويكون أسرع بنسبة تصل إلى 43٪ في CPU مقارنة بالأجيال السابقة.

تعرف على المزيد حول YOLO26

حالات الاستخدام في العالم الحقيقي

يعتمد اختيار النموذج المناسب على القيود المحددة الخاصة بك:

  • EfficientDet: الأنسب للبحوث الأكاديمية التي تتطلب دراسة توسيع نطاق المركبات أو بنى BiFPN. كما يوجد في الأنظمة القديمة التي تفوق فيها تكلفة الترحيل مزايا الأداء التي توفرها النماذج الأحدث.
  • YOLOv10 YOLO26: الخيار المثالي لـ تطبيقات الوقت الحقيقي.
    • الروبوتات: يقلل التصميم NMS من تذبذب زمن الاستجابة، وهو أمر بالغ الأهمية للملاحة وتجنب العوائق.
    • مراقبة حركة المرور: تتيح السعة العالية معالجة تدفقات فيديو متعددة على GPU واحدة GPU تتبع الكائنات.
    • تطبيقات الهاتف المحمول: عدد المعلمات المنخفض واستخدام الذاكرة المنخفض يجعل هذه النماذج مثالية للنشر على Android iOS Android .

للمطورين الذين يبحثون عن أفضل توازن بين السرعة والدقة وسهولة النشر، يمكنهم الانتقال إلى Ultralytics أو YOLO11 هو المسار الموصى به للمضي قدمًا.


تعليقات