مقارنة بين EfficientDet وYOLOv9#

لقد تشكّل مشهد الرؤية الحاسوبية بفضل الاختراقات المتواصلة في تصميم الشبكات العصبية. ويُعد العثور على التوازن المناسب بين الكفاءة الحاسوبية ودقة الكشف أمرًا بالغ الأهمية عند اختيار نموذج. أرست EfficientDet من Google معيارًا قويًا في عام 2019 من خلال تقديم بنيات قابلة للتوسع، بينما دفعت YOLOv9، التي أُطلقت في عام 2024، حدود كشف الكائنات باستخدام معلومات التدرج القابلة للبرمجة (PGI).

يقدم هذا الدليل مقارنة تقنية شاملة بين هذين النموذجين، ويعرّف بإطار العمل الحديث Ultralytics YOLO26، الذي يوفر حلًا متينًا شاملًا من البداية إلى النهاية ومحسّنًا لبيئات الإنتاج.

بُنى النماذج والابتكارات#

يُعد فهم الآليات الأساسية في EfficientDet وYOLOv9 أمرًا ضروريًا لتحديد حالات الاستخدام المثلى لهما.

EfficientDet: التحجيم المركب وBiFPN#

طوّرها فريق Google Research، وتركّز EfficientDet على التوسع المنهجي ودمج السمات بكفاءة. وتستخدم EfficientNet كشبكة أساسية لها، وتقدم بنية مبتكرة لشبكة السمات.

المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
الجهة: Google
التاريخ: 20 نوفمبر 2019
الروابط: Arxiv، GitHub

الميزات المعمارية الرئيسية: تعتمد EfficientDet بدرجة كبيرة على شبكة هرم السمات ثنائية الاتجاه (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وإلى جانب ذلك، تستخدم طريقة توسعة مركبة تعمل على توسعة دقة الشبكة وعمقها وعرضها بصورة موحّدة. وعلى الرغم من دقتها العالية في وقتها، فإن EfficientDet مرتبطة بدرجة كبيرة ببيئات TensorFlow الأقدم، مما يجعل مسارات النشر الحديثة معقدة.

تعرّف على المزيد حول EfficientDet

YOLOv9: حل اختناق المعلومات#

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

المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
الجهة: Institute of Information Science، Academia Sinica
التاريخ: 21 فبراير 2024
الروابط: Arxiv، GitHub، المستندات

الميزات المعمارية الرئيسية: تقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) لتوفير إشراف مساعد، بما يضمن الاحتفاظ بالبيانات المهمة لتحديث أوزان الشبكة بشكل موثوق. كما تتميز بشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN) لتعظيم كفاءة المعلمات. وعلى الرغم من هذه التطورات، لا تزال YOLOv9 تتطلب كبت القيمة غير العظمى (NMS) أثناء المعالجة اللاحقة، مما يضيف زمن انتقال.

تعرّف على المزيد حول YOLOv9

مقارنة الأداء#

عند تقييم هذه النماذج، يساعد تحليل البيانات التجريبية في تحديد البنية التي توفر أفضل مفاضلة لمتطلبات الأجهزة الخاصة بك.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (مللي ثانية)}	السرعة ^{T4 TensorRT10 (مللي ثانية)}	المعاملات ^(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

التحليل النقدي#

توفر YOLOv9 قفزة جيلية في السرعة. فعلى سبيل المثال، تحقق YOLOv9e نسبة 55.6% mAP مع زمن انتقال قدره 16.77ms باستخدام TensorRT. وعلى النقيض تمامًا، تقدم EfficientDet-d7 قيمة mAP أقل تبلغ 53.7%، لكنها تعاني من زمن انتقال هائل (128.07ms)، مما يجعل نشرها لبث الفيديو في الوقت الفعلي صعبًا للغاية.

تصدير النماذج إلى الإنتاج

يؤدي تصدير بنيتك إلى تنسيقات محسّنة مثل TensorRT أو OpenVINO إلى تقليل أزمنة الاستدلال بدرجة كبيرة مقارنةً بعمليات التشغيل الأولية في PyTorch.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين EfficientDet وYOLOv9 على متطلبات مشروعك الخاصة، وقيود النشر، وتفضيلات النظام التقني.

متى تختار EfficientDet#

يُعد EfficientDet خيارًا قويًا من أجل:

مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.

متى تختار YOLOv9#

يوصى باستخدام YOLOv9 من أجل:

أبحاث عنق الزجاجة المعلوماتي: المشاريع الأكاديمية التي تدرس معماريات المعلومات القابلة للبرمجة للتدرجات (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).
دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
قياس أداء اكتشاف عالي الدقة: السيناريوهات التي تحتاج إلى أداء YOLOv9 القوي في معيار COCO بوصفه نقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

ميزة Ultralytics: اختيار YOLO26#

رغم أن YOLOv9 وEfficientDet مهّدتا الطريق، ينبغي للمطورين الذين يبحثون عن إطار عمل حديث حقًا وجاهز للإنتاج أن ينظروا في نماذج Ultralytics YOLO، وتحديدًا YOLO26 التي أُطلقت حديثًا.

توفر منصة Ultralytics سهولة استخدام لا مثيل لها، إذ تجمع بين نصوص التدريب المحلية القوية وواجهة مُمكّنة سحابيًا. وتمثل YOLO26 إعادة تصميم شاملة لبنية النموذج، مما يجعل البنى الأقدم بالية بالنسبة إلى العديد من التطبيقات التجارية.

أبرز الميزات التقنية في YOLO26#

تصميم شامل من البداية إلى النهاية وخالٍ من NMS: تلغي YOLO26 اختناقات المعالجة اللاحقة بالكامل. ومن خلال إزالة كبت القيمة غير العظمى، تصبح رسومات النشر موحّدة وأسرع بطبيعتها على شرائح الذكاء الاصطناعي الطرفية.
استدلال أسرع على CPU بنسبة تصل إلى 43%: جرى تحسينها بدرجة كبيرة للأجهزة المضمنة، مما يجعلها أسرع بكثير من كل من YOLOv9 وEfficientDet عند عدم توفر وحدات GPU.
مُحسِّن MuSGD: يدمج هذا المُحسِّن الهجين ابتكارات LLM في ذكاء الرؤية الاصطناعي، ويعمل على تثبيت عمليات التدريب، مما يتيح للنماذج التقارب بسرعة أكبر وبموارد أقل.
متطلبات منخفضة للذاكرة: بخلاف البنى الكثيفة الاستخدام لـ Transformer أو شبكات CNNs غير المحسّنة، تقلل YOLO26 من استهلاك ذاكرة CUDA أثناء التدريب، مما يتيح لك استخدام أحجام دفعات أكبر على الأجهزة ذات المستوى الاستهلاكي.
ProgLoss + STAL: يعزز تصميم دالة الخسارة المتفوق الدقة بدرجة كبيرة عند كشف الكائنات الصغيرة، مما يجعل YOLO26 مثالية للصور الجوية وشبكات إنترنت الأشياء.
إزالة DFL: يتيح التصميم البنيوي المبسّط تحويلًا سلسًا إلى تنسيقات النشر على الأجهزة المحمولة.

YOLO26

ultralytics

public26

Newest SOTA Ultralytics models, released January 2026. Smaller, faster, and more accurate than previous versions with native end-to-end inference.

7035 models1.5 GBAug 21, 2026

yolo26x-depthyolo26l-depthyolo26m-depth+32

تشمل الخيارات المتينة الأخرى في منظومة Ultralytics YOLO11 وYOLOv8، اللتين توفران أيضًا تعددًا في المهام، مثل تقسيم المثيلات وتقدير الوضعية.

تبسيط التدريب باستخدام Python SDK#

تعطي نماذج Ultralytics الأولوية لتجربة المطور. إذ يمكن 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}")

التطبيقات الواقعية#

يعتمد الاختيار بين هذه البنى بدرجة كبيرة على هدف النشر الخاص بك.

عمليات النشر السحابية القديمة: كانت EfficientDet شائعة في المعالجة الدفعية غير المتصلة المعتمدة على السحابة، حيث كانت الدقة العالية مطلوبة ولم تكن هناك قيود صارمة على الوقت الفعلي.
البحث الأكاديمي: تظل YOLOv9 خيارًا مثيرًا للاهتمام للباحثين الذين يدفعون حدود CNN النظرية ويحللون تدفقات التدرج عبر طبقات الشبكة.
الحوسبة الطرفية وإنترنت الأشياء: تهيمن YOLO26 على التطبيقات الواقعية. إذ تجعل مساراتها الخالية من NMS وقدراتها على الصندوق المحيط الموجّه (OBB) منها الخيار الأفضل لتحليل حركة المرور في المدن الذكية، ومراقبة مخزون متاجر التجزئة، وعمليات الفحص المعتمدة على الطائرات المسيّرة، مع توفير توازن لا يُضاهى بين الدقة العالية وسرعات الاستدلال السريعة.

المساهمون

GLglenn-jocher¹⁷

تاريخ الإنشاء 27 يناير 2025تاريخ التحديث الشهر الماضي