مقارنة بين EfficientDet وYOLOv6-3.0#

يُعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لأي مبادرة ناجحة في الرؤية الحاسوبية. تقدم هذه الدراسة المتعمقة مقارنة تقنية للغاية بين نموذجين محوريين في مجال اكتشاف الأجسام: EfficientDet من Google وYOLOv6-3.0 من Meituan.

على الرغم من أن كلتا البنيتين مثلتا قفزتين كبيرتين إلى الأمام عند إصدارهما، فإن التطور السريع للذكاء الاصطناعي أوجد حلولًا أكثر تنوعًا ومحسّنة للأجهزة الطرفية. نستعرض أدناه أداء EfficientDet وYOLOv6-3.0، ومنهجيات تدريبهما، والفروق الدقيقة في بنيتيهما، ونستكشف سبب انتقال المطورين بصورة متزايدة إلى منظومات حديثة مثل Ultralytics YOLO26 لتحقيق نشر متطور.

EfficientDet: بنية AutoML قابلة للتوسع#

طوّر فريق Google Brain نموذج EfficientDet، الذي أحدث تحولًا في المنهجية من خلال الاعتماد على التعلم الآلي المؤتمت (AutoML) لتحسين كل من العمود الفقري وشبكة السمات فيه.

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• الجهة: Google Research
• التاريخ: 2019-11-20
• Arxiv: 1911.09070
• GitHub: google/automl
• الوثائق: الملف التمهيدي لـ EfficientDet

الابتكارات المعمارية#

يتمثل الابتكار الأساسي في EfficientDet في شبكة هرم السمات ثنائية الاتجاه (BiFPN). فعلى عكس شبكات FPN التقليدية التي تكتفي بتجميع السمات من أعلى إلى أسفل، تتيح BiFPN اتصالات معقدة ثنائية الاتجاه بين المقاييس، وتستخدم أوزانًا قابلة للتعلم لفهم أهمية سمات الإدخال المختلفة. ويقترن ذلك بأسلوب تحجيم مركب يوسّع دقة الشبكة وعمقها وعرضها بالتزامن وبصورة موحّدة.

نقاط القوة والضعف#

يحقق EfficientDet متوسط دقة ممتازًا (mAP) مقارنةً بعدد معلماته، ما يجعله عالي الدقة بالنسبة إلى عصره. لكنه يعتمد اعتمادًا كبيرًا على بيئات TensorFlow القديمة. وغالبًا ما يؤدي هذا الاعتماد إلى ضبط معقد للمعلمات الفائقة، واستخدام أعلى للذاكرة أثناء التدريب، وزمن استدلال أبطأ على العتاد القياسي مقارنةً بكاشفات الأجسام أحادية المرحلة الحديثة المستندة إلى PyTorch.

تعرّف على المزيد حول EfficientDet

YOLOv6-3.0: بطل معدل المعالجة الصناعية#

أُصدر YOLOv6-3.0 لتلبية الاحتياجات المحددة للمعالجة بالجملة، وهو شبكة عصبية تلافيفية (CNN) صُممت من الأساس لتعظيم معدل المعالجة على مسرّعات العتاد مثل وحدات معالجة الرسومات NVIDIA T4 وA100.

• المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، وآخرون.
• الجهة: Meituan Vision AI
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• المستندات: وثائق YOLOv6

الابتكارات المعمارية#

يستبدل YOLOv6-3.0 الوحدات التقليدية بوحدة التسلسل ثنائي الاتجاه (BiC) في العنق للحفاظ على إشارات التحديد المكاني الدقيقة. علاوةً على ذلك، يستخدم استراتيجية التدريب المعزَّز بالمراسي (AAT). تدمج AAT فرعًا مساعدًا قائمًا على المراسي أثناء مرحلة التدريب لتوفير إرشاد إضافي للتدرجات، ثم يُستبعد هذا الفرع أثناء الاستدلال للحفاظ على ميزة السرعة الخالية من المراسي.

نقاط القوة والضعف#

بُني YOLOv6-3.0 على العمود الفقري EfficientRep الملائم للعتاد، ويتفوق في بيئات التصنيع الصناعية عالية السرعة حيث يمكن إجراء المعالجة الدفعية على وحدات معالجة رسومات مخصصة. غير أن اعتماده الكبير على عمليات إعادة المعلمات قد يؤدي إلى انخفاضات ملحوظة في السرعة عند نشره على الأجهزة الطرفية أو في البيئات التي تعتمد حصريًا على عمليات CPU.

تعرّف على المزيد حول YOLOv6-3.0

مقارنة الأداء#

يُعد فهم مقاييس الأداء الخام أمرًا أساسيًا لاختيار نموذج يتوافق مع قيود النشر الخاصة بك. فيما يلي تحليل مفصل للدقة والسرعة والبصمة الحسابية.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet وYOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات المنظومة البرمجية.

متى تختار EfficientDet#

يُعد EfficientDet خيارًا قويًا من أجل:

• مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
• أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
• النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.

متى تختار YOLOv6#

يوصى باستخدام YOLOv6 في الحالات التالية:

• النشر المراعي للعتاد الصناعي: السيناريوهات التي يوفر فيها تصميم النموذج المراعي للعتاد وإعادة المعلمة الفعالة أداءً محسنًا على عتاد مستهدف محدد.
• الاكتشاف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للرقابة.
• التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنيتها التحتية للنشر.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

ميزة Ultralytics: لماذا يُعد YOLO26 الخيار الأفضل#

على الرغم من أن EfficientDet وYOLOv6-3.0 كانا محطتين بارزتين في أبحاث الرؤية، فإن نشرهما في بيئات الإنتاج الحديثة غالبًا ما يتطلب التعامل مع تبعيات معقدة، وواجهات API غير مترابطة، ومتطلبات ذاكرة مرتفعة. وتحل منظومة Ultralytics اختناقات سير العمل هذه بصورة أصلية.

للمطورين الذين يبحثون عن أقصى أداء وسهولة استخدام، يقدم Ultralytics YOLO26 (الذي أُصدر في يناير 2026) قفزة نوعية إلى الأمام. وهو النموذج الموصى به لعمليات النشر الجديدة، إذ يتفوق على البنى القديمة في جميع المجالات.

ابتكارات YOLO26 الثورية#

• تصميم شامل من البداية إلى النهاية خالٍ من NMS: يعمل YOLO26 أصلاً من البداية إلى النهاية، ما يلغي تمامًا الحاجة إلى المعالجة اللاحقة لـ كبت القيمة غير العظمى (NMS). ويؤدي ذلك إلى خفض كبير في تباين زمن الاستجابة وتبسيط نشر النماذج عبر مجموعة متنوعة من العتاد الطرفي.
• مُحسِّن MuSGD: مستوحى من تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuon. وينقل ذلك استقرار نماذج اللغة الكبيرة إلى مجال الرؤية الحاسوبية، ما يضمن تقاربًا أسرع وعمليات تدريب عالية الكفاءة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: يحوّل YOLO26، المحسّن خصيصًا من أجل الحوسبة الطرفية والأجهزة منخفضة استهلاك الطاقة، سرعات CPU غير المسبوقة إلى واقع في الحالات التي تعاني فيها النماذج الصناعية التقليدية.
• إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط رسم التصدير، ما يوفر توافقًا سلسًا مع أوقات التشغيل الخاصة بالنشر مثل OpenVINO وCoreML.
• ProgLoss + STAL: توفر دوال الخسارة المتقدمة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، ما يجعل YOLO26 ضروريًا لرسم الخرائط بالطائرات المسيّرة، ومستشعرات إنترنت الأشياء، والروبوتات.

تعدد استخدامات لا مثيل له#

على عكس EfficientDet، المحصور في اكتشاف مربعات الإحاطة، يُعد YOLO26 متعلمًا أصليًا متعدد المهام. وتدعم واجهة Python البرمجية الموحدة نفسها تجزئة الكائنات، وتقدير الوضعية، وتصنيف الصور، واكتشاف مربع الإحاطة الموجّه (OBB) مباشرةً، مع تحسينات خاصة بكل مهمة مثل خسارة التجزئة الدلالية وتقدير لوغاريتم الاحتمال المتبقي (RLE) المدمجين مباشرةً في البنية.

تكامل سلس مع الشيفرة#

لم يعد تدريب شبكة عصبية متقدمة يتطلب مئات الأسطر من الشيفرة النمطية. تتيح مكتبة Ultralytics للباحثين تحميل نموذج وتدريبه والتحقق منه على مجموعات بيانات قياسية مثل COCO بسلاسة:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently with automatic hardware detection
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()
print(f"Achieved mAP50-95: {metrics.box.map:.3f}")

# Export directly to ONNX or TensorRT without NMS overhead
model.export(format="onnx")

نماذج أخرى جديرة بالاعتبار#

إذا كان مشروعك يتطلب دعم مواصفات عتاد أقدم أو كنت تتولى صيانة قاعدة شيفرة قديمة، فإن منظومة Ultralytics الأوسع توفر لك ما تحتاج إليه.

• Ultralytics YOLO11: السلف المباشر لـ YOLO26، ويحظى بثقة كبيرة في بيئات المؤسسات التي تتطلب مسارات معالجة ناضجة وموثقة جيدًا.
• Ultralytics YOLOv8: النموذج الرائد الذي أعاد تعريف تجربة المطور، ولا يزال خيارًا ممتازًا لمهام الرؤية الحاسوبية العامة المدمجة بعمق مع أدوات مثل TensorBoard وWeights & Biases.