EfficientDet مقابل YOLOv9#

لقد تشكل مشهد الرؤية الحاسوبية من خلال الانجازات المستمرة في تصميم الشبكات العصبية. إن ايجاد التوازن الصحيح بين الكفاءة الحسابية ودقة الكشف يعد أمراً بالغ الأهمية عند اختيار النموذج. لقد أرست EfficientDet التابعة لـ Google أساساً قوياً في عام 2019 من خلال إدخال بنيات قابلة للتوسع، بينما دفعت YOLOv9، التي تم إصدارها في عام 2024، حدود object detection باستخدام معلومات التدرج القابلة للبرمجة (PGI).

يوفر هذا الدليل مقارنة تقنية شاملة بين هذين النموذجين ويقدم إطار عمل Ultralytics YOLO26 الحديث، والذي يقدم حلاً قوياً وشاملاً من البداية إلى النهاية ومُحسناً لبيئات الإنتاج.

بنيات النماذج والابتكارات#

يعد فهم الآليات الأساسية لـ EfficientDet و YOLOv9 ضرورياً لتحديد حالات الاستخدام الأمثل لهما.

EfficientDet: القياس المركب وBiFPN#

تم تطوير EfficientDet بواسطة Google Research، وهي تركز على القياس المنهجي ودمج الميزات بكفاءة. وتستخدم EfficientNet كعمود فقري لها وتقدم بنية شبكة ميزات جديدة.

المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
المؤسسة: Google
التاريخ: 20 نوفمبر 2019
الروابط: Arxiv، GitHub

الميزات المعمارية الرئيسية: تعتمد EfficientDet بشكل كبير على شبكة هرم الميزات ثنائية الاتجاه (BiFPN)، والتي تتيح دمج الميزات متعددة المقاييس بسهولة وبسرعة. إلى جانب ذلك، فهي تستخدم طريقة تحجيم مركبة تقوم بتحجيم دقة وعمق وعرض الشبكة بشكل موحد. وفي حين أنها دقيقة للغاية بالنسبة لعصرها، إلا أن EfficientDet مرتبطة بشكل كبير ببيئات TensorFlow القديمة، مما يجعل مسارات النشر الحديثة معقدة.

اعرف المزيد عن EfficientDet

YOLOv9: حل اختناق المعلومات#

تم تطوير YOLOv9 بواسطة باحثين في Academia Sinica، وهي تعالج تدهور المعلومات أثناء مرور البيانات عبر الشبكات العصبية العميقة.

المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، Academia Sinica
التاريخ: 21 فبراير 2024
Links: Arxiv, GitHub, Docs

الميزات المعمارية الرئيسية: تقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) لتوفير إشراف إضافي، مما يضمن الاحتفاظ بالبيانات المهمة لتحديث أوزان الشبكة بشكل موثوق. كما أنها تتميز بشبكة تجميع الطبقات الفعالة المعممة (GELAN) لزيادة كفاءة المعلمات إلى أقصى حد. على الرغم من هذه التطورات، لا تزال YOLOv9 تتطلب قمع غير الحد الأقصى (NMS) أثناء المعالجة اللاحقة، مما يضيف زمن انتقال.

اعرف المزيد عن YOLOv9

مقارنة الأداء#

عند تقييم هذه النماذج، يساعد تحليل البيانات التجريبية في تحديد المعمارية التي توفر أفضل مقايض لمتطلبات hardware requirements المحددة لديك.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(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

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

تحليل نقدي#

توفر YOLOv9 قفزة جيلية في السرعة. على سبيل المثال، تحقق YOLOv9e 55.6% mAP مع زمن انتقال TensorRT يبلغ 16.77 مللي ثانية. وعلى النقيض تماماً، تقدم EfficientDet-d7 معدل mAP أقل بنسبة 53.7% ولكنها تعاني من زمن انتقال هائل (128.07 مللي ثانية)، مما يجعل من الصعب للغاية نشرها في تدفقات الفيديو في الوقت الفعلي.

تصدير النماذج للإنتاج

إن تصدير بنيتك إلى تنسيقات مُحسنة مثل TensorRT أو OpenVINO يقلل بشكل كبير من أوقات الاستدلال مقارنة بتشغيلات PyTorch الخام.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet و YOLOv9 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار EfficientDet#

يعد EfficientDet خياراً قوياً في الحالات التالية:

خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو بنية TPU التحتية حيث يتمتع EfficientDet بتحسين أصلي.
أبحاث القياس المركب (Compound Scaling): المقارنة المعيارية الأكاديمية التي تركز على دراسة تأثيرات موازنة عمق الشبكة، وعرضها، وتوسيع نطاق الدقة.
النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لنظام أندرويد أو أجهزة لينكس المدمجة.

متى تختار YOLOv9#

يوصى بـ YOLOv9 لـ:

أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

ميزة Ultralytics: اختيار YOLO26#

وفي حين مهدت YOLOv9 و EfficientDet الطريق، يجب على المطورين الباحثين عن إطار عمل حديث حقاً وجاهز للإنتاج أن يأخذوا في الاعتبار Ultralytics YOLO models، وتحديداً YOLO26 الذي تم إصداره حديثاً.

توفر Ultralytics Platform سهولة استخدام لا مثيل لها، حيث تجمع بين نصوص التدريب المحلية القوية واجهة تدعم السحابة. يمثل YOLO26 إصلاحاً شاملاً هائلاً في تصميم النماذج، مما يجعل البنيات القديمة عتيقة بالنسبة للعديد من التطبيقات التجارية.

أبرز الميزات التقنية لـ YOLO26#

تصميم شامل بدون NMS: يلغي YOLO26 اختناقات المعالجة اللاحقة تماماً. من خلال إزالة قمع غير الحد الأقصى، يتم توحيد رسوم بيانية النشر وتصبح أسرع بطبيعتها على رقائق الذكاء الاصطناعي المتطورة.
سرعة استدلال وحدة المعالجة المركزية تصل إلى 43%: محسنة بشكل كبير للأجهزة المضمنة، مما يجعلها أسرع بكثير من كل من YOLOv9 و EfficientDet عندما تكون وحدات معالجة الرسومات غير متوفرة.
مُحسِّن MuSGD: من خلال دمج ابتكارات النماذج اللغوية الكبيرة في رؤية الذكاء الاصطناعي، يعمل هذا المُحسِّن الهجين على استقرار جولات التدريب، مما يسمح للنماذج بالتقارب بشكل أسرع بموارد أقل.
متطلبات ذاكرة منخفضة: على عكس البنيات الثقيلة للمحولات أو شبكات CNN غير المحسنة، يقلل YOLO26 من استهلاك ذاكرة CUDA أثناء التدريب، مما يتيح لك استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
ProgLoss + STAL: يعزز تصميم دالة الخسارة المتفوق الدقة بشكل كبير لاكتشاف الكائنات الصغيرة، مما يجعل YOLO26 مثالياً للتصوير الجوي وشبكات إنترنت الأشياء.
إزالة DFL: التصميم الهيكلي المبسط يتيح التحويل السلس إلى تنسيقات النشر المحمول.

تعرف على المزيد حول YOLO26

تشمل الخيارات القوية الأخرى في النظام البيئي لـ Ultralytics كل من YOLO11 و YOLOv8، والتي توفر أيضاً مرونة متعددة المهام مثل instance segmentation و pose estimation.

تدريب مبسط باستخدام Python SDK#

تضع نماذج Ultralytics تجربة المطورين في أولوياتها. يتم اختصار تدريب نموذج متطور إلى بضعة أسطر فقط من Python.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 model
model = YOLO("yolo26n.pt")

# Train with optimized memory usage and built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance easily
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

تطبيقات العالم الحقيقي#

يعتمد الاختيار بين هذه البنيات بشكل كبير على هدف النشر الخاص بك.

عمليات النشر السحابية القديمة: كانت EfficientDet شائعة للمعالجة الجماعية غير المتصلة بالإنترنت والقائمة على السحابة حيث كانت هناك حاجة إلى دقة عالية، ولم تكن هناك قيود صارمة على الوقت الفعلي.
البحث الأكاديمي: تظل YOLOv9 خياراً مثيراً للاهتمام للباحثين الذين يدفعون حدود CNN النظرية ويحللون تدفقات التدرج عبر طبقات الشبكة.
الحوسبة الطرفية وإنترنت الأشياء: يهيمن YOLO26 على التطبيقات الواقعية. إن خط أنابيبها الخالي من NMS وقدرات Oriented Bounding Box (OBB) يجعلها الخيار الأفضل لتحليل حركة المرور في المدن الذكية، ومراقبة المخزون في قطاع التجزئة، والفحص القائم على الطائرات بدون طيار، مما يوفر توازناً لا يُقهر بين الدقة العالية وسرعات الاستدلال السريعة.

المساهمون

GLglenn-jocher¹⁷

تم الإنشاء 27 يناير 2025تم التحديث قبل أسبوعين