EfficientDet مقابل YOLOv9#

تشكّل مشهد الرؤية الحاسوبية عبر اختراقات متواصلة في تصميم الشبكات العصبية. ويعد إيجاد التوازن المناسب بين الكفاءة الحاسوبية ودقة الكشف أمرًا بالغ الأهمية عند اختيار نموذج. وقد أرسى EfficientDet من Google أساسًا قويًا في عام 2019 من خلال تقديم بنيات قابلة للتوسع، بينما تجاوز YOLOv9، الذي أُطلق 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 وشاملًا محسّنًا لبيئات الإنتاج.

بنى النماذج والابتكارات#

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

EfficientDet: التوسع المركب وBiFPN#

طوّرته Google Research، ويركّز EfficientDet على التوسيع المنهجي ودمج السمات بكفاءة. ويستخدم EfficientNet بوصفه شبكة أساسية، ويقدّم بنية جديدة لشبكة السمات.

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

السمات المعمارية الرئيسية: يعتمد EfficientDet بدرجة كبيرة على شبكة هرمية ثنائية الاتجاه للسمات (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وإلى جانب ذلك، يستخدم أسلوبًا مركبًا للتوسيع يوسّع دقة الشبكة وعمقها وعرضها بصورة موحدة. وعلى الرغم من دقته العالية في عصره، يرتبط EfficientDet ارتباطًا وثيقًا ببيئات TensorFlow الأقدم، مما يجعل مسارات 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
الروابط: Arxiv، GitHub، الوثائق

السمات المعمارية الرئيسية: يقدّم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) لتوفير إشراف مساعد، بما يضمن الاحتفاظ بالبيانات المهمة لتحديث أوزان الشبكة على نحو موثوق. كما يتضمن شبكة تجميع الطبقات الفعالة المعممة (GELAN) لتعظيم كفاءة المعلمات. وعلى الرغم من هذه التطورات، لا يزال YOLOv9 يتطلب كبت غير الأقصى (NMS) أثناء المعالجة اللاحقة، مما يزيد زمن الاستجابة.

تعرّف على المزيد عن YOLOv9

مقارنة الأداء#

عند تقييم هذه النماذج، يساعد تحليل البيانات التجريبية على تحديد البنية التي تحقق أفضل موازنة لتلبية متطلبات الأجهزة الخاصة بك.

النموذج	الحجم ^(بكسل)	mAP^{التحقق 50-95}	السرعة ^{CPU ONNX (مللي ثانية)}	السرعة ^{T4 TensorRT10 (ms)}	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	7.2	26.7
YOLOv9m	640	51.4	-	6.43	20.1	76.8
YOLOv9c	640	53.0	-	7.16	25.5	102.8
YOLOv9e	640	55.6	-	16.77	58.1	192.5

تحليل نقدي#

يحقق YOLOv9 قفزة نوعية في السرعة. فعلى سبيل المثال، يحقق YOLOv9e قيمة 55.6% mAP مع زمن استجابة يبلغ 16.77ms على TensorRT. وعلى النقيض تمامًا، يحقق EfficientDet-d7 قيمة mAP أقل تبلغ 53.7%، لكنه يعاني من زمن استجابة هائل (128.07ms)، مما يجعل نشره لتدفقات الفيديو في الزمن الفعلي بالغ الصعوبة.

تصدير النماذج إلى بيئة الإنتاج

يؤدي تصدير بنيتك إلى تنسيقات محسّنة مثل TensorRT أو OpenVINO إلى تقليل أوقات الاستدلال كثيرًا 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: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
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)#

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 تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
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 حقًا وجاهز للإنتاج التفكير في نماذج Ultralytics YOLO، وتحديدًا YOLO26 الذي أُطلق حديثًا.

توفّر منصة Ultralytics سهولة استخدام لا مثيل لها، إذ تجمع بين نصوص تدريب محلية قوية وواجهة مدعومة بالسحابة. ويمثل YOLO26 إعادة تصميم واسعة للنموذج، تجعل البنى الأقدم متقادمة في كثير من التطبيقات التجارية.

أبرز النقاط التقنية في YOLO26#

تصميم شامل من البداية إلى النهاية وخالٍ من NMS: تزيل الرأس الاختيارية الشاملة من البداية إلى النهاية في YOLO26 (nms=False) اختناقات المعالجة اللاحقة. ومن خلال إزالة كبت غير الأقصى، تصبح مخططات النشر موحدة وأسرع بطبيعتها على شرائح الذكاء الاصطناعي الطرفية.
استدلال أسرع على CPU بنسبة تصل إلى 43%: جرى تحسين YOLO26 بدرجة كبيرة للأجهزة المضمّنة، إذ يعمل YOLO26n بسرعة تفوق YOLO11n بنسبة تصل إلى 43% على CPU ONNX عند عدم توفر وحدات GPU.
مُحسِّن MuSGD: من خلال دمج ابتكارات النماذج اللغوية الكبيرة في الذكاء الاصطناعي للرؤية، يثبّت هذا المُحسِّن الهجين عمليات التدريب، ويسمح للنماذج بالتقارب 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: يعزز تصميم دالة الخسارة المتفوق دقة اكتشاف الأجسام الصغيرة بدرجة كبيرة، مما يجعل YOLO26 مثاليًا للصور الجوية وشبكات IoT.
إزالة DFL: تتيح البنية المبسطة التحويل بسلاسة 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.

7235 models1.5 GBAug 21, 2026

yolo26x-depthyolo26l-depthyolo26m-depth+32

تشمل الخيارات القوية الأخرى في منظومة Ultralytics YOLO11 وYOLOv8، اللذين يقدّمان أيضًا تنوعًا في المهام المتعددة، مثل تقسيم الكائنات وتقدير الوضعية.

تدريب مبسّط باستخدام Python SDK#

تعطي نماذج Ultralytics الأولوية لتجربة المطور. ويمكن اختزال تدريب نموذج متطور إلى بضعة أسطر من Python فحسب.

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 واقعية#

يعتمد الاختيار بين هذه البنى بدرجة كبيرة على هدف النشر.

عمليات النشر السحابية القديمة: كان EfficientDet شائعًا لمعالجة الدفعات دون اتصال بالإنترنت والمستندة إلى السحابة، حيث تكون الدقة العالية مطلوبة ولا توجد قيود صارمة على الزمن الفعلي.
البحث الأكاديمي: لا يزال YOLOv9 خيارًا مثيرًا للاهتمام للباحثين الذين يدفعون حدود شبكات CNN النظرية ويحللون تدفقات التدرج عبر طبقات الشبكة.
الحوسبة الطرفية وIoT: يتصدر YOLO26 التطبيقات الواقعية. فمسار المعالجة الخالي من NMS وقدرات الصناديق المحيطة الموجّهة (OBB) تجعله الخيار الأفضل لتحليل حركة المرور في المدن الذكية، ومراقبة مخزون متاجر التجزئة، والتفتيش بالطائرات المسيّرة، إذ يقدّم توازنًا لا يُضاهى بين الدقة العالية وسرعة الاستدلال.

المساهمون

GLglenn-jocher¹⁸

تاريخ الإنشاء 27 يناير 2025تاريخ التحديث الأسبوع الماضي

Get Started