ابدأ

EfficientDet مقابل YOLOv9

تطورت الرؤية الحاسوبية بفضل التقدم المطرد في تصميم الشبكات العصبية. ويُعد إيجاد التوازن المناسب بين الكفاءة الحاسوبية ودقة الكشف أمرًا بالغ الأهمية عند اختيار نموذج. وقد أرسى EfficientDet من Google أساسًا قويًا في عام 2019 عبر تقديم بنى قابلة للتوسع، بينما طوّر YOLOv9، الصادر في 2024، كشف الأجسام باستخدام معلومات التدرج القابلة للبرمجة (PGI).

يقدم هذا الدليل مقارنة تقنية بين هذين النموذجين، ويعرض Ultralytics YOLO26، الذي يوفر حلًا شاملًا متينًا ومحسّنًا لبيئات الإنتاج.

بنى النماذج والابتكارات#

يُعد فهم الآليات الأساسية في EfficientDet وYOLOv9 ضروريًا لتحديد أفضل حالات استخدامهما.

EfficientDet: التوسع المركب وBiFPN#

يركز EfficientDet، الذي طورته Google Research، على التوسع المنهجي ودمج الميزات بكفاءة. ويستخدم EfficientNet عمودًا فقريًا، ويقدم بنية مبتكرة لشبكة الميزات.

  • المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
  • الجهة: Google
  • التاريخ: 20 نوفمبر 2019
  • روابط: arXiv، GitHub

الميزات المعمارية الرئيسية: يعتمد EfficientDet بشدة على شبكة هرم الميزات ثنائية الاتجاه (BiFPN)، التي تتيح دمج الميزات متعددة المقاييس بسرعة. وإلى جانب ذلك، يستخدم أسلوب التوسع المركب الذي يوسّع دقة الشبكة وعمقها وعرضها بالتساوي. وعلى الرغم من دقته العالية في عصره، يرتبط EfficientDet بشدة ببيئات TensorFlow القديمة، ما يجعل خطوط النشر الحديثة معقدة.

تعرّف على المزيد عن EfficientDet

YOLOv9: معالجة اختناق المعلومات#

طوّره باحثون في Academia Sinica، ويعالج YOLOv9 تدهور المعلومات أثناء مرور البيانات عبر الشبكات العصبية العميقة.

  • المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
  • المؤسسة: معهد علوم المعلومات، Academia Sinica
  • التاريخ: 21 فبراير 2024
  • روابط: arXiv، GitHub، الوثائق

الميزات المعمارية الرئيسية: يقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) لتوفير إشراف مساعد، بما يضمن الاحتفاظ بالبيانات المهمة لتحديث أوزان الشبكة بموثوقية. كما يضم شبكة تجميع الطبقات الفعالة المعممة (GELAN) لزيادة كفاءة المعلمات إلى أقصى حد. وعلى الرغم من هذه التطورات، لا يزال YOLOv9 يتطلب كبت غير الأقصى (NMS) أثناء المعالجة اللاحقة، ما يزيد زمن الاستجابة.

تعرّف على المزيد عن YOLOv9

مقارنة الأداء#

عند تقييم هذه النماذج، يساعد تحليل مقاييس الأداء التجريبية على تحديد البنية التي تقدم أفضل موازنة لأجهزتك.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

تحليل نقدي#

YOLOv9 أسرع بكثير عند مستوى دقة مماثل. فعلى سبيل المثال، يحقق YOLOv9e قيمة 55.6% mAP مع زمن استجابة TensorRT يبلغ 16.77ms. أما EfficientDet-d7، فيحقق mAP أقل تبلغ 53.7% مع زمن استجابة أعلى بكثير (128.07ms)، ما يصعّب نشره لبث الفيديو الآني.

تصدير النماذج إلى بيئة الإنتاج

يؤدي تصدير نموذجك إلى تنسيقات محسّنة مثل TensorRT أو OpenVINO إلى تقليل أوقات الاستدلال بدرجة كبيرة مقارنة بتشغيلات PyTorch الخام.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet وYOLOv9 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 YOLOv9#

يوصى بـYOLOv9 في الحالات التالية:

  • أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
  • دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
  • اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.

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: اختيار YOLO26#

على الرغم من أن YOLOv9 وEfficientDet مهّدا الطريق، ينبغي للمطورين الباحثين عن إطار عمل حديث وجاهز للإنتاج النظر في نماذج Ultralytics YOLO، وتحديدًا YOLO26 الصادر حديثًا.

صُممت منصة Ultralytics لتسهيل الاستخدام، إذ تجمع بين نصوص التدريب المحلية وواجهة مُمكّنة للسحابة. ويُعد YOLO26 إعادة تصميم جوهرية تتفوق على البنى الأقدم في كثير من التطبيقات التجارية.

أبرز النقاط التقنية في YOLO26#

  • تصميم شامل خالٍ من NMS: يلغي الرأس الشامل الاختياري في YOLO26 (nms=False) اختناقات المعالجة اللاحقة. ومن خلال إزالة NMS، تصبح مخططات النشر موحدة وأسرع على شرائح الذكاء الاصطناعي الطرفي.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: مُحسّن للأجهزة المضمنة، إذ يعمل YOLO26n على CPU ONNX بسرعة أكبر تصل إلى 43% من YOLO11n عند عدم توفر GPU.
  • مُحسِّن MuSGD: ينقل تقنيات تدريب LLM إلى الذكاء الاصطناعي للرؤية؛ إذ يحقق هذا المُحسِّن الهجين استقرارًا في دورات التدريب، ويتيح للنماذج التقارب بسرعة أكبر وبموارد أقل.
  • متطلبات منخفضة للذاكرة: بخلاف البنى كثيفة Transformer أو شبكات CNN غير المحسّنة، يقلل YOLO26 استهلاك ذاكرة CUDA أثناء التدريب، ما يتيح استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
  • ProgLoss + STAL: تعزز الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة دقة كشف الأجسام الصغيرة كثيرًا، ما يجعل YOLO26 مناسبًا تمامًا للصور الجوية وشبكات إنترنت الأشياء.
  • إزالة DFL: يتيح التصميم البنيوي المبسط التحويل السلس إلى تنسيقات النشر على الأجهزة المحمولة.

تشمل الخيارات الأخرى في منظومة Ultralytics YOLO11 وYOLOv8، وهما يقدمان أيضًا تعددًا في المهام، مثل تقسيم المثيلات وتقدير الوضعيات.

تدريب مبسّط باستخدام Python SDK#

تضع نماذج Ultralytics تجربة المطور في مقدمة أولوياتها. ولا يتطلب تدريب النموذج سوى بضعة أسطر من Python.

from ultralytics import YOLO

# Initialize the 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 واقعية#

يعتمد الاختيار بين هذه البنى بدرجة كبيرة على هدف النشر لديك.

  • عمليات النشر السحابية القديمة: حظي EfficientDet بشعبية في المعالجة الدفعية غير المتصلة بالإنترنت والمعتمدة على السحابة، حيث كانت الدقة العالية مطلوبة ولم تكن هناك قيود صارمة على التشغيل الآني.
  • البحث الأكاديمي: يظل YOLOv9 خيارًا مثيرًا للاهتمام للباحثين الذين يستكشفون حدود تصميم CNN ويحللون تدفقات التدرج عبر طبقات الشبكة.
  • الحوسبة الطرفية وإنترنت الأشياء: يُعد YOLO26 مناسبًا تمامًا للتطبيقات الطرفية في العالم الحقيقي. وتجعل منه خط المعالجة الخالي من NMS وقدرات الصناديق المحيطة الموجّهة (OBB) خيارًا قويًا لتحليل حركة المرور في المدن الذكية ومراقبة مخزون البيع بالتجزئة والتفتيش باستخدام الطائرات المسيّرة، مع توازن جيد بين الدقة العالية وسرعة الاستدلال.
المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.