EfficientDet مقابل YOLOv6-3.0#
يُعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لأي مبادرة ناجحة في الرؤية الحاسوبية. تقدّم هذه الدراسة المتعمقة مقارنة تقنية موسعة بين نموذجين محوريين في مجال اكتشاف الأجسام: EfficientDet من Google وYOLOv6-3.0 من Meituan.
مع أن كلتا البنيتين مثّلتا قفزات كبيرة إلى الأمام عند إصدارهما، فقد أتاح التطور السريع للذكاء الاصطناعي حلولًا أكثر تنوعًا ومحسّنة للأجهزة الطرفية. نستعرض أدناه أداء EfficientDet وYOLOv6-3.0، ومنهجيات تدريبهما، والفروق الدقيقة في بنيتيهما، ونبحث أسباب انتقال المطورين المتزايد إلى منظومات حديثة مثل Ultralytics YOLO26 لنشر أحدث التقنيات.
EfficientDet: بنية AutoML قابلة للتوسع#
قدّم فريق Google Brain نموذج EfficientDet، وأحدث تحولًا جذريًا بالاعتماد على التعلّم الآلي الآلي (AutoML) لتحسين كل من العمود الفقري وشبكة السمات.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- المؤسسة: Google Research
- التاريخ: 2019-11-20
- Arxiv: 1911.09070
- GitHub: google/automl
- الوثائق: ملف README الخاص بـ EfficientDet
ابتكارات البنية#
يتمثل الابتكار الأساسي في EfficientDet في شبكة هرم السمات ثنائية الاتجاه (BiFPN). فعلى خلاف شبكات FPN التقليدية التي تكتفي بتجميع السمات من الأعلى إلى الأسفل، تتيح BiFPN وصلات معقدة ثنائية الاتجاه بين المقاييس، وتستخدم أوزانًا قابلة للتعلّم لتحديد أهمية سمات الإدخال المختلفة. ويقترن ذلك بأسلوب تحجيم مركب يوسّع الدقة والعمق والعرض في الشبكة كلها بالتزامن وبصورة موحّدة.
نقاط القوة والضعف#
يحقق EfficientDet متوسط دقة ممتازًا متوسط الدقة (mAP) نسبةً إلى عدد معلماته، ما جعله دقيقًا للغاية في عصره. لكنه يعتمد اعتمادًا كبيرًا على بيئات TensorFlow القديمة. وغالبًا ما يؤدي هذا الاعتماد إلى تعقيد ضبط المعلمات الفائقة، وزيادة استهلاك الذاكرة أثناء التدريب، وارتفاع زمن استجابة الاستدلال على الأجهزة القياسية مقارنةً بكواشف الأجسام أحادية المرحلة الحديثة المبنية على PyTorch.
تعرّف على المزيد عن EfficientDet
YOLOv6-3.0: بطل الإنتاجية الصناعية#
أُطلق YOLOv6-3.0 لتلبية الاحتياجات المحددة للمعالجة الدفعية، وهو شبكة عصبية التفافية (CNN) صُممت منذ البداية لتعظيم معدل النقل على مسرّعات الأجهزة مثل NVIDIA T4 وA100 GPUs.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
- المؤسسة: Meituan Vision AI
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
- الوثائق: وثائق YOLOv6
ابتكارات البنية#
يستبدل YOLOv6-3.0 الوحدات التقليدية بوحدة الدمج ثنائي الاتجاه (BiC) 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 للتدرّج، ثم يُستبعد هذا الفرع أثناء الاستدلال للحفاظ على ميزة السرعة التي يوفرها التصميم الخالي من المراسي.
نقاط القوة والضعف#
يستند YOLOv6-3.0 إلى العمود الفقري EfficientRep الملائم للأجهزة، ويتفوق في بيئات التصنيع الصناعية عالية السرعة التي تتيح معالجة الدُفعات على وحدات GPU مخصصة. لكن اعتماده الكبير على عمليات إعادة المعلمات قد يؤدي إلى انخفاض ملحوظ في السرعة عند نشره على الأجهزة الطرفية أو في البيئات التي تعتمد حصريًا على حسابات CPU.
تعرّف على مزيد من المعلومات 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.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
على الرغم من أن YOLOv6-3.0 يحقق سرعات فائقة عبر TensorRT على وحدات T4 GPU، فسيستفيد المطورون الذين ينشرون على أجهزة طرفية محدودة الموارد أو 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: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
- 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)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- 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 يُعد YOLO26 الخيار الأفضل#
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 الساعين إلى أعلى مستويات الأداء وسهولة الاستخدام، يقدّم Ultralytics YOLO26 (الصادر في يناير 2026) نقلة نوعية. وهو النموذج الموصى به لعمليات النشر الجديدة، إذ يتفوق على البنى القديمة في جميع المجالات.
ابتكارات YOLO26 الرائدة#
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يدعم YOLO26 الاستدلال الأصلي الشامل من البداية إلى النهاية، ويستغني عن الحاجة إلى المعالجة اللاحقة لكبح القيم غير القصوى (NMS) عند اختيار الرأس أحادي المطابقة باستخدام
nms=False. ويقلل ذلك تفاوت زمن الاستجابة بدرجة كبيرة، كما يبسّط نشر النماذج على مختلف الأجهزة الطرفية. - مُحسِّن MuSGD: استلهامًا من تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuon. ويجلب ذلك استقرار نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يضمن تقاربًا أسرع وعمليات تدريب عالية الكفاءة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: صُمم YOLO26 خصيصًا لـالحوسبة الطرفية والأجهزة منخفضة الطاقة، ويقدم سرعات CPU لا مثيل لها في المجالات التي تواجه فيها النماذج الصناعية التقليدية صعوبة.
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط مخطط التصدير، ما يتيح توافقًا سلسًا مع بيئات التشغيل المستخدمة للنشر مثل OpenVINO وCoreML.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، ما يجعل YOLO26 أساسيًا لرسم خرائط الطائرات المسيّرة ومستشعرات إنترنت الأشياء والروبوتات.
تعدد استخدامات لا مثيل له#
على خلاف EfficientDet، المحصور في اكتشاف مربعات الإحاطة، يتعلم YOLO26 مهامًا متعددة بطبيعته. وتدعم واجهة Python البرمجية الموحدة نفسها، مباشرةً، تقسيم الكائنات وتقدير الوضعية وتصنيف الصور واكتشاف مربعات الإحاطة الموجّهة (OBB)، مع تحسينات خاصة بكل مهمة، مثل خسارة التقسيم الدلالي وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، المدمجة مباشرةً في البنية.
تكامل سلس مع الشيفرة#
لم يعد تدريب شبكة عصبية متقدمة يتطلب مئات الأسطر من الشيفرة التمهيدية. تتيح مكتبة Ultralytics للباحثين تحميل نموذج وتدريبه والتحقق من صحته على مجموعات بيانات قياسية مثل COCO بسهولة تامة:
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، ويحظى بثقة كبيرة في بيئات المؤسسات التي تتطلب مسارات عمل ناضجة وموثقة جيدًا.
- Ultralytics YOLOv8: النموذج الرائد الذي أعاد تعريف تجربة المطور، ولا يزال خيارًا ممتازًا لمهام الرؤية الحاسوبية عامة الاستخدام، مع تكامل وثيق مع أدوات مثل TensorBoard وWeights & Biases.