EfficientDet مقابل YOLOv7
يُعد اختيار بنية الشبكة العصبية الأكثر فاعلية أمرًا بالغ الأهمية لنجاح أي مشروع رؤية حاسوبية. وتساعد مقارنة النماذج الراسخة مثل EfficientDet وYOLOv7 المطورين على تحسين الدقة والكفاءة الحاسوبية معًا.
يغطي هذا التحليل التقني التفاصيل المعمارية ومقاييس الأداء وسيناريوهات النشر الأنسب لكلا النموذجين. كما يوضح لماذا تُعد منظومة Ultralytics المتكاملة، بما في ذلك أحدث إصدار Ultralytics YOLO26، بديلًا قويًا لمهام الرؤية الحاسوبية الحديثة.
فهم EfficientDet#
صُمم EfficientDet لتعظيم الدقة مع إدارة التكاليف الحاسوبية منهجيًا في ظل قيود الموارد المتنوعة. وقد حقق ذلك باتباع نهج جديد في التوسيع ودمج السمات.
تفاصيل EfficientDet:
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 2019-11-20
- arXiv: EfficientDet: اكتشاف كائنات قابل للتوسع وفعّال
- GitHub: مستودع Google AutoML
البنية والابتكارات#
في جوهره، يستخدم EfficientDet شبكة هرم ميزات ثنائية الاتجاه Feature Pyramid Network (BiFPN). وعلى عكس شبكات FPN التقليدية، تتيح BiFPN دمجًا سريعًا للميزات متعددة المقاييس، عبر إدخال أوزان قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة. ويُقرن ذلك بطريقة تحجيم مركب تحجّم الدقة والعمق والعرض بانتظام، وبالتزامن، في كل من العمود الفقري وشبكة الميزات وشبكات التنبؤ بالصناديق والفئات.
نقاط القوة والضعف#
يتميز EfficientDet بقابلية عالية للتوسع. فإصداراته الأصغر (d0-d2) فعالة للغاية من حيث المعلمات، مما يجعلها مناسبة للبيئات ذات القيود الصارمة على التخزين. أما الإصدارات الأكبر، مثل d7، فتدفع حدود متوسط الدقة (mAP) في المعالجة غير المتصلة عالية الأداء.
إلا أن EfficientDet يعتمد اعتمادًا كبيرًا على تطبيقات TensorFlow الأقدم وخطوط أنابيب AutoML المعقدة. وتجعل هذه البنية التحتية القديمة دمجه في سير العمل الحديث المتمحور حول PyTorch أمرًا صعبًا. كما يعاني من زمن استدلال مرتفع بشكل ملحوظ على الأجهزة الطرفية عند التوسع إلى الإصدارات الأعلى دقة.
تعرّف على المزيد عن EfficientDet
فهم YOLOv7#
حقق YOLOv7، الذي طُرح في عام 2022، تحسنًا كبيرًا في السرعة والدقة للتطبيقات الآنية، وأرسى معيارًا جديدًا لعائلة YOLO آنذاك.
تفاصيل YOLOv7:
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- arXiv: YOLOv7: مجموعة حيل قابلة للتدريب تحقق أحدث مستوى من الأداء في كواشف الكائنات الآنية
- GitHub: مستودع YOLOv7 الرسمي
البنية والابتكارات#
قدّم YOLOv7 شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). ويحسّن هذا التطوير المعماري قدرة الشبكة على التعلم من دون إفساد مسار التدرج الأصلي، ما يمكّن النموذج من تعلم سمات أكثر تنوعًا بكفاءة. كما يطبق «مجموعة مجانية قابلة للتدريب»، مستفيدًا من تقنيات مثل إعادة المعلمات المخطط لها وتعيين التسميات الديناميكي لتعزيز الدقة دون زيادة تكلفة الاستدلال.
نقاط القوة والضعف#
يؤدي YOLOv7 أداءً جيدًا في السيناريوهات الآنية، مثل تحليلات الفيديو والتنقل الروبوتي عالي السرعة. ويتوسع أداؤه جيدًا على وحدات معالجة الرسومات المخصصة للخوادم، كما يوفر تطبيقًا أصليًا لـ PyTorch، مما يجعله متاحًا للباحثين الأكاديميين.
على الرغم من سرعته، لا يزال YOLOv7 يعتمد على الكبت غير الأقصى (NMS) للمعالجة اللاحقة، ما قد يؤدي إلى تفاوت زمن الاستجابة في المشاهد المزدحمة. كما أن استهلاكه للذاكرة أثناء التدريب أكبر بوضوح من الأجيال الأحدث، ويتطلب عتادًا أقوى للتعامل مع أحجام الدُفعات الكبيرة.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج، من الضروري دراسة المفاضلات بين الدقة وسرعة الاستدلال وحجم المعلمات. ويقيّم الجدول أدناه إعدادات EfficientDet وYOLOv7 المختلفة.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
على الرغم من أن EfficientDet-d7 يحقق أعلى mAP، فإنه يتطلب نحو 128ms على وحدة معالجة الرسومات T4. ويحقق YOLOv7x قيمة mAP مماثلة تبلغ 53.1 في 11.57ms، أي تحسنًا بمقدار رتبة من حيث الكفاءة الحاسوبية للنشر الآني.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet وYOLOv7 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 YOLOv7#
يوصى بـ YOLOv7 في الحالات التالية:
- المقارنة المرجعية الأكاديمية: إعادة إنتاج نتائج الجيل المتطور لعام 2022 أو دراسة تأثيرات E-ELAN وتقنيات مجموعة المزايا المجانية القابلة للتدريب.
- أبحاث إعادة المعلمات: دراسة الالتفافات المخطط لإعادة معلماتها واستراتيجيات توسيع النماذج المركبة.
- مسارات العمل المخصصة القائمة: المشاريع التي تعتمد على مسارات عمل مخصصة بدرجة كبيرة ومبنية على بنية YOLOv7 المحددة، والتي يصعب إعادة هيكلتها.
متى تختار Ultralytics (YOLO26)#
يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:
- 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 تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من 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#
لا يقتصر اختيار البنية المناسبة على المقاييس الخام فحسب؛ بل يشمل تقييم دورة حياة التعلم الآلي بأكملها. توفر منظومة Ultralytics تجربة تطوير قوية، وتخفض بدرجة كبيرة عتبة البدء في نشر حلول الذكاء الاصطناعي المتينة.
- سهولة الاستخدام: توفر Ultralytics واجهة API موحدة لـ Python. ويمكن للمطورين تدريب النماذج والتحقق من صحتها وتصديرها ببضعة أسطر من التعليمات البرمجية، دون الحاجة إلى إدارة قواعد تعليمات برمجية مجزأة ومعقدة، وهي شائعة مع EfficientDet.
- منظومة مُدارة جيدًا: بفضل التحديثات السريعة والوثائق الشاملة والمجتمع النشط، تضمن Ultralytics التوافق مع أحدث أطر النشر، مثل TensorRT وOpenVINO.
- متطلبات الذاكرة: بفضل استخدام محمّلات بيانات PyTorch المحسّنة وبنى الشبكات المبسطة، تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة بالشبكات متعددة الفروع والنماذج الكثيفة الاستخدام لـ Transformer.
- تعدد الاستخدامات: على عكس البنى الأقدم المقتصرة على اكتشاف الصناديق المحددة، فإن نماذج Ultralytics أطر متعددة المهام تدعم تقسيم الكائنات وتقدير الوضعية والصناديق المحددة الموجّهة (OBB).
كفاءة التدريب مع Ultralytics#
يوضح الكود التالي مدى سهولة تدريب نموذج باستخدام حزمة Ultralytics لـ Python، مقارنةً بإعداد خطوط أنابيب TensorFlow الأقدم.
from ultralytics import YOLO
# تحميل نموذج YOLO26 الموصى به بشدة
model = YOLO("yolo26s.pt")
# درّب النموذج باستخدام زيادة البيانات المدمجة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# صدّر النموذج إلى TensorRT لنشره
model.export(format="engine")المعيار الجديد: YOLO26#
رغم أن YOLOv7 وEfficientDet مهّدا الطريق للرؤية الحاسوبية الحديثة، فقد تغير المشهد كثيرًا مع طرح Ultralytics YOLO26 في يناير 2026. صُمم YOLO26 لتحقيق دقة عالية وأداء سريع على الأجهزة الطرفية، وهو النموذج الموصى به لمشاريع الرؤية الجديدة.
أبرز ابتكارات YOLO26#
- تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرسى قواعدها YOLOv10، يقدم YOLO26 رأسًا شاملًا أصليًا (
nms=False). ومن خلال إلغاء المعالجة اللاحقة لـ NMS تمامًا، يحقق زمن استجابة أقل وأكثر اتساقًا، وهو أمر بالغ الأهمية للأنظمة الحساسة للسلامة مثل القيادة الذاتية. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة Distribution Focal Loss (DFL)، يتمتع YOLO26 بعملية تصدير أبسط واستدلال سريع على الأجهزة الطرفية مثل Raspberry Pi (إذ يصل YOLO26n إلى سرعة أعلى بنسبة 43% على CPU مقارنةً بـ YOLO11n)، مما يجعله مناسبًا جدًا للحوسبة الطرفية.
- مُحسِّن MuSGD: يدمج YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تقنيات تدريب LLM التي طورتها Moonshot AI. ويسهم ذلك في استقرار ديناميكيات التدريب وتسريع التقارب.
- ProgLoss + STAL: يحسّن الخسارة التدريجية وإسناد التسميات الواعي بالأهداف الصغيرة قدرة النموذج على اكتشاف الكائنات الصغيرة جدًا، وهي مشكلة شائعة في صور الطائرات المسيّرة وأنظمة إنذار الأمن.
- تحسينات خاصة بالمهام: YOLO26 أكثر من مجرد كاشف. فهو يتضمن خسارة للتقسيم الدلالي ونموذجًا أوليًا متعدد المقاييس لتحسين جودة تقسيم الكائنات، وتقدير Residual Log-Likelihood (RLE) لزيادة دقة تقدير الوضعية، وخسارة زاوية متخصصة لمعالجة التباس حدود OBB.
استكشاف نماذج بديلة#
على الرغم من أن YOLO26 هو الخيار الافتراضي الموصى به، فإن منظومة Ultralytics تدعم مجموعة متنوعة من النماذج المصممة لحالات استخدام مختلفة.
للمطورين الذين يتولون صيانة الأنظمة الحالية، يظل YOLO11 خيارًا متينًا ومدعومًا جيدًا على منصة Ultralytics. أما السيناريوهات التي تتطلب صراحةً بنى قائمة على Transformer، فيوفر RT-DETR اكتشافًا آنيًا باستخدام مُرمِّز ومُفكِّك ترميز Transformer، مما يسد الفجوة بين آليات الانتباه وسرعات التنفيذ الآني.
ختامًا، بينما يقدم EfficientDet رؤى أكاديمية حول التحجيم المركب ويوفر YOLOv7 أداءً آنيًا قويًا بوصفه معيارًا أساسيًا، فإن اعتماد منصة Ultralytics هو الخيار الأفضل للمؤسسات الحديثة. فمع YOLO26، تحصل الفرق على أداء قوي، واحتكاك أقل أثناء التدريب، ومسار نشر يخضع لصيانة نشطة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.