EfficientDet مقابل YOLOv5#
يُعد اختيار بنية الشبكة العصبية المثلى خطوة حاسمة في أي مبادرة للرؤية الحاسوبية. ويحدد التوازن بين زمن استجابة الاستدلال وكفاءة المعلمات ودقة الاكتشاف مدى أداء النموذج في العالم الفعلي. ويقدّم هذا الدليل التقني الشامل تحليلًا متعمقًا لإطارين مؤثرين للغاية لاكتشاف الأجسام: EfficientDet من Google وUltralytics YOLOv5.
بمقارنة ابتكاراتهما المعمارية ومنهجيات التدريب وقدرات النشر، يستطيع المطورون اتخاذ قرارات مدروسة تناسب بيئات النشر الخاصة بهم، سواء أكان التوسع عبر خوادم سحابية أم التشغيل على أجهزة طرفية محدودة الموارد.
EfficientDet: بنية قابلة للتوسع مع BiFPN#
قدّم Google Research نموذج EfficientDet، وصُمم لتوسيع كل من العمود الفقري وشبكة السمات بصورة منهجية، لتحقيق دقة عالية بعدد معلمات أقل من النماذج السابقة المتقدمة.
تفاصيل النموذج#
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- المؤسسة: Google Research
- التاريخ: 20 نوفمبر 2019
- Arxiv: EfficientDet: اكتشاف أجسام قابل للتوسع وفعّال
- GitHub: google/automl/efficientdet
ابتكارات البنية#
يستخدم EfficientDet نموذج التصنيف EfficientNet عمودًا فقريًا له، ويعتمد أسلوب التحجيم المركب لتوسيع عرض الشبكة وعمقها ودقتها بصورة موحّدة. وتتمثل أبرز مساهماته في اكتشاف الأجسام في تقديم شبكة هرم السمات ثنائية الاتجاه (BiFPN). وعلى خلاف شبكات هرم السمات القياسية التي تكتفي بتجميع السمات من الأعلى إلى الأسفل، تتيح BiFPN وصلات معقدة ثنائية الاتجاه بين المقاييس، وتقدم أوزانًا قابلة للتعلّم لتحديد أهمية سمات الإدخال المختلفة.
على الرغم من دقته العالية، يعتمد EfficientDet اعتمادًا كبيرًا على منظومة TensorFlow ومكتبات AutoML محددة. وقد يجعل هذا الاعتماد أحيانًا دمجه في مسارات نشر مخصصة وخفيفة أو في بيئات تفضّل مخططات الحوسبة الديناميكية أمرًا معقدًا.
تعرّف على المزيد عن EfficientDet
Ultralytics YOLOv5: إتاحة الذكاء الاصطناعي الآني للجميع#
بعد إصدار EfficientDet بوقت قصير، أحدث Ultralytics YOLOv5 ثورة في المجال، إذ قدّم تنفيذًا أصليًا لبنية YOLO باستخدام PyTorch يتسم بسهولة الوصول إليه بدرجة كبيرة. ووضع معيارًا جديدًا لتجربة المطور وكفاءة التدريب ومرونة النشر الآني.
تفاصيل النموذج#
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 26 يونيو 2020
- GitHub: ultralytics/yolov5
- الوثائق: وثائق YOLOv5
ابتكارات البنية#
قدّم YOLOv5 تحسينات كبيرة مقارنةً بأسلافه، مستخدمًا العمود الفقري CSPDarknet (الجزئي عبر المراحل) الذي يعزز تدفق التدرّج بدرجة كبيرة مع خفض إجمالي عدد المعلمات. كما يتضمن YOLOv5 صناديق مراسٍ ذات تعلّم تلقائي، تحسب تلقائيًا أفضل قيم أولية لمربعات الإحاطة بالاستناد إلى بيانات التدريب المخصصة لديك، ما يلغي الحاجة إلى ضبط المعلمات الفائقة يدويًا.
يستخدم YOLOv5 أيضًا تعزيز البيانات الفسيفسائي بكثافة، إذ يمزج أربع صور مختلفة في فسيفساء تدريب واحدة. ويحسّن ذلك بدرجة كبيرة قدرة النموذج على اكتشاف الأجسام الصغيرة، ويعمم فهم السياق، ما يجعله متينًا للغاية في البيئات المتنوعة.
الأداء ومعايير التقييم#
يُعد تقييم النماذج على معايير قياسية مثل مجموعة بيانات COCO أمرًا بالغ الأهمية لفهم المفاضلة بين الدقة والسرعة. ويوضح الجدول أدناه أداء الأحجام المختلفة من EfficientDet وYOLOv5 في ظروف موحّدة.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
تحليل المفاضلات#
على الرغم من أن EfficientDet-d7 يحقق قيمة mAP قصوى لافتة تبلغ 53.7، فإنه يعاني من ارتفاع كبير في زمن استجابة الاستدلال على أجهزة GPU مقارنةً ببنى YOLO. وفي المقابل، يتفوق YOLOv5 في تسريع الأجهزة. إذ يحقق الإصدار YOLOv5n زمن استدلال مذهلًا يبلغ 1.12 ms على وحدة T4 GPU باستخدام NVIDIA TensorRT، ما يجعله أفضل بكثير للتطبيقات الآنية، مثل القيادة الذاتية أو خطوط التصنيع عالية السرعة.
إضافةً إلى ذلك، تتطلب نماذج YOLOv5 ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالشبكات ذات التحجيم المركب المعقد أو نماذج Transformer الكبيرة. وتتيح هذه البصمة المنخفضة للذاكرة للجميع الاستفادة من أحدث تقنيات الذكاء الاصطناعي، إذ تسمح للباحثين بتدريب نماذج متينة على أجهزة المستهلكين القياسية.
لاستخراج أقصى عدد من الإطارات في الثانية (FPS) من نموذج YOLOv5 على الأجهزة الطرفية، صدّر أوزان PyTorch إلى TensorRT لوحدات NVIDIA GPU أو إلى OpenVINO لوحدات Intel CPU. ويمكن لهذه الخطوة مضاعفة سرعة الاستدلال في كثير من الأحيان.
منظومة التدريب وتجربة المطور#
تكمن الميزة الحقيقية لمنظومة Ultralytics في تجربة المستخدم المبسطة. فبينما يتطلب EfficientDet معرفة متعمقة بواجهة API لاكتشاف الأجسام في TensorFlow، يوفر YOLOv5 واجهة API بسيطة ومتسقة في Python.
تضمن منظومة Ultralytics المُدارة جيدًا حصول المطورين على تحديثات متكررة ودعم نشط من المجتمع وتكامل سلس مع أدوات تتبع التجارب مثل Weights & Biases وClearML.
مثال برمجي: البدء باستخدام YOLOv5#
لا يتطلب تشغيل الاستدلال باستخدام نموذج YOLOv5 مدرّب مسبقًا سوى بضعة أسطر من الشيفرة عبر حزمة Ultralytics لـ Python:
from ultralytics import YOLO
# حمّل نموذج YOLOv5s عالي الكفاءة
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تشغيل الاستدلال على صورة
results = model("https://ultralytics.com/images/zidane.jpg")
# اعرض مربعات الإحاطة المكتشفة
results[0].show()التنوع والتطبيقات العملية#
يقتصر EfficientDet على كونه إطارًا لاكتشاف الأجسام، ما يحد من فائدته في مسارات عمل الرؤية المعقدة. أما YOLOv5، فقد تطور لدعم مهام متعددة في الرؤية الحاسوبية. وتدعم الإصدارات الحديثة من النموذج تقسيم الكائنات وتصنيف الصور بدقة عالية، ما يتيح للمطورين توحيد حزمة تعلّم الآلة لديهم.
حالات الاستخدام المثالية#
- EfficientDet: الأنسب للمعالجة غير المتصلة بالإنترنت والأبحاث الأكاديمية والتحليلات السحابية، حيث تُعطى الأولوية لأعلى دقة على حساب زمن الاستجابة، وتتوفر وحدات TPU بمستوى الخوادم أو وحدات GPU ذات ذاكرة كبيرة.
- YOLOv5: الخيار الأمثل لنشر الذكاء الاصطناعي الطرفي. فاجتماع زمن الاستجابة المنخفض وبصمة المعلمات الصغيرة والدقة العالية يجعله مثاليًا لتحليلات الطائرات المسيّرة وأتمتة البيع بالتجزئة الآنية وتطبيقات الأجهزة المحمولة عبر CoreML أو LiteRT.
الجيل التالي: الترقية إلى YOLO26#
على الرغم من أن YOLOv5 لا يزال نموذجًا متينًا واسع الانتشار، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وقد طرحت Ultralytics YOLO26، الصادر في يناير 2026، للفرق التي تبدأ مشاريع جديدة أو تسعى إلى أعلى مستويات الأداء الحديث.
يعيد YOLO26 تعريف جبهة باريتو للسرعة والدقة، ويقدم تحولات معمارية رائدة تجعل النشر أسهل والاستدلال أسرع.
أبرز تطورات YOLO26#
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يلغي الرأس الشامل من البداية إلى النهاية الاختياري في YOLO26 (
nms=False) المعالجة اللاحقة لكبح القيم غير القصوى. ويبسط ذلك منطق النشر بدرجة كبيرة ويقلل تفاوت زمن الاستجابة، في نهج رائد جرى تطويره انطلاقًا من التجارب المبكرة في YOLOv10. - استدلال على CPU أسرع بنسبة تصل إلى 43%: صُمم خصيصًا للحوسبة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة التي تعمل من دون وحدات GPU مخصصة.
- مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يجلب هذا المزيج الهجين من SGD وMuon ابتكارات نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يتيح تقاربًا أسرع وديناميكيات تدريب مستقرة للغاية.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.
- إزالة DFL: يؤدي حذف خسارة البؤرة التوزيعية إلى تبسيط رأس النموذج بدرجة كبيرة، ما يحسن التوافق عند التصدير إلى الأجهزة الطرفية القديمة أو شديدة التقييد.
للفرق التي تنشر مسارات عمل متعددة المهام، يقدم YOLO26 أيضًا تحسينات خاصة بالمهام، مثل النموذج الأوّلي متعدد المقاييس للتقسيم وخسارة الزاوية المتخصصة لـمربعات الإحاطة الموجّهة (OBB). ولاستكشاف بدائل حديثة أخرى ضمن المنظومة، يمكنك أيضًا مراجعة YOLO11 أو بنية YOLOv8.
الخلاصة#
يعتمد الاختيار بين EfficientDet وYOLOv5 بدرجة كبيرة على هدف النشر. يقدم EfficientDet نهجًا أنيقًا من الناحية الرياضية للتحجيم، ملائمًا للاستدلال الذي يعتمد بكثافة على السحابة. لكن تجربة المطور الأفضل التي يوفرها YOLOv5، وحلقات التدريب فائقة السرعة باستخدام PyTorch، وقدرات النشر الطرفي المحسّنة للغاية، تجعله الخيار المفضل للغالبية العظمى من التطبيقات الواقعية والآنية. وبالاستفادة من الأدوات الشاملة التي توفرها Ultralytics، تستطيع الفرق تسريع الوصول إلى السوق وبناء أنظمة ذكاء اصطناعي سريعة الاستجابة.