Meet YOLO26: next-gen vision AI.

Link to this sectionEfficientDet مقابل YOLOv5#

يعد اختيار بنية الشبكة العصبية المثالية خطوة حاسمة في أي مبادرة للرؤية الحاسوبية. إن التوازن بين زمن انتقال الاستدلال، وكفاءة المعلمات، ودقة الكشف هو ما يحدد مدى جودة أداء النموذج في العالم الحقيقي. يقدم هذا الدليل التقني الشامل تحليلاً متعمقاً لاثنين من أطر عمل كشف الكائنات المؤثرة للغاية: 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.

Link to this sectionEfficientDet: 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.

Link to this sectionتفاصيل النموذج#

Link to this sectionالابتكارات المعمارية#

تستفيد EfficientDet من نموذج تصنيف EfficientNet كبنية أساسية لها، مستخدمةً طريقة توسيع مركبة تقوم بتوسيع عرض الشبكة وعمقها ودقتها بشكل موحد. مساهمتها الأكثر بروزاً في كشف الكائنات هي تقديم شبكة هرم الميزات ثنائية الاتجاه (BiFPN). على عكس شبكات هرم الميزات القياسية التي تقوم ببساطة بتجميع الميزات من الأعلى إلى الأسفل، تسمح BiFPN باتصالات معقدة ثنائية الاتجاه عبر المقاييس وتقدم أوزانًا قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة.

على الرغم من دقتها العالية، تعتمد EfficientDet بشكل كبير على نظام TensorFlow البيئي ومكتبات AutoML المحددة. هذا الاعتماد قد يجعل دمجها أحياناً أمراً معقداً في خطوط أنابيب النشر المخصصة والخفيفة أو البيئات التي تفضل الرسوم البيانية الحسابية الديناميكية.

اعرف المزيد عن EfficientDet

Link to this sectionUltralytics YOLOv5: دمقرطة الذكاء الاصطناعي في الوقت الفعلي#

بعد وقت قصير من إصدار EfficientDet، أحدث Ultralytics YOLOv5 ثورة في الصناعة من خلال تقديم تطبيق PyTorch أصلي يسهل الوصول إليه بشكل لا يصدق لبنية YOLO. وقد وضع معياراً جديداً لتجربة المطورين، وكفاءة التدريب، ومرونة النشر في الوقت الفعلي.

Link to this sectionتفاصيل النموذج#

Link to this sectionالابتكارات 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.

يستخدم YOLOv5 أيضاً بكثافة تعزيز البيانات الفسيفسائي (Mosaic Data Augmentation)، حيث يمزج أربع صور متباينة في بلاطة تدريب واحدة. هذا يحسن بشكل كبير قدرة النموذج على اكتشاف الكائنات الصغيرة ويعمم الفهم السياقي، مما يجعله قوياً للغاية في بيئات متنوعة.

اعرف المزيد عن YOLOv5

Link to this sectionالأداء والمعايير القياسية#

يعد تقييم النماذج على معايير قياسية مثل مجموعة بيانات COCO أمراً بالغ الأهمية لفهم المقايضات بين الدقة والسرعة. يوضح الجدول أدناه كيفية أداء أحجام مختلفة من 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

Link to this sectionتحليل المقايضات#

بينما تصل EfficientDet-d7 إلى ذروة مبهرة في mAP تبلغ 53.7، إلا أنها تعاني من زمن انتقال كبير في الاستدلال على أجهزة GPU مقارنة ببنيات YOLO. في المقابل، يتفوق YOLOv5 في تسريع الأجهزة. يحقق متغير YOLOv5n وقت استدلال سريعاً بشكل مذهل يبلغ 1.12 مللي ثانية على GPU من طراز T4 باستخدام NVIDIA TensorRT، مما يجعله متفوقاً 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

للحصول على أقصى عدد من الإطارات في الثانية (FPS) من نموذج YOLOv5 الخاص بك على الأجهزة الطرفية، قم بتصدير أوزان PyTorch الخاصة بك إلى TensorRT لوحدات معالجة الرسومات NVIDIA أو OpenVINO لوحدات المعالجة المركزية Intel. غالباً ما يمكن لهذه الخطوة مضاعفة سرعة الاستدلال لديك.

Link to this sectionنظام 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 البيئي المدار جيداً حصول المطورين على تحديثات متكررة، ودعم مجتمعي نشط، وتكامل سلس مع أدوات تتبع التجارب مثل Weights & Biases وClearML.

Link to this sectionمثال كودي: البدء مع YOLOv5#

يتطلب تشغيل الاستدلال بنموذج YOLOv5 مدرب مسبقاً بضعة أسطر فقط من الكود 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()

Link to this sectionالتنوع وتطبيقات العالم الحقيقي#

تعد EfficientDet إطار عمل لاكتشاف الكائنات حصراً، مما يحد من فائدتها في خطوط أنابيب الرؤية المعقدة. من ناحية أخرى، تطور YOLOv5 لدعم مهام رؤية حاسوبية متعددة. تدعم الإصدارات الحديثة من النموذج تجزئة المثيلات وتصنيف الصور بدقة عالية، مما يسمح للمطورين بدمج مكدس التعلم الآلي الخاص بهم.

Link to this sectionحالات 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 لنشر الذكاء الاصطناعي على الحافة. إن مزيجها من زمن الانتقال المنخفض، والبصمة الصغيرة للمعلمات، والدقة العالية يجعلها مثالية لتحليلات الطائرات بدون طيار، وأتمتة البيع بالتجزئة في الوقت الفعلي، وتطبيقات الهاتف المحمول عبر CoreML أو TFLite.

Link to this sectionالجيل القادم: الترقية إلى YOLO26#

بينما يظل YOLOv5 نموذجاً قوياً ومنتشراً على نطاق واسع، إلا أن مجال الذكاء الاصطناعي يتحرك بسرعة. للفرق التي تبدأ مشاريع جديدة أو تسعى للحصول على 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.

Link to this sectionتطورات 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 أيضاً ترقيات خاصة بالمهام، مثل البروتو متعدد المقاييس للتجزئة وخسارة الزاوية المتخصصة لـ مربعات الإحاطة الموجهة (OBB). لاستكشاف بدائل حديثة أخرى داخل النظام البيئي، يمكنك أيضاً مراجعة YOLO11 أو بنية YOLOv8.

Link to this sectionالخلاصة#

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-jocher13

التعليقات