ابدأ

EfficientDet مقابل YOLOv10

في الرؤية الحاسوبية، يُعد اختيار بنية كشف الأجسام المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وزمن الاستجابة والكفاءة الحاسوبية. يقارن هذا الدليل التقني بين نموذجين مؤثرين: EfficientDet من Google وYOLOv10 من جامعة تسينغهوا. وعلى الرغم من أن كليهما يمثل تقدمًا مهمًا في كشف الأجسام، فإنهما يتبعان نهجين مختلفين تمامًا في تصميم البنية وتحسين النماذج.

يستعرض هذا الدليل البنى الأساسية للنموذجين، ويراجع معايير الأداء على مجموعات البيانات القياسية مثل COCO، ويناقش كيفية دمجهما في خطوط تعلم الآلة الحديثة، بما في ذلك منظومة Ultralytics.

EfficientDet: رائد التحجيم المركب#

وضع EfficientDet، الذي طُرح في أواخر 2019، معيارًا جديدًا لكشف الأجسام القابل للتوسع والدقيق، من خلال تقديم نهج منهجي لتوسيع أبعاد الشبكة.

الابتكارات الرئيسية والبنية#

بُني EfficientDet على العمود الفقري EfficientNet ويستخدم شبكة هرم الميزات ثنائية الاتجاه (BiFPN) المبتكرة. وعلى خلاف شبكات هرم الميزات (FPN) التقليدية التي تجمع الميزات دون تمييز أهميتها، يستخدم BiFPN أوزانًا قابلة للتعلم لدمج الميزات متعددة المقاييس. ويتيح ذلك للشبكة تعلم دقة الميزات الأكثر إسهامًا في التنبؤ النهائي بفاعلية. كما يستخدم EfficientDet أسلوب التوسع المركب الذي يوسّع الدقة والعمق والعرض بالتساوي، وبالتزامن، في العمود الفقري وشبكة الميزات وشبكات التنبؤ بالصناديق/الفئات.

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#

أحدث YOLOv10، الذي صدر في منتصف 2024، تغييرًا في كشف الأجسام الآني بإلغاء الحاجة إلى كبت غير الأقصى (NMS) أثناء المعالجة اللاحقة، ما خفّض بدرجة كبيرة زمن استجابة الاستدلال.

الابتكارات الرئيسية والبنية#

يقدم YOLOv10 استراتيجية تعيين مزدوجة متسقة للتدريب الخالي من NMS. ومن خلال استخدام تعيينات التسميات من نوع واحد إلى متعدد ومن نوع واحد إلى واحد أثناء التدريب، تتعلم الشبكة إنتاج صناديق محيطة متطابقة بصورة فريدة دون الاعتماد على NMS لتصفية العناصر المكررة. ويقلل هذا التصميم الشامل للنموذج، المدفوع بالكفاءة والدقة، التكرار الحسابي، ما يجعله خيارًا قويًا لـالحوسبة الطرفية وتطبيقات بث الفيديو منخفضة زمن الاستجابة. كما يتكامل مع منظومة Ultralytics، ويوفر للمطورين واجهة Python API مباشرة.

تعرّف على المزيد حول YOLOv10

تأثير التصميم الخالي من NMS

بإزالة خطوة NMS، يحافظ YOLOv10 على ثبات سرعة الاستدلال بصرف النظر عن عدد الأجسام المكتشفة في المشهد، ما يلغي طفرات زمن الاستجابة التي تظهر غالبًا في تطبيقات الرؤية الحاسوبية المزدحمة.

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.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

ملاحظة: يتطلب الإصدار YOLOv10n عددًا أقل من المعلمات (2.3M) ويحقق سرعات TensorRT أعلى بكثير (1.84ms) من أصغر إصدارات EfficientDet، ما يجعله خيارًا أكثر جدوى بكثير لـالاستدلال الآني في بيئات الإنتاج.

لماذا تختار Ultralytics لنشر النماذج؟#

على الرغم من الأهمية التاريخية والبنيوية لكلا النموذجين، فقد يشكل دمجهما في خطوط العمل الحديثة تحديًا. وهنا يأتي دور منصة Ultralytics. فمن خلال توفير منظومة موحدة، تبسّط Ultralytics دورة الحياة بأكملها، بدءًا من تعليق البيانات وصولًا 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 في الكشف، تمتد نماذج Ultralytics YOLO لتشمل تقسيم المثيلات والتصنيف وتقدير الوضعيات والصناديق المحيطة الموجّهة (OBB).
  3. كفاءة التدريب: باستخدام تقنيات مثل التجميع التلقائي والتدريب الموزع، تتدرب نماذج Ultralytics بسرعة أكبر وتستهلك قدرًا أقل بكثير من ذاكرة CUDA مقارنة ببنى Transformer الثقيلة أو بُنى TensorFlow القديمة متعددة الفروع.

مثال برمجي: تدريب YOLOv10#

يتميز نشر YOLOv10 باستخدام Ultralytics بالبساطة. يوضح مقتطف التعليمات البرمجية التالي كيفية تهيئة شبكة YOLOv10 وتدريبها وتقييمها بالكامل ضمن 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: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
  • 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 تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
  • 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 قدم تصميم YOLO الخالي من NMS، فقد تطورت التقنية منذ ذلك الحين. صدر Ultralytics YOLO26 في يناير 2026، وهو حاليًا نموذج Ultralytics الموصى به للذكاء الاصطناعي للرؤية. ويجمع نقاط القوة في البنى السابقة، مثل إمكانات تعدد المهام في YOLO11 والكشف الشامل في RT-DETR، ضمن عائلة نماذج محسّنة واحدة.

مزايا YOLO26

إذا كنت تبدأ مشروعًا جديدًا، فابدأ بـYOLO26. فهو يوفر المرونة وسهولة الاستخدام من خلال منصة Ultralytics.

الابتكارات الرئيسية في YOLO26:

  • تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرسى دعائمها YOLOv10، يقدم YOLO26 رأسًا شاملًا من نوع واحد إلى واحد اختياريًا (nms=False) يتجاوز NMS، ما يقلل منطق النشر إلى الحد الأدنى.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: بإزالة خسارة البؤرة التوزيعية (DFL)، يخفض YOLO26 النفقات الحسابية بدرجة كبيرة، إذ يعمل YOLO26n على CPU بسرعة أكبر تصل إلى 43% من YOLO11n، ما يجعله مناسبًا تمامًا لـأجهزة الذكاء الاصطناعي الطرفي.
  • مُحسِّن MuSGD: يستعير YOLO26 تقنيات من تدريب نماذج اللغة الكبيرة (LLM). ومن خلال الجمع بين استقرار SGD وسرعة Muon، يتقارب النموذج بسرعة أكبر وبموثوقية أعلى.
  • ProgLoss + STAL: تعالج الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة مشكلات طال أمدها في كشف الأجسام 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.
  • يلائم YOLOv10 التطبيقات التي تتطلب زمن استجابة بالغ الانخفاض، مثل تتبع كائنات متعددة عالي السرعة ومراقبة حركة المرور، بفضل بنيته الخالية من NMS.
  • أما YOLO26، فهو الخيار الأول الموصى به لـمشاريع الرؤية الحاسوبية الحديثة، إذ يقدم توازنًا قويًا للأداء بين الدقة وانخفاض استهلاك الذاكرة وتعدد المهام، بدعم من منظومة Ultralytics المتينة.
المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.