EfficientDet مقابل YOLOv9: البنية، والأداء، والنشر على الحافة

لقد تشكل مشهد الرؤية الحاسوبية من خلال اختراقات مستمرة في تصميم الشبكات العصبية. إن إيجاد التوازن الصحيح بين الكفاءة الحسابية ودقة الكشف أمر بالغ الأهمية عند اختيار النموذج. أرست EfficientDet من Google أساساً قوياً في عام 2019 من خلال تقديم بنيات قابلة للتطوير، بينما دفعت YOLOv9، التي تم إصدارها في عام 2024، حدود اكتشاف الكائنات باستخدام معلومات التدرج القابلة للبرمجة (PGI).

يوفر هذا الدليل مقارنة تقنية شاملة بين هذين النموذجين ويقدم إطار العمل الحديث Ultralytics YOLO26، الذي يوفر حلاً قوياً وشاملاً مُحسناً لبيئات الإنتاج.

بنيات النماذج والابتكارات

يعد فهم الآليات الأساسية لـ EfficientDet و YOLOv9 أمراً ضرورياً لتحديد حالات الاستخدام المثلى لكل منهما.

EfficientDet: القياس المركب و BiFPN

ركزت EfficientDet، التي طورتها Google Research، على القياس المنهجي ودمج الميزات بكفاءة. وهي تستخدم EfficientNet كعمود فقري لها وتقدم بنية شبكة ميزات مبتكرة.

المؤلفون: Mingxing Tan, Ruoming Pang, and Quoc V. Le
المنظمة: Google
التاريخ: 20 نوفمبر 2019
روابط: Arxiv, GitHub

الميزات المعمارية الرئيسية: تعتمد EfficientDet بشكل كبير على شبكة هرم الميزات ثنائية الاتجاه (BiFPN)، مما يسمح بدمج ميزات متعددة المقاييس بسهولة وسرعة. وإلى جانب ذلك، فهي تستخدم طريقة قياس مركبة تقوم بضبط دقة وعمق وعرض الشبكة بشكل موحد. وعلى الرغم من دقتها العالية في وقتها، إلا أن EfficientDet مرتبطة بشكل كبير ببيئات TensorFlow القديمة، مما يجعل خطوط أنابيب النشر الحديثة معقدة.

تعرف على المزيد حول EfficientDet

YOLOv9: حل اختناق المعلومات

تتناول YOLOv9، التي طورها باحثون في Academia Sinica، مسألة 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
روابط: 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) لتعظيم كفاءة المعلمات. ورغم هذه التطورات، لا تزال YOLOv9 تتطلب خوارزمية كبت غير الحد الأقصى (NMS) أثناء المعالجة اللاحقة، مما يضيف زمن انتقال.

اعرف المزيد حول YOLOv9

مقارنة الأداء

عند تقييم هذه النماذج، يساعد تحليل البيانات التجريبية في تحديد البنية التي توفر أفضل توازن لـ متطلبات الأجهزة الخاصة بك.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ملي ثانية)}	السرعة ^{T4 TensorRT10 (ملي ثانية)}	المعلمات ^(مليون)	FLOPs ^(مليار)
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

التحليل النقدي

توفر YOLOv9 قفزة جيلية في السرعة. على سبيل المثال، تحقق YOLOv9e دقة 55.6% mAP مع زمن انتقال TensorRT قدره 16.77 مللي ثانية. وفي المقابل، تقدم EfficientDet-d7 دقة mAP أقل تبلغ 53.7% ولكنها تعاني من زمن انتقال هائل (128.07 مللي ثانية) - مما يجعل نشرها في تدفقات الفيديو المباشرة أمراً بالغ الصعوبة.

تصدير النماذج للإنتاج

يؤدي تصدير بنيتك إلى تنسيقات مُحسنة مثل TensorRT أو OpenVINO إلى تقليل أوقات الاستدلال بشكل كبير مقارنة بتشغيل PyTorch الخام.

حالات الاستخدام والتوصيات

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

متى تختار EfficientDet

تعد EfficientDet خياراً قوياً لـ:

خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو البنية التحتية لـ TPU حيث يتمتع EfficientDet بتحسين أصلي.
أبحاث التحجيم المركب: قياس الأداء الأكاديمي الذي يركز على دراسة تأثيرات التوازن في عمق الشبكة، وعرضها، وتحجيم الدقة.
النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لأجهزة Android أو أجهزة Linux المدمجة.

متى تختار YOLOv9

يُوصى بـ YOLOv9 لـ:

أبحاث عنق زجاجة 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 الاكتشاف عالي الدقة: السيناريوهات التي تحتاج فيها إلى أداء قياس COCO القوي لـ YOLOv9 كنقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)

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

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

ميزة Ultralytics: اختيار YOLO26

بينما مهدت YOLOv9 و EfficientDet الطريق، يجب على المطورين الذين يبحثون عن إطار عمل حديث وجاهز للإنتاج التفكير في نماذج Ultralytics YOLO، وتحديداً YOLO26 الذي تم إصداره حديثاً.

توفر منصة Ultralytics سهولة لا مثيل لها في الاستخدام، حيث تجمع بين نصوص التدريب المحلية القوية وواجهة سحابية. يمثل YOLO26 إصلاحاً شاملاً في تصميم النماذج، مما يجعل البنيات القديمة عفا عليها الزمن للعديد من التطبيقات التجارية.

أبرز الخصائص التقنية لـ YOLO26

تصميم شامل (End-to-End) بدون NMS: يلغي YOLO26 اختناقات المعالجة اللاحقة تماماً. من خلال إزالة خوارزمية كبت غير الحد الأقصى (NMS)، تصبح رسوم بيانية النشر موحدة وأسرع بطبيعتها على رقائق الذكاء الاصطناعي المتطورة (Edge AI).
سرعة استدلال أعلى على CPU تصل إلى 43%: تم تحسينه بشكل كبير للأجهزة المدمجة، مما يجعله أسرع بكثير من كل من YOLOv9 و EfficientDet في حالة عدم توفر وحدات معالجة الرسومات (GPU).
مُحسِّن MuSGD: بدمج ابتكارات النماذج اللغوية الكبيرة (LLM) في رؤية الذكاء الاصطناعي، يعمل هذا المُحسِّن الهجين على استقرار عمليات التدريب، مما يسمح للنماذج بالتقارب بشكل أسرع باستخدام موارد أقل.
متطلبات ذاكرة منخفضة: على عكس البنيات الثقيلة التي تعتمد على Transformer أو شبكات CNN غير المُحسنة، يقلل YOLO26 من استهلاك ذاكرة CUDA أثناء التدريب، مما يتيح لك استخدام أحجام دفعات (batch sizes) أكبر على الأجهزة المخصصة للمستهلكين.
ProgLoss + STAL: يعزز تصميم دالة الخسارة الفائقة الدقة بشكل كبير لاكتشاف الأشياء الصغيرة، مما يجعل YOLO26 مثالياً للتصوير الجوي وشبكات إنترنت الأشياء (IoT).
إزالة DFL: التصميم الهيكلي المبسط يتيح التحويل السلس إلى تنسيقات النشر على الأجهزة المحمولة.

اعرف المزيد عن YOLO26

تشمل الخيارات القوية الأخرى في نظام Ultralytics البيئي YOLO11 و YOLOv8، والتي توفر أيضاً تنوعاً في المهام المتعددة مثل تجزئة المثيلات و تقدير الوضعية.

تدريب مبسط باستخدام Python SDK

تعطي نماذج Ultralytics الأولوية لتجربة المطور. يتم اختصار تدريب نموذج متطور في 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.

نشر السحابة القديم: كانت EfficientDet شائعة للمعالجة الدفعية غير المتصلة بالإنترنت والمستندة إلى السحابة، حيث كانت الحاجة إلى دقة عالية مطلوبة، ولم تكن هناك قيود زمنية صارمة في الوقت الفعلي.
البحث الأكاديمي: تظل YOLOv9 خياراً مثيراً للاهتمام للباحثين الذين يدفعون حدود شبكات CNN النظرية ويحللون تدفقات التدرج عبر طبقات الشبكة.
الحوسبة المتطورة (Edge Computing) و IoT: يسيطر YOLO26 على التطبيقات الواقعية. إن خط أنابيب العمل الخاص به الخالي من NMS وقدرات صندوق الإحاطة الموجه (OBB) تجعله الخيار المتفوق لتحليل حركة المرور في المدن الذكية، ومراقبة مخزون التجزئة، وعمليات التفتيش عبر الطائرات بدون طيار، مما يوفر توازناً لا يضاهى بين الدقة العالية وسرعة الاستدلال السريعة.

Contributors

GLglenn-jocher¹³

Created ٢٧ يناير ٢٠٢٥Updated الأسبوع الماضي