Ultralytics YOLO27:

مقارنة بين EfficientDet وYOLOv5#

يُعد اختيار بنية الشبكة العصبية المثلى خطوة حاسمة في أي مبادرة لـالرؤية الحاسوبية. ويحدد التوازن بين زمن استجابة الاستدلال وكفاءة المعلمات ودقة الكشف مدى أداء النموذج في العالم الواقعي. يقدم هذا الدليل التقني الشامل تحليلًا متعمقًا لإطارَي عمل مؤثرين للغاية لكشف الأجسام: EfficientDet من Google وUltralytics YOLOv5.

من خلال مقارنة ابتكارات البنية وطرائق التدريب وإمكانات النشر، يستطيع المطورون اتخاذ قرارات مستنيرة تناسب بيئات النشر الخاصة بهم، سواء عند التوسع عبر الخوادم السحابية أو التشغيل على أجهزة طرفية محدودة الموارد.

EfficientDet: بنية قابلة للتوسع باستخدام BiFPN#

قدّمته Google Research، وصُمم EfficientDet لتوسيع كلٍّ من العمود الفقري وشبكة الميزات بطريقة منهجية، بهدف تحقيق دقة عالية بعدد معلمات أقل من نماذج الحالة المتقدمة السابقة.

تفاصيل النموذج#

الابتكارات المعمارية#

يستفيد EfficientDet من نموذج التصنيف EfficientNet بوصفه العمود الفقري، مستخدمًا أسلوب تحجيم مركب يوسّع عرض الشبكة وعمقها ودقتها بصورة موحدة. وتتمثل أبرز إسهاماته في كشف الأجسام في تقديم شبكة هرم الميزات ثنائية الاتجاه (BiFPN). وعلى خلاف شبكات هرم الميزات القياسية التي تجمع الميزات من الأعلى إلى الأسفل فحسب، تتيح BiFPN وصلات معقدة ثنائية الاتجاه بين المقاييس، وتقدم أوزانًا قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة.

على الرغم من دقته العالية، يعتمد EfficientDet اعتمادًا كبيرًا على منظومة TensorFlow ومكتبات AutoML محددة. وقد تجعل هذه التبعية أحيانًا دمجه في مسارات نشر مخصصة وخفيفة أو في بيئات تفضل الرسوم البيانية الحسابية الديناميكية أمرًا معقدًا.

اعرف المزيد عن EfficientDet

Ultralytics YOLOv5: إتاحة الذكاء الاصطناعي الآني للجميع#

بعد إصداره بوقت قصير من EfficientDet، أحدث Ultralytics YOLOv5 تحولًا في المجال من خلال توفير تطبيق أصلي يسهل الوصول إليه لبنية YOLO باستخدام PyTorch. وقد وضع معيارًا جديدًا لتجربة المطور وكفاءة التدريب ومرونة النشر الآني.

تفاصيل النموذج#

الابتكارات المعمارية#

قدم YOLOv5 ترقيات مهمة مقارنة بأسلافه، إذ استخدم عمودًا فقريًا CSPDarknet (الجزء الجزئي عبر المراحل) يعزز تدفق التدرجات بدرجة كبيرة مع تقليل العدد الإجمالي للمعلمات. علاوة على ذلك، يدمج YOLOv5 صناديق ارتكاز ذات تعلّم تلقائي، تحسب تلقائيًا القيم الأولية المثلى لصناديق الإحاطة استنادًا إلى بيانات التدريب المخصصة لديك، مما يلغي الحاجة إلى ضبط المعلمات الفائقة يدويًا.

يستخدم YOLOv5 أيضًا زيادة بيانات الفسيفساء بكثافة، إذ يمزج أربع صور متباينة في لوحة تدريب واحدة. ويحسن ذلك بدرجة كبيرة قدرة النموذج على كشف الأجسام الصغيرة ويعمم الفهم السياقي، مما يجعله متينًا للغاية في البيئات المتنوعة.

الأداء والمعايير القياسية#

يُعد تقييم النماذج على معايير قياسية مثل مجموعة بيانات COCO أمرًا بالغ الأهمية لفهم المفاضلات بين الدقة والسرعة. ويوضح الجدول أدناه أداء الأحجام المختلفة من EfficientDet وYOLOv5 في ظروف موحدة.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(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
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

تحليل المفاضلات#

بينما يصل EfficientDet-d7 إلى قيمة mAP قصوى impressive تبلغ 53.7، فإنه يعاني من زمن استدلال مرتفع بدرجة كبيرة على عتاد GPU مقارنةً ببنى YOLO. وعلى النقيض، يتفوق YOLOv5 في تسريع العتاد. ويحقق المتغير YOLOv5n زمن استدلال سريعًا بصورة مذهلة يبلغ 1.12 مللي ثانية على GPU من طراز T4 باستخدام NVIDIA TensorRT، مما يجعله متفوقًا بفارق كبير في التطبيقات الآنية مثل القيادة الذاتية أو خطوط التصنيع عالية السرعة.

بالإضافة إلى ذلك، تتطلب نماذج YOLOv5 قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب مقارنةً بالشبكات المعقدة ذات التحجيم المركب أو نماذج Transformer الكبيرة. ويتيح هذا الملف التعريفي الخفيف للذاكرة الوصول إلى الذكاء الاصطناعي المتقدم للجميع، مما يسمح للباحثين بتدريب نماذج متينة على عتاد استهلاكي قياسي.

تعظيم كفاءة العتاد

لاستخراج أكبر عدد ممكن من الإطارات في الثانية (FPS) من نموذج YOLOv5 على الأجهزة الطرفية، صدّر أوزان PyTorch إلى TensorRT لوحدات GPU من NVIDIA أو إلى OpenVINO لوحدات CPU من Intel. وغالبًا ما تضاعف هذه الخطوة سرعة الاستدلال.

منظومة التدريب وتجربة المطور#

تكمن الميزة الحقيقية لمنظومة Ultralytics في تجربة المستخدم المبسطة. فبينما يتطلب EfficientDet معرفة عميقة بواجهة برمجة تطبيقات كشف الأجسام في TensorFlow، يوفر YOLOv5 واجهة برمجة تطبيقات Python متسقة وبسيطة.

تضمن منظومة Ultralytics جيدة الصيانة وصول المطورين إلى تحديثات متكررة ودعم نشط من المجتمع وتكاملات سلسة مع أدوات تتبع التجارب مثل Weights & Biases وClearML.

مثال برمجي: البدء باستخدام YOLOv5#

لا يتطلب تشغيل الاستدلال باستخدام نموذج YOLOv5 مُدرَّب مسبقًا سوى بضعة أسطر من التعليمات البرمجية عبر PyTorch Hub:

from ultralytics import YOLO

# Load the highly efficient YOLOv5s model
model = YOLO("yolov5su.pt")

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

# Display the detected bounding boxes
results[0].show()

التنوع والتطبيقات في العالم الحقيقي#

يُعد EfficientDet إطار عمل مخصصًا لكشف الأجسام فحسب، مما يحد من فائدته في مسارات الرؤية الحاسوبية المعقدة. أما YOLOv5 فقد تطور ليدعم مهام متعددة في الرؤية الحاسوبية. وتدعم الإصدارات الحديثة من النموذج تجزئة المثيلات وتصنيف الصور عاليَي الدقة، مما يتيح للمطورين توحيد حزمة تعلّم الآلة لديهم.

حالات الاستخدام المثالية#

  • EfficientDet: الأنسب للمعالجة غير المتصلة بالإنترنت والبحث الأكاديمي والتحليلات المستندة إلى السحابة، حيث تُعطى الأولوية للدقة القصوى على حساب زمن الاستجابة، وحيث تتوفر وحدات TPU على مستوى الخوادم أو وحدات GPU ذات الذاكرة الكبيرة.
  • YOLOv5: الخيار الحاسم لـعمليات نشر الذكاء الاصطناعي الطرفي. فمزيجه من زمن الاستجابة المنخفض وحجم المعلمات الصغير والدقة العالية يجعله مثاليًا لتحليلات الطائرات المسيّرة وأتمتة البيع بالتجزئة في الوقت الفعلي وتطبيقات الأجهزة المحمولة عبر CoreML أو TFLite.

الجيل التالي: الترقية إلى YOLO26#

على الرغم من أن YOLOv5 يظل نموذجًا متينًا واسع النشر، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وبالنسبة إلى الفرق التي تبدأ مشاريع جديدة أو تسعى إلى بلوغ أعلى مستوى ممكن من الأداء الحديث، قدمت Ultralytics YOLO26، الذي أُصدر في يناير 2026.

يعيد YOLO26 تعريف جبهة باريتو للسرعة والدقة، إذ يقدم تحولات معمارية رائدة تجعل النشر أسهل والاستدلال أسرع.

أبرز تطورات YOLO26#

  • تصميم شامل من البداية وخالٍ من NMS: يلغي YOLO26 معالجة ما بعد الاستدلال الخاصة بقمع القيمة غير العظمى (NMS) بصورة أصلية. ويبسّط ذلك بدرجة كبيرة منطق النشر ويقلل تفاوت زمن الاستجابة، في نهج رائد جرى تحسينه 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 دون وحدات GPU مخصصة.
  • مُحسِّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، وهو مزيج من SGD وMuon ينقل ابتكارات LLM إلى الرؤية الحاسوبية، مما 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: من خلال إزالة خسارة البؤرة التوزيعية، يجري تبسيط رأس النموذج بدرجة كبيرة، مما يؤدي إلى توافق أفضل عند التصدير إلى العتاد الطرفي القديم أو شديد القيود.

بالنسبة إلى الفرق التي تنشر مسارات متعددة المهام، يقدم YOLO26 أيضًا ترقيات خاصة بالمهام، مثل proto متعدد المقاييس للتجزئة وخسارة زاوية متخصصة لـصناديق الإحاطة الموجهة (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 نهج تحجيم أنيقًا رياضيًا، مناسبًا للاستدلال الذي يعتمد بكثافة على السحابة. ومع ذلك، فإن تجربة المطور المتفوقة في YOLOv5، وحلقات تدريب PyTorch فائقة السرعة، وقدرات النشر الطرفي المحسّنة للغاية، تجعله الخيار المفضل للغالبية العظمى من التطبيقات الواقعية والآنية. ومن خلال الاستفادة من الأدوات الشاملة التي توفرها Ultralytics، تستطيع الفرق تسريع الوصول إلى السوق وبناء أنظمة ذكاء اصطناعي عالية الاستجابة.

المساهمون
GLglenn-jocher15PDpderrenger1

التعليقات