رؤية YOLO 2026:

EfficientDet مقابل YOLOv5#

يعد اختيار هندسة الشبكة العصبية المثالية خطوة حاسمة في أي مبادرة computer vision. يحدد التوازن بين زمن انتقال الاستدلال، وكفاءة المعلمات، ودقة الكشف مدى جودة أداء النموذج في العالم الحقيقي. يوفر هذا الدليل التقني الشامل تحليلًا متعمقًا لإطارين مؤثرين للغاية لاكتشاف الأشياء: EfficientDet من Google وUltralytics YOLOv5.

من خلال مقارنة ابتكاراتها المعمارية، ومنهجيات التدريب، وقدرات النشر، يمكن للمطورين اتخاذ قرارات مستنيرة لبيئات النشر الخاصة بهم، سواء كانوا يقومون بالتوسع عبر خوادم سحابية أو التشغيل على أجهزة طرفية محدودة الموارد.

EfficientDet: بنية قابلة للتوسع مع BiFPN#

تم تصميم EfficientDet، الذي قدمته Google Research، لتعزيز توسيع النطاق بشكل منهجي لكل من الشبكة الأساسية وشبكة السمات لتحقيق دقة عالية بمعلمات أقل مقارنة بالنماذج السابقة المتطورة.

تفاصيل النموذج#

الابتكارات المعمارية#

تعتمد EfficientDet على نموذج التصنيف EfficientNet كعمود فقري لها، مستخدمة طريقة تحجيم مركبة تقوم بتحجيم عرض الشبكة وعمقها ودقتها بشكل موحد. تتمثل مساهمتها الأبرز في object detection في تقديم شبكة الهرم المعماري ثنائية الاتجاه (BiFPN). على عكس شبكات الهرم المعماري القياسية التي تجمع الميزات ببساطة من الأعلى إلى الأسفل، تتيح BiFPN اتصالات معقدة وثنائية الاتجاه عبر النطاق وتدخل أوزانًا قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة.

على الرغم من دقتها العالية، تعتمد EfficientDet بشكل كبير على نظام TensorFlow البيئي ومكتبات AutoML محددة. يمكن أن تجعل هذا التبعية أحيانًا من الصعب دمجها في خطوط أنابيب النشر المخصصة وخفيفة الوزن أو البيئات التي تفضل الرسوم البيانية الحسابية الديناميكية.

اعرف المزيد عن EfficientDet

Ultralytics YOLOv5: دمقرطة الذكاء الاصطناعي في الوقت الفعلي#

بعد فترة وجيزة من إصدار EfficientDet، أحدثت Ultralytics YOLOv5 ثورة في الصناعة من خلال توفير تطبيق PyTorch أصلي وسهل الاستخدام بشكل لا يصدق لهندسة YOLO. لقد أرست معيارًا جديدًا لتجربة المطورين، وكفاءة التدريب، ومرونة النشر في الوقت الفعلي.

تفاصيل النموذج#

الابتكارات المعمارية#

قدم YOLOv5 ترقيات كبيرة على سابقاته، مستخدماً بنية CSPDarknet (جزئية عبر المراحل) التي تعزز تدفق التدرج بشكل كبير مع تقليل العدد الإجمالي للمعلمات. علاوة على ذلك، يدمج YOLOv5 مربعات التثبيت ذاتية التعلم (Auto-Learning Anchor Boxes)، والتي تحسب تلقائياً أولويات مربعات الإحاطة المثلى بناءً على بيانات التدريب المخصصة الخاصة بك، مما يلغي الحاجة إلى ضبط المعلمات الفائقة يدوياً.

تستخدمن YOLOv5 أيضًا بشكل مكثف Mosaic Data Augmentation، حيث تدمج أربع صور متباينة في بلاطة تدريب واحدة. هذا يحسن بشكل كبير قدرة النموذج على اكتشاف الأشياء الصغيرة ويعمم الفهم السياقي، مما يجعله قويًا للغاية في البيئات المتنوعة.

اعرف المزيد عن YOLOv5

الأداء والمعايير القياسية#

يعد تقييم النماذج على المعايير القياسية مثل COCO dataset أمرًا بالغ الأهمية لفهم المقايضات بين الدقة والسرعة. يوضح الجدول أدناه كيف تعمل الاحجام المختلفة لـ EfficientDet وYOLOv5 في ظل ظروف موحدة.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		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
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 المقايضات#

بينما تصل EfficientDet-d7 إلى ذروة مذهلة في mAP تبلغ 53.7، إلا أنها تعاني من زمن انتقال استدلال كبير على أجهزة GPU مقارنة بهندسات YOLO. في المقابل، تتفوق YOLOv5 في التسريع القائم على الأجهزة. يحقق متغير YOLOv5n وقت استدلال سريعًا بشكل مذهل يبلغ 1.12 مللي ثانية على وحدة معالجة رسومات T4 باستخدام NVIDIA TensorRT، مما يجعله متفوقًا بشكل كبير للتطبيقات في الوقت الفعلي مثل القيادة الذاتية أو خطوط التصنيع عالية السرعة.

بالإضافة إلى ذلك، تظهر نماذج YOLOv5 متطلبات ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة بالشبكات ذات الحجم المركب المعقد أو نماذج Transformer الكبيرة. هذا الملف الشخصي الموفر للذاكرة يعمل على دمقرطة الوصول إلى الذكاء الاصطناعي المتطور، مما يسمح للباحثين بتدريب نماذج قوية على أجهزة المستهلك القياسية.

تعظيم كفاءة الأجهزة

لاستخراج الحد الأقصى من إطارات في الثانية (FPS) من نموذج YOLOv5 الخاص بك على أجهزة الحافة، قم بتصدير أوزان PyTorch الخاصة بك إلى TensorRT لوحدات معالجة الرسومات NVIDIA أو OpenVINO لوحدات المعالجة المركزية Intel. يمكن أن تضاعف هذه الخطوة غالبًا سرعة الاستدلال لديك.

نظام التدريب وتجربة المطورين#

تكمن الميزة الحقيقية لنظام Ultralytics البيئي في تجربة المستخدم المبسطة. بينما تتطلب EfficientDet معرفة عميقة بـ API اكتشاف الكائنات الخاص بـ TensorFlow، يوفر YOLOv5 واجهة Python بسيطة ومتسقة.

يضمن نظام Ultralytics ecosystem المُدار جيدًا حصول المطورين على تحديثات متكررة، ودعم مجتمعي نشط، وتكاملات سلسة مع أدوات تتبع التجارب مثل Weights & Biases وClearML.

مثال كودي: البدء مع YOLOv5#

يتطلب تشغيل الاستدلال باستخدام نموذج YOLOv5 مُدرب مسبقًا بضعة أسطر فقط 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 وتطبيقات العالم الحقيقي#

تعتبر EfficientDet إطار عمل لاكتشاف الأشياء حصريًا، مما يحد من فائدتها في خطوط أنابيب الرؤية المعقدة. من ناحية أخرى، تطورت YOLOv5 لتساند مهام رؤية حاسوبية متعددة. تدعم الإصدارات الحديثة من النموذج instance segmentation و image classification بدقة عالية، مما يتيح للمطورين توحيد حزمة التعلم الآلي الخاصة بهم.

حالات الاستخدام المثالية#

  • EfficientDet: الأنسب للمعالجة دون اتصال بالإنترنت، والبحث الأكاديمي، والتحليلات القائمة على السحابة حيث تكون الأولوية للدقة القصوى على حساب زمن الانتقال، وحيث تتوفر وحدات TPU من فئة الخوادم أو وحدات GPU عالية الذاكرة.
  • YOLOv5: الخيار النهائي لـ edge AI deployments. إن مزيجها من زمن الانتقال المنخفض، وبصمة المعلمات الضغيرة، والدقة العالية يجعلها مثالية لتحليلات الطائرات بدون طيار، وأتمتة التجارة بالتجزئة في الوقت الفعلي، وتطبيقات الهاتف المحمول عبر CoreML أو TFLite.

الجيل القادم: الترقية إلى YOLO26#

بينما تظل YOLOv5 نموذجًا قويًا ومنتشرًا على نطاق واسع، إلا أن مجال الذكاء الاصطناعي يتحرك بسرعة. بالنسبة للفرق التي تبدأ مشاريع جديدة أو تسعى للوصول إلى ذروة الأداء الحديث، قدمت Ultralytics نموذج YOLO26، الذي تم إصداره في يناير 2026.

يعيد YOLO26 تعريف حدود باريتو (Pareto frontier) للسرعة والدقة، مقدماً تحولات معمارية رائدة تجعل النشر أسهل والاستدلال أسرع.

تطورات YOLO26 الرئيسية#

  • تصميم بدون NMS من البداية للنهاية: يلغي YOLO26 محلياً معالجة ما بعد الكشف Non-Maximum Suppression. هذا يبسط بشكل كبير منطق النشر ويقلل من تباين زمن الانتقال، وهو نهج اختراقي تم تحسينه من تجارب مبكرة في YOLOv10.
  • استدلال أسرع بنسبة تصل إلى 43% على CPU: مصمم خصيصاً للحوسبة الطرفية وأجهزة IoT منخفضة الطاقة التي تعمل بدون وحدات GPU مخصصة.
  • محسن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (مثل Kimi K2 من Moonshot AI)، يجلب هذا الهجين من SGD وMuon ابتكارات النماذج اللغوية الكبيرة إلى الرؤية الحاسوبية، مما يتيح تقارباً أسرع وديناميكيات تدريب مستقرة للغاية.
  • ProgLoss + STAL: تحقق وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.
  • إزالة DFL: من خلال التخلص من Distribution Focal Loss، تم تبسيط رأس النموذج بشكل كبير، مما أدى إلى توافق أفضل عند التصدير إلى الأجهزة القديمة أو الأجهزة الطرفية ذات الموارد المقيدة للغاية.

بالنسبة للفرق التي تنشر خطوط أنابيب متعددة المهام، يقدم YOLO26 أيضًا ترقيات خاصة بالمهام، مثل النماذج الأولية متعددة المقاييس للتجزئة وخسارة الزاوية المتخصصة لـ oriented bounding boxes (OBB). لاستكشاف بدائل حديثة أخرى داخل النظام البيئي، يمكنك أيضًا مراجعة YOLO11 أو هندسة YOLOv8.

الخلاصة#

يعتمد الاختيار بين EfficientDet وYOLOv5 بشكل كبير على هدف النشر الخاص بك. تقدم EfficientDet نهج توسيع أنيق رياضياً ومناسب للاستدلال السحابي المكثف. ومع ذلك، فإن تجربة المطورين الفائقة في YOLOv5، وحلقات تدريب PyTorch السريعة للغاية، وقدرات النشر على الحافة المحسنة للغاية تجعلها الخيار المفضل للغالبية العظمى من تطبيقات العالم الحقيقي في الوقت الفعلي. من خلال الاستفادة من الأدوات الشاملة التي توفرها Ultralytics، يمكن للفرق تسريع وقت وصولها إلى السوق وبناء أنظمة ذكاء اصطناعي عالية الاستجابة.

المساهمون
GLglenn-jocher14PDpderrenger1

التعليقات