EfficientDet ضد YOLOX: مقارنة فنية
يُعد اختيار نموذج الكشف عن الكائنات الأمثل قرارًا بالغ الأهمية يوازن بين الدقة والسرعة والتكلفة الحسابية. تقدم هذه الصفحة مقارنة فنية مفصلة بين EfficientDet و YOLOX، وهما نموذجان مؤثران يمثلان فلسفات تصميم مختلفة في الرؤية الحاسوبية. تعطي EfficientDet، من Google Research، الأولوية للكفاءة الحسابية وقابلية التوسع، بينما يقدم YOLOX، من Megvii، تصميمًا خاليًا من المرساة لعائلة YOLO لتحقيق أداء عالٍ. سوف نتعمق في هياكلهما ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اتخاذ خيار مستنير لمشروعك.
EfficientDet: كشف الكائنات بكفاءة وقابلية للتوسع
تم تقديم EfficientDet بواسطة فريق Google Research كمجموعة من نماذج الكشف عن الكائنات عالية الكفاءة والقابلة للتطوير. يكمن الابتكار الأساسي في تحسين المكونات المعمارية لتحقيق أقصى قدر من الكفاءة دون التضحية بالدقة، مما يجعله مرشحًا قويًا للتطبيقات ذات الموارد الحسابية المحدودة.
تفاصيل فنية:
- المؤلفون: مينغشينغ تان، رومينغ بانغ، وكوك ف. لي
- المنظمة: Google Research
- التاريخ: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- المستندات: https://github.com/google/automl/tree/master/efficientdet#readme
البنية والميزات الرئيسية
يعتمد تصميم EfficientDet على ثلاثة مبادئ أساسية:
- EfficientNet Backbone: تستخدم EfficientNet عالية الكفاءة كعمود فقري لها لاستخراج الميزات. يتم توسيع نطاق نماذج EfficientNet باستخدام طريقة مركبة توازن بشكل موحد عمق الشبكة وعرضها ودقتها.
- BiFPN (شبكة الهرم المميز ثنائية الاتجاه): لدمج الميزات متعددة المقاييس، يقدم EfficientDet شبكة BiFPN، وهي شبكة هرم مميز ثنائية الاتجاه مرجحة. على عكس شبكات FPN التقليدية، تتيح BiFPN تدفق معلومات أكثر فعالية بين مستويات الميزات المختلفة، مما يحسن الدقة مع عدد أقل من المعلمات والحسابات.
- التحجيم المركب: يتم تطبيق طريقة تحجيم مركبة جديدة على الكاشف بأكمله، مما يؤدي إلى توسيع نطاق العمود الفقري و BiFPN ورؤوس الاكتشاف بشكل مشترك. وهذا يضمن تخصيصًا متوازنًا للموارد عبر جميع أجزاء النموذج، من D0 الصغير إلى متغير D7 الكبير.
نقاط القوة
- كفاءة عالية: تشتهر نماذج EfficientDet بأعدادها المنخفضة من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs)، مما يجعلها مثالية للنشر على أجهزة الذكاء الاصطناعي الطرفي (Edge AI).
- قابلية التوسع: توفر عائلة النماذج مجموعة واسعة من الخيارات (D0-D7)، مما يسمح للمطورين باختيار أفضل مقايضة بين الدقة واستخدام الموارد لأجهزتهم المحددة.
- نسبة قوية بين الدقة والكفاءة: تحقق درجات mAP تنافسية مع طلب موارد أقل بكثير من العديد من النماذج المعاصرة.
نقاط الضعف
- سرعة الاستدلال على وحدة معالجة الرسوميات GPU: على الرغم من كفاءة EfficientDet من حيث FLOPs، إلا أنه يمكن أن يكون أبطأ من حيث زمن الوصول الخام على وحدات معالجة الرسوميات GPUs مقارنة بنماذج مثل YOLOX أو Ultralytics YOLO، والتي تم تحسينها بشكل كبير للمعالجة المتوازية.
- الاعتماد على إطار عمل: يعتمد التنفيذ الرسمي على TensorFlow، الأمر الذي قد يتطلب جهدًا إضافيًا للدمج في خطوط الأنابيب المستندة إلى PyTorch.
- تخصص المهمة: تم تصميم EfficientDet بشكل أساسي لاكتشاف الأجسام ويفتقر إلى المرونة المدمجة للمهام الأخرى مثل تجزئة المثيلات أو تقدير الوضع.
حالات الاستخدام المثالية
EfficientDet هو خيار ممتاز لـ:
- الحوسبة الطرفية: نشر النماذج على الأجهزة ذات الموارد المحدودة مثل Raspberry Pi أو الهواتف المحمولة.
- تطبيقات السحابة ذات قيود الميزانية: تقليل التكاليف الحسابية في خدمات الاستدلال المستندة إلى السحابة.
- الأتمتة الصناعية: تطبيقات في التصنيع حيث الكفاءة وقابلية التوسع عبر خطوط الإنتاج المختلفة هما أمران أساسيان.
تعرف على المزيد حول EfficientDet
YOLOX: كشف عالي الأداء للأجسام بدون نقاط ارتكاز
تم تطوير YOLOX بواسطة Megvii لتعزيز أداء سلسلة YOLO من خلال اعتماد تصميم خالٍ من المرساة. يبسّط هذا النهج مسار الكشف وقد ثبت أنه يحسن الأداء عن طريق إلغاء الحاجة إلى مربعات المرساة المعدلة يدويًا.
تفاصيل فنية:
- المؤلفون: تشنغ قه، سونغتاو ليو، فنغ وانغ، زيمينغ لي، وجيان صن
- المنظمة: Megvii
- التاريخ: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- المستندات: https://yolox.readthedocs.io/en/latest/
البنية والميزات الرئيسية
يقدم YOLO العديد من التعديلات الهامة على بنية YOLO التقليدية:
- تصميم بدون مربعات ارتكاز (Anchor-Free): من خلال التنبؤ بخصائص الكائن مباشرةً بدون مربعات ارتكاز، يقلل YOLOX من عدد معلمات التصميم ويبسّط عملية التدريب.
- Decoupled Head: تستخدم رؤوسًا منفصلة لمهام التصنيف والانحدار. لقد ثبت أن هذا الفصل يحل التعارض بين هاتين المهمتين، مما يؤدي إلى تحسين الدقة وتقارب أسرع.
- تعيين متقدم للتسميات: تستخدم YOLOX استراتيجية تعيين تسميات ديناميكية تسمى SimOTA (تعيين النقل الأمثل المبسط)، والتي تصوغ مشكلة التعيين كمشكلة نقل مثالية لاختيار أفضل العينات الإيجابية للتدريب.
- تقوية قوية: يتضمن تقنيات تقوية البيانات قوية مثل MixUp و Mosaic لتحسين متانة النموذج وتعميمه.
نقاط القوة
- دقة عالية: يحقق YOLOX أداءً متطورًا، غالبًا ما يتفوق على النماذج المماثلة القائمة على المرساة.
- استدلال سريع لوحدة معالجة الرسومات: يساهم التصميم المبسّط والخالي من نقاط الارتكاز في سرعات استدلال سريعة، ممّا يجعله مناسبًا للاستدلال في الوقت الفعلي.
- مسار مبسط: إن إزالة المراسي تلغي المنطق المعقد المرتبط بمطابقة المرساة وتقلل من المعلمات الفائقة.
نقاط الضعف
- النظام البيئي الخارجي: لا يُعد YOLOX جزءًا من مجموعة Ultralytics، ممّا يعني أنه يفتقر إلى التكامل السلس مع أدوات مثل Ultralytics HUB والدعم المكثف من مجتمع Ultralytics.
- تعقيد التدريب: على الرغم من أن التصميم الخالي من المرساة (anchor-free) أبسط، إلا أن الاستراتيجيات المتقدمة مثل SimOTA يمكن أن تزيد من تعقيد مسار التدريب.
- تعددية المهام محدودة: مثل EfficientDet، يركز YOLOX بشكل أساسي على اكتشاف الكائنات ولا يوفر دعمًا أصليًا لمهام رؤية الكمبيوتر الأخرى داخل نفس إطار العمل.
حالات الاستخدام المثالية
يعتبر YOLOX مناسبًا تمامًا للتطبيقات التي تعطي الأولوية للدقة والسرعة العاليتين على أجهزة GPU:
- الأنظمة الذاتية: مهام الإدراك في المركبات ذاتية القيادة و الروبوتات حيث الدقة العالية أمر بالغ الأهمية.
- المراقبة المتقدمة: تحليل فيديو عالي الأداء لأنظمة الأمان.
- الأبحاث: تُستخدم كقاعدة قوية لاستكشاف المنهجيات الخالية من المرساة وتقنيات التدريب المتقدمة.
مقارنة الأداء: الكفاءة مقابل السرعة
يوفر الجدول أدناه مقارنة كمية لنماذج EfficientDet و YOLOX المختلفة. يتفوق EfficientDet في زمن انتقال وحدة المعالجة المركزية (CPU) وكفاءة المعلمات، خاصة مع متغيراته الأصغر. على سبيل المثال، يتمتع EfficientDet-d0 بعدد معلمات منخفض جدًا ووقت استنتاج سريع لوحدة المعالجة المركزية (CPU). في المقابل، تُظهر نماذج YOLOX سرعات استنتاج فائقة لوحدة معالجة الرسوميات (GPU)، حيث تحقق YOLOX-s زمن انتقال ملحوظ يبلغ 2.56 مللي ثانية على وحدة معالجة الرسوميات (GPU) T4. في حين أن أكبر نموذج EfficientDet-d7 يصل إلى أعلى mAP، إلا أنه يأتي بتكلفة كبيرة للسرعة. هذا يسلط الضوء على المفاضلة الأساسية: تم تحسين EfficientDet لكفاءة الموارد، بينما تم تصميم YOLOX لأداء وحدة معالجة الرسوميات (GPU) الخام.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Ultralytics YOLO: البديل الموصى به
في حين أن EfficientDet و YOLOX هما نموذجان مهمان، غالبًا ما تقدم نماذج Ultralytics YOLO خيارًا أكثر إقناعًا للمطورين والباحثين اليوم.
- سهولة الاستخدام: توفر Ultralytics تجربة مستخدم مبسطة مع واجهة Python API بسيطة، و توثيق شامل، والعديد من البرامج التعليمية.
- نظام بيئي مُدار بشكل جيد: استفد من التطوير النشط ودعم المجتمع القوي والتحديثات المتكررة والأدوات المتكاملة مثل Ultralytics HUB لإدارة البيانات والتدريب.
- موازنة الأداء: تحقق نماذج مثل YOLOv8 و YOLO11 توازنًا ممتازًا بين السرعة والدقة، ومناسبة لسيناريوهات النشر المتنوعة في العالم الحقيقي من الأجهزة الطرفية إلى الخوادم السحابية.
- متطلبات الذاكرة: تتسم نماذج Ultralytics YOLO عمومًا بالكفاءة في استخدام الذاكرة أثناء التدريب والاستدلال مقارنة بالبنى الأكثر تعقيدًا.
- تنوع الاستخدامات: تدعم نماذج Ultralytics مهامًا متعددة تتجاوز الاكتشاف، بما في ذلك التجزئة، و التصنيف، و تقدير الوضعية، واكتشاف مربعات الإحاطة الموجهة (OBB) ضمن إطار عمل موحد.
- كفاءة التدريب: استفد من عمليات التدريب الفعالة والأوزان المدربة مسبقًا المتاحة بسهولة على مجموعات البيانات المختلفة مثل COCO، والتكامل السلس مع أدوات مثل ClearML و Weights & Biases لتتبع التجارب.
بالنسبة للمستخدمين الذين يبحثون عن أحدث أداء مقترنًا بسهولة الاستخدام ونظام بيئي قوي، يوصى بشدة باستكشاف نماذج Ultralytics YOLO.
الخلاصة: أي نموذج يجب أن تختاره؟
يوفر كل من EfficientDet و YOLOX إمكانات قوية ولكنهما يلبيان أولويات مختلفة. EfficientDet هو الخيار الأمثل عندما تكون كفاءة المعلمات والحساب هي العوامل الأكثر أهمية. تجعلها بنيتها القابلة للتطوير مثالية للنشر عبر مجموعة واسعة من الأجهزة، وخاصة الأجهزة الطرفية ذات الموارد المحدودة. يتألق YOLOX في التطبيقات التي تتطلب دقة عالية وسرعة GPU في الوقت الفعلي. يوفر تصميمه الخالي من المرساة واستراتيجيات التدريب المتقدمة أداءً عالي المستوى للمهام الصعبة.
ومع ذلك، بالنسبة لمعظم سير عمل التطوير الحديثة، توفر نماذج Ultralytics مثل YOLOv8 و YOLO11 حزمة شاملة فائقة. فهي تجمع بين الأداء العالي وسهولة الاستخدام التي لا مثيل لها والوثائق الشاملة وتعدد الاستخدامات في المهام المتعددة والنظام البيئي المزدهر. وهذا يجعلها خيارًا مثاليًا لكل من النماذج الأولية السريعة والنشر القوي للإنتاج.
مقارنات النماذج الأخرى
إذا كنت مهتمًا بمقارنة هذه النماذج مع نماذج أخرى، فراجع هذه الصفحات:
- YOLOv5 ضد YOLOX
- YOLOv8 ضد YOLOX
- YOLOv10 ضد YOLOX
- RT-DETR مقابل EfficientDet
- YOLOv8 ضد EfficientDet
- YOLO11 ضد EfficientDet
