EfficientDet مقابل YOLOv8
يواصل مجال الرؤية الحاسوبية تطوره، إذ تحسّن البنى الجديدة باستمرار ما يمكن تحقيقه. ويُعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وزمن الاستجابة واستهلاك الموارد. يقارن هذا التحليل التقني بين نموذجي كشف الأجسام الشائعين: EfficientDet من Google وUltralytics YOLOv8.
سواء كان هدفك نشر النماذج على أجهزة الحوسبة الطرفية محدودة الموارد للغاية أو تشغيل التحليلات واسعة النطاق على الخوادم السحابية، فإن فهم أوجه الاختلاف بين هذه النماذج سيرشدك إلى الخيار المناسب.
نظرة عامة على النماذج وأصولها#
يوفر فهم الفلسفة المعمارية لكل نموذج سياقًا أساسيًا لخصائص أدائه.
EfficientDet: دقة قابلة للتوسيع#
طوّره باحثون في Google، وقد طُرح EfficientDet إطارًا قابلًا للتوسيع بدرجة كبيرة لاكتشاف الكائنات. ويركّز على تعظيم الدقة مع الإدارة الدقيقة للعمليات ذات الفاصلة العائمة (FLOPs) وعدد المعلمات.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- المؤسسة: Google Research
- التاريخ: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
تعرّف على المزيد عن EfficientDet
يعتمد EfficientDet على العمود الفقري EfficientNet، ويقدم شبكة هرم الميزات ثنائية الاتجاه (BiFPN). وهذا يتيح دمج الميزات متعددة المقاييس بسرعة. كما يستخدم أسلوب التوسع المركب الذي يوسّع الدقة والعمق والعرض بالتساوي، وبالتزامن، في جميع شبكات العمود الفقري والميزات والتنبؤ بالصناديق/الفئات. وعلى الرغم من فعاليته، قد يؤدي اعتماده الكبير على منظومة TensorFlow أحيانًا إلى تعقيد النشر في البيئات التي تتمحور حول PyTorch.
Ultralytics YOLOv8: المعيار متعدد الاستخدامات#
مثّل Ultralytics YOLOv8، الذي صدر في أوائل 2023، تحولًا كبيرًا في عائلة YOLO؛ إذ لم يُصمم لكشف الصناديق المحيطة فحسب، بل كإطار عمل موحد قادر على تنفيذ العديد من مهام الرؤية.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
قدم YOLOv8 رأس كشف خاليًا من المراسي، ما ألغى الحاجة إلى إعداد الصناديق المرجعية يدويًا استنادًا إلى توزيعات مجموعة البيانات. وهذا يبسّط التدريب بدرجة كبيرة. وتضم بنيته وحدة C2f محسّنة تحسّن تدفق التدرج وتتيح للنموذج تعلم تمثيلات أغنى للميزات. كما يتطلب YOLOv8 ذاكرة GPU أقل بكثير أثناء التدريب مقارنة بالنماذج الثقيلة القائمة على Transformer، ما يجعل أبحاث الذكاء الاصطناعي المتقدمة في متناول عدد أكبر من الباحثين.
على خلاف EfficientDet المصمم حصرًا للصناديق المحيطة، يوفر YOLOv8 تعددًا واسعًا في الاستخدامات. وهو يدعم مباشرةً كشف الأجسام وتقسيم المثيلات وتصنيف الصور وتقدير الوضعيات والصناديق المحيطة الموجّهة (OBB).
الأداء ومعايير التقييم#
عند تقييم هذه النماذج وفق معايير قياسية مثل مجموعة بيانات COCO، تتضح المفاضلات بين السرعة والدقة. يقارن الجدول أدناه عائلة EfficientDet (d0-d7) بسلسلة YOLOv8 (n-x).
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
تحليل البيانات#
تُبرز بيانات القياس توازن الأداء الذي يدمجه مهندسو Ultralytics في بنياتهم. ويتصدر YOLOv8 في البيئات المسرّعة بوحدات GPU. يعمل نموذج YOLOv8n خلال 1.47 ms على وحدة NVIDIA T4 باستخدام TensorRT، ما يجعله أنسب بكثير لتدفقات تحليلات الفيديو في الوقت الفعلي.
كما يحقق YOLOv8x أعلى دقة إجمالية بقيمة 53.9 mAP، متفوقًا على EfficientDet-d7 بعدد FLOPs أقل (257.8B مقابل 325.0B). وتنعكس هذه الكفاءة الحاسوبية مباشرةً على خفض متطلبات الذاكرة وتكاليف الطاقة أثناء النشر المؤسسي.
المنظومة وسهولة الاستخدام#
بالنسبة إلى كثير من الفرق الهندسية الحديثة، لا يقتصر العامل الفارق الرئيسي على السرعة الخام للنموذج، بل يشمل أيضًا المنظومة المحيطة به.
يعتمد تنفيذ EfficientDet بشدة على مكتبات AutoML الأقدم، ما قد يفرض منحنى تعلم حادًا وسلاسل تبعيات غير مستقرة على المطورين المعتادين على سير عمل PyTorch الحديث.
على النقيض، تعطي Ultralytics الأولوية لـسهولة الاستخدام. وتوفر المنظومة التي تحظى بصيانة جيدة واجهة Python API متسقة تبسّط دورة حياة تعلم الآلة بدرجة كبيرة. كما تتكامل مع منصة Ultralytics، التي تتولى كل شيء بدءًا من التعليق التلقائي وصولًا إلى التدريب السحابي والمراقبة الآنية.
مثال برمجي: التدريب والاستدلال باستخدام YOLOv8#
يتجلى تدريب المنظومة بكفاءة على أفضل وجه في الشيفرة. ولا يتطلب البدء سوى بضعة أسطر من Python:
from ultralytics import YOLO
# تحميل نموذج YOLOv8 nano مدرّب مسبقًا
model = YOLO("yolov8n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# نفّذ الاستدلال على صورة بعيدة
predictions = model("https://ultralytics.com/images/bus.jpg")
# التصدير إلى ONNX للنشر في بيئة الإنتاج
export_path = model.export(format="onnx")يتولى هذا الأسلوب المبسط تلقائيًا تنزيل مجموعات البيانات وزيادة البيانات وتخصيص الأجهزة، مما يتيح للباحثين التركيز على النتائج بدلًا من الشيفرة النمطية.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet وYOLOv8 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 YOLOv8#
يوصى بـYOLOv8 في الحالات التالية:
- النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
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 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.
نظرة مستقبلية: ميزة YOLO26#
على الرغم من أن YOLOv8 نموذج ممتاز للأغراض العامة، فقد واصل مجال الرؤية الحاسوبية تطوره. وبالنسبة إلى المستخدمين الذين يقيّمون البنى اليوم، فإن نقطة البداية الموصى بها هي Ultralytics YOLO26 الصادر حديثًا.
صدر YOLO26 في يناير 2026، واستند إلى نجاحات أسلافه، بما فيها YOLO11 وYOLOv10، وأضاف عدة ميزات جديدة:
- تصميم شامل خالٍ من NMS: يلغي الرأس الواحد إلى واحد الاختياري في YOLO26 (
nms=False) الحاجة إلى المعالجة اللاحقة باستخدام كبت غير الأقصى (NMS)، ما يبسّط منطق النشر ويقلل تفاوت زمن الاستجابة. - مُحسِّن MuSGD: يدمج تقنيات من تدريب نماذج اللغة الكبيرة (LLM)، ويوفر هذا المُحسِّن الهجين تدريبًا أكثر استقرارًا وتقاربًا سريعًا.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة أكبر تصل إلى 43% على CPU مقارنة بـYOLO11n، وهو محسّن لسيناريوهات الذكاء الاصطناعي الطرفي التي تفتقر إلى وحدات GPU مخصصة.
- ProgLoss + STAL: تحقق تحسينات التدريب هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهي نقطة ضعف تاريخية لدى كثير من الكواشف الآنية.
الخلاصة#
يظل EfficientDet بنية منهجية رائدة في تقنيات التوسع المركب. لكن تطبيقات الإنتاج تستفيد أكثر من Ultralytics YOLOv8، الذي يوفر تجربة أفضل للمطورين، وتعددًا أكبر في مهام الرؤية، واستدلالًا أسرع بكثير على عتاد GPU الحديث.
بالنسبة إلى الفرق التي تبدأ مشاريع جديدة، توفر منظومة Ultralytics تطويرًا نشطًا ووثائق شاملة ومسار ترقية واضحًا إلى النماذج الأحدث مثل YOLO26.
التعليقات1
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
finfindara(تم التعديل)
Insightful comparison! EfficientDet is well-regarded for its scalability and efficient use of computational resources, especially in mobile and low-power scenarios. That said, this YOLOv8 comparison highlights how v8 offers better real-time performance, a more user-friendly training pipeline, and greater flexibility across different vision tasks. Each model brings unique strengths depending on the deployment context.