EfficientDet مقابل YOLOv5
يُعد اختيار بنية الشبكة العصبية المناسبة خطوة حاسمة في أي مشروع رؤية حاسوبية. ويحدد التوازن بين زمن الاستدلال وكفاءة المعلمات ودقة الاكتشاف مدى جودة أداء النموذج في العالم الحقيقي. يحلل هذا الدليل التقني إطارين مؤثرين لاكتشاف الكائنات: 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#
صُمم EfficientDet، الذي قدمته Google Research، لتحجيم كل من العمود الفقري وشبكة الميزات بطريقة منهجية، بهدف تحقيق دقة عالية بعدد معلمات أقل من النماذج الرائدة السابقة.
تفاصيل النموذج#
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- المؤسسة: Google Research
- التاريخ: 20 نوفمبر 2019
- arXiv: EfficientDet: اكتشاف كائنات قابل للتوسع وفعّال
- GitHub: google/automl/efficientdet
ابتكارات البنية#
يستخدم EfficientDet نموذج التصنيف EfficientNet عمودًا فقريًا، مع طريقة تحجيم مركب تحجّم عرض الشبكة وعمقها ودقتها بانتظام. وأبرز إسهاماته في اكتشاف الكائنات هو تقديم شبكة هرم الميزات ثنائية الاتجاه (BiFPN). وعلى عكس شبكات هرم الميزات القياسية التي تكتفي بتجميع الميزات من الأعلى إلى الأسفل، تتيح BiFPN اتصالات 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 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#
عند إصدار Ultralytics YOLOv5 في منتصف عام 2020، أصبح YOLO أكثر سهولة بكثير بفضل التطبيق الأصلي للبنية باستخدام PyTorch. وأرسى معيارًا جديدًا لتجربة المطورين وكفاءة التدريب ومرونة النشر الآني.
تفاصيل النموذج#
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 26 يونيو 2020
- GitHub: ultralytics/yolov5
- الوثائق: وثائق YOLOv5
ابتكارات البنية#
قدم YOLOv5 تحسينات كبيرة مقارنةً بأسلافه، إذ استخدم عمودًا فقريًا CSPDarknet (الجزئي عبر المراحل) يعزز تدفق التدرج مع تقليل العدد الإجمالي للمعلمات. كما يدمج YOLOv5 صناديق مراسي ذاتية التعلم، تحسب تلقائيًا القيم المسبقة للصناديق المحددة من بيانات التدريب المخصصة، ما يلغي ضبط المراسي يدويًا.
يعتمد YOLOv5 أيضًا بدرجة كبيرة على تعزيز البيانات Mosaic، الذي يمزج أربع صور مختلفة في بلاطة تدريب واحدة. ويحسن ذلك قدرة النموذج على اكتشاف الكائنات الصغيرة وفهم السياق، مما يجعله متينًا 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) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 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 يصل إلى mAP أقصى قدره 53.7، فإن زمن استدلاله على عتاد GPU مرتفع مقارنةً ببنى YOLO. وعلى النقيض، يستفيد YOLOv5 كثيرًا من تسريع العتاد. ويحقق الإصدار YOLOv5n زمن استدلال قدره 1.12 ms على وحدة معالجة الرسومات T4 باستخدام NVIDIA TensorRT، مما يجعله أنسب بكثير للتطبيقات الآنية مثل القيادة الذاتية أو خطوط التصنيع عالية السرعة.
تتطلب نماذج YOLOv5 أيضًا ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالشبكات المعقدة ذات التحجيم المركب أو نماذج Transformer الكبيرة. وتجعل هذه البصمة الذاكرية المنخفضة الذكاء الاصطناعي الحديث متاحًا، إذ تتيح للباحثين تدريب نماذج متينة على عتاد استهلاكي قياسي.
لاستخراج أقصى عدد من الإطارات في الثانية (FPS) من نموذج YOLOv5 على الأجهزة الطرفية، صدّر أوزان PyTorch إلى TensorRT لوحدات معالجة الرسومات NVIDIA أو إلى OpenVINO لوحدات CPU من Intel. ويمكن لهذه الخطوة زيادة سرعة الاستدلال بدرجة كبيرة.
منظومة التدريب وتجربة المطور#
تكمن الميزة الرئيسية لمنظومة Ultralytics في تجربة الاستخدام المبسطة. فبينما يتطلب EfficientDet معرفة متعمقة بواجهة API لاكتشاف الكائنات في TensorFlow، يوفر YOLOv5 واجهة API بسيطة ومتسقة لـ Python.
توفر منظومة Ultralytics، التي تخضع لصيانة جيدة، تحديثات متكررة ودعمًا نشطًا من المجتمع وعمليات تكامل 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 إطار لاكتشاف الكائنات، مما يحد من فائدته في خطوط أنابيب الرؤية المعقدة. أما YOLOv5، فقد تطور لدعم مهام متعددة في الرؤية الحاسوبية. وتدعم الإصدارات الحديثة من النموذج تقسيم الكائنات وتصنيف الصور بدقة، مما يتيح للمطورين توحيد مجموعة أدوات التعلم الآلي 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: خيار قوي لـعمليات نشر الذكاء الاصطناعي الطرفي. ويجعله الجمع بين زمن الاستجابة المنخفض وبصمة المعلمات الصغيرة والدقة العالية مناسبًا 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. وقدمت Ultralytics YOLO26، الذي صدر في يناير 2026، للفرق التي تبدأ مشاريع جديدة أو تسعى إلى أفضل أداء حديث.
يحسن YOLO26 المفاضلة بين السرعة والدقة من خلال تغييرات معمارية تسهّل النشر وتسرّع الاستدلال.
أبرز تطورات YOLO26#
- تصميم شامل خالٍ من NMS: يلغي الرأس الشامل الاختياري في YOLO26 (
nms=False) المعالجة اللاحقة للكبت غير الأقصى (NMS). ويبسط ذلك منطق النشر ويقلل تفاوت زمن الاستجابة، مع تطوير نهج قدمه YOLOv10 لأول مرة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بالمقارنة مع YOLO11n، تصل سرعة YOLO26n إلى 43% أعلى على CPU، مما يجعله مناسبًا للحوسبة الطرفية وأجهزة IoT منخفضة الطاقة التي تعمل دون وحدات معالجة رسومات مخصصة.
- مُحسِّن MuSGD: استُلهم هذا المزيج من SGD وMuon من تقنيات تدريب نماذج اللغة الكبيرة (مثل التقنيات المستخدمة في Kimi K2 من Moonshot AI)، وينقل أفكار تدريب LLM إلى الرؤية الحاسوبية، مما يتيح تقاربًا أسرع وديناميكيات تدريب مستقرة.
- ProgLoss + STAL: تحقق الخسارة التدريجية واستراتيجية إسناد التسميات الواعية بالأهداف الصغيرة تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.
- إزالة DFL: تؤدي إزالة Distribution Focal Loss إلى تبسيط رأس النموذج، وتحسين التوافق عند التصدير إلى العتاد الطرفي الأقدم أو شديد القيود.
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. يوفر EfficientDet نهج تحجيم منهجيًا مناسبًا للاستدلال الذي يعتمد بكثافة على السحابة. لكن تجربة المطورين مع YOLOv5، وحلقات التدريب السريعة على PyTorch، وإمكانات النشر الطرفي المحسّنة تجعله الخيار المفضل لمعظم التطبيقات الواقعية والآنية، ويُعد YOLO26 نقطة الانطلاق الموصى بها للمشاريع الجديدة. ومن خلال الاستفادة من الأدوات الشاملة التي توفرها Ultralytics، يمكن للفرق تسريع الوصول إلى السوق وبناء أنظمة ذكاء اصطناعي عالية الاستجابة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.