ابدأ

EfficientDet مقابل YOLOv6-3.0

يُعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لنجاح أي مشروع رؤية حاسوبية. يقدم هذا الدليل مقارنة تقنية بين نموذجين مهمين في اكتشاف الكائنات: EfficientDet من Google وYOLOv6-3.0 من Meituan.

مع أن كلتا البنيتين حققتا تقدمًا كبيرًا عند إطلاقهما، فقد أنتج الذكاء الاصطناعي منذ ذلك الحين حلولًا أكثر تنوعًا ومحسّنة للأجهزة الطرفية. يقارن هذا الدليل أداء EfficientDet وYOLOv6-3.0 وأساليب تدريبهما وتفاصيلهما المعمارية، ويوضح لماذا يختار كثير من المطورين الآن منظومات حديثة مثل Ultralytics YOLO26 للنشر.

EfficientDet: بنية AutoML قابلة للتوسع#

طوّر فريق Google Brain نموذج EfficientDet اعتمادًا على العمود الفقري EfficientNet المصمم باستخدام AutoML، وأرفقه بشبكة ميزات ذات تحجيم مركب.

ابتكارات البنية#

يتمثل الابتكار الأساسي في EfficientDet في BiFPN (شبكة هرم ميزات ثنائية الاتجاه). وعلى عكس شبكات FPN التقليدية التي تكتفي بتجميع الميزات من الأعلى إلى الأسفل، تتيح BiFPN اتصالات معقدة ثنائية الاتجاه بين المقاييس، وتستخدم أوزانًا قابلة للتعلم لالتقاط أهمية ميزات الإدخال المختلفة. ويُقرن ذلك بطريقة تحجيم مركب تحجّم دقة الشبكة وعمقها وعرضها بانتظام وبالتزامن.

نقاط القوة والضعف#

يحقق EfficientDet متوسط الدقة (mAP) جيدًا مقارنةً بعدد معلماته، مما جعله عالي الدقة في وقته. إلا أنه يعتمد اعتمادًا كبيرًا على بيئات TensorFlow الأقدم. وغالبًا ما يؤدي هذا الاعتماد إلى ضبط معقد للمعلمات الفائقة، واستهلاك أكبر للذاكرة أثناء التدريب، وزمن استدلال أبطأ على العتاد القياسي مقارنةً بكواشف الأجسام الحديثة أحادية المرحلة المعتمدة على PyTorch.

تعرّف على المزيد عن EfficientDet

YOLOv6-3.0: بطل الإنتاجية الصناعية#

صُمم YOLOv6-3.0، المخصص للمعالجة الصناعية ذات الحجم الكبير، بوصفه شبكة عصبية التفافية (CNN) من البداية لتعظيم معدل النقل على مسرّعات العتاد مثل وحدات معالجة الرسومات NVIDIA T4 وA100.

ابتكارات البنية#

يستبدل YOLOv6-3.0 الوحدات التقليدية بوحدة BiC (الدمج ثنائي الاتجاه) في العنق للحفاظ على إشارات تحديد الموقع الدقيقة. كما يستخدم استراتيجية التدريب بمساعدة المراسي (AAT). تدمج AAT فرعًا مساعدًا قائمًا على المراسي أثناء التدريب لتوفير توجيه إضافي للتدرج، 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، ويؤدي أداءً جيدًا في بيئات التصنيع الصناعية عالية السرعة التي تتيح المعالجة الدفعية على وحدات معالجة الرسومات المخصصة. إلا أن تصميمه مضبوط لتحقيق معدل نقل مرتفع على GPU، ولذلك قد تتقلص ميزة السرعة على الأجهزة الطرفية أو في البيئات التي تعتمد على CPU فقط.

تعرّف على مزيد من المعلومات حول YOLOv6-3.0

مقارنة الأداء#

يُعد فهم مقاييس الأداء الفعلية أمرًا أساسيًا لاختيار نموذج يتوافق مع قيود النشر المحددة لديك. ويعرض الجدول أدناه تفاصيل الدقة والسرعة والبصمة الحاسوبية.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
اعتبارات العتاد

على الرغم من أن YOLOv6-3.0 يحقق سرعات عالية جدًا على TensorRT مع وحدات معالجة الرسومات T4، فسيستفيد المطورون الذين ينشرون على عتاد طرفي محدود الموارد أو على وحدات CPU استفادة كبيرة من البنى المصممة خصيصًا للبيئات منخفضة الطاقة، مثل Ultralytics YOLO26.

حالات الاستخدام والتوصيات#

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

متى تختار EfficientDet#

يُعد EfficientDet خيارًا قويًا لـ:

  • مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
  • أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
  • النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة Android أو أجهزة Linux المضمنة.

متى تختار YOLOv6#

يُنصح بـ YOLOv6 في الحالات التالية:

  • النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
  • الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
  • التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.

متى تختار Ultralytics (YOLO26)#

يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:

  • النشر الطرفي الخالي من NMS: للتطبيقات التي تتطلب استدلالًا مستقرًا بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للقمع غير الأقصى (NMS).
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n)، أفضلية واضحة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics: لماذا تختار YOLO26#

كان EfficientDet وYOLOv6-3.0 محطتين بارزتين في أبحاث الرؤية، لكن نشرهما في بيئات الإنتاج الحديثة غالبًا ما يتطلب التعامل مع تبعيات معقدة وواجهات API متفرقة ومتطلبات ذاكرة مرتفعة. وتعالج منظومة Ultralytics هذه العقبات في سير العمل مباشرةً.

للمطورين الباحثين عن أداء قوي وسهولة الاستخدام، يمثل Ultralytics YOLO26 (الصادر في يناير 2026) تقدمًا كبيرًا. وهو النموذج الموصى به لعمليات النشر الجديدة.

ابتكارات YOLO26#

  • تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل الأصلي، ما يلغي الحاجة إلى المعالجة اللاحقة لـ NMS عند اختيار رأسه واحد إلى واحد باستخدام nms=False. ويقلل ذلك تفاوت زمن الاستجابة ويبسط نشر النموذج على مجموعة متنوعة من الأجهزة الطرفية.
  • مُحسِّن MuSGD: مستوحى من تدريب LLM (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا من SGD وMuon. وينقل ذلك استقرار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، مع توفير تقارب أسرع وتدريب فعال.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: يقدم YOLO26، المحسّن لـالحوسبة الطرفية والأجهزة منخفضة الطاقة، استدلالًا سريعًا على CPU في الحالات التي تواجه فيها النماذج الصناعية التقليدية صعوبة، إذ تصل سرعة YOLO26n إلى 43% أعلى من YOLO11n.
  • إزالة DFL: أُزيلت Distribution Focal Loss لتبسيط رسم التصدير البياني، مما يحسن التوافق مع بيئات التشغيل الخاصة بالنشر مثل OpenVINO وCoreML.
  • ProgLoss + STAL: تحقق الخسارة التدريجية وإسناد التسميات الواعي بالأهداف الصغيرة تحسينات ملحوظة في التعرف على الكائنات الصغيرة، مما يجعل YOLO26 مناسبًا لرسم الخرائط بالطائرات المسيّرة ومستشعرات IoT والروبوتات.

تعدد الاستخدامات#

على عكس EfficientDet الذي يقتصر على اكتشاف الصناديق المحددة، فإن YOLO26 متعدد المهام بطبيعته. وتدعم واجهة API الموحدة لـ Python نفسها تقسيم الكائنات وتصنيف الصور وتقدير الوضعية واكتشاف الصناديق المحددة الموجّهة (OBB) مباشرةً، مع تحسينات خاصة بالمهام مثل خسارة التقسيم الدلالي وتقدير Residual Log-Likelihood (RLE) المدمجة مباشرةً في البنية.

تكامل الشفرة#

لم يعد تدريب شبكة عصبية متقدمة يتطلب مئات الأسطر من التعليمات البرمجية التمهيدية. تتيح مكتبة Ultralytics للباحثين تحميل نموذج وتدريبه والتحقق من صحته على مجموعات بيانات قياسية مثل COCO باستخدام بضعة أسطر:

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", nms=False)

نماذج أخرى جديرة بالنظر#

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

  • Ultralytics YOLO11: السلف المباشر لـ YOLO26، ويُستخدم على نطاق واسع في بيئات المؤسسات التي تتطلب خطوط أنابيب ناضجة وموثقة جيدًا.
  • Ultralytics YOLOv8: نموذج واسع الانتشار وضع معيارًا عاليًا لتجربة المطورين، ولا يزال خيارًا جيدًا لمهام الرؤية الحاسوبية العامة، مع تكامل وثيق مع أدوات مثل TensorBoard وWeights & Biases.
المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.