EfficientDet مقابل YOLOX
عند تصميم مسار عمل حديث في الرؤية الحاسوبية، يُعد اختيار النموذج المناسب قرارًا حاسمًا يحدد الدقة والقدرة على العمل في الوقت الفعلي. يقارن هذا الدليل التقني بين بنيتين مهمتين لكشف الأجسام: EfficientDet من Google وYOLOX من Megvii. ويحلل نهجيهما المعماريين، ويقيّم أداءهما في المعايير المرجعية، ويوضح كيفية مقارنتهما بـUltralytics YOLO26 الذي أُطلق حديثًا.
نظرة عامة على EfficientDet#
ابتكر فريق Google Brain نهجًا منظمًا لتحجيم النماذج من خلال EfficientDet، وأثبت إمكانية تحقيق دقة عالية باستخدام عدد أقل بكثير من المعلمات مقارنةً بالشبكات المعاصرة ذات العدد الكبير من المعلمات.
تفاصيل EfficientDet:
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl/efficientdet
- الوثائق: وثائق EfficientDet
أبرز السمات المعمارية#
بُني EfficientDet على العمود الفقري لـ EfficientNet، ويطبق طريقة تحجيم مركب تحجّم دقة الشبكة وعمقها وعرضها بصورة موحدة. وتتمثل ميزته الأبرز في شبكة هرم الخصائص ثنائية الاتجاه (BiFPN)، التي تتيح دمج الخصائص متعددة المقاييس بسرعة وفعالية. ومن خلال استخدام أوزان قابلة للتعلم لخصائص الإدخال المختلفة، تضمن BiFPN أن تعطي الشبكة الأولوية للبيانات المكانية الأهم.
على الرغم من الانخفاض الكبير في عدد عمليات الفاصلة العائمة (FLOPs) نظريًا في EfficientDet، فإن اعتماده على منظومة TensorFlow وتكوينات التعلم الآلي الآلي (AutoML) الأقدم قد يجعل دمجه في مسارات عمل PyTorch الحديثة سريعة التطور مرهقًا. كما قد تؤدي شبكته المعقدة متعددة الفروع إلى استهلاك ذاكرة أثناء التدريب يفوق التوقعات مقارنةً بإصدارات YOLO الحديثة.
تعرّف على المزيد عن EfficientDet
نظرة عامة على YOLOX#
سعى YOLOX، الذي صدر بعد ذلك بعامين، إلى ردم الفجوة بين الأبحاث الأكاديمية والنشر الصناعي، من خلال تحويل بنية YOLO التقليدية إلى إطار عمل خالٍ من المراسي.
تفاصيل YOLOX:
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المؤسسة: Megvii
- التاريخ: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- الوثائق: وثائق YOLOX
أبرز السمات المعمارية#
بسّط YOLOX تصميم كشف الأجسام بدرجة كبيرة. فمن خلال الانتقال إلى تصميم خالٍ من المراسي، ألغى YOLOX الحاجة إلى ضبط مربعات مراسي معقدة خاصة بكل مجموعة بيانات، ما خفّض العبء الاستدلالي. كما دمج رأسًا مفصولًا يفصل بين مهام التصنيف وتحديد الموقع، الأمر الذي حسّن سرعة التقارب بدرجة كبيرة. وحسّنت استراتيجية إسناد التسميات SimOTA التخصيص الديناميكي للعينات الإيجابية أثناء التدريب.
على الرغم من هذه التطورات، قد ينطوي إعداد مستودع YOLOX على بناء امتدادات C++ وإدارة تبعيات معقدة، ما قد يعيق نشر النماذج بسرعة لدى الفرق الأقل خبرة.
مقارنة الأداء#
عند تقييم النماذج للإنتاج، من الضروري الموازنة بين متوسط الدقة (mAP) وسرعة الاستدلال. يقدم الجدول أدناه مقارنة مباشرة بين عائلتي EfficientDet وYOLOX وفق اختبارات COCO المعيارية.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 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 |
على الرغم من تحقيق EfficientDet دقة عالية في إصداراته الأكبر d7، يوفر YOLOX زمن استجابة أقل بكثير على أجهزة GPU (عبر TensorRT)، ما يجعله خيارًا أفضل للتطبيقات التي تتطلب معدل إطارات مرتفعًا مثل القيادة الذاتية أو تتبع الأنشطة الرياضية.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين EfficientDet وYOLOX 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 YOLOX#
يوصى باستخدام YOLOX في الحالات التالية:
- أبحاث الاكتشاف دون مراسي: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة والخالية من المراسي أساسًا لتجربة رؤوس اكتشاف أو دوال خسارة جديدة.
- الأجهزة الطرفية فائقة الخفة: النشر على أجهزة مضمنة منخفضة الطاقة أو أجهزة محمولة قديمة، حيث يكون الحجم الصغير للغاية لنسخة YOLOX-Nano (0.91M معلمة) بالغ الأهمية.
- دراسات إسناد التسميات باستخدام SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.
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 تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ 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: تقديم YOLO26#
على الرغم من أن EfficientDet وYOLOX حققا تقدمًا مهمًا في عصرهما، تتطلب الرؤية الحاسوبية الحديثة تنوعًا أكبر ومسارات عمل مبسطة وسرعة عالية. وبالنسبة إلى المطورين الذين يعطون الأولوية لسهولة الاستخدام ومتطلبات الذاكرة الأقل والمنظومة جيدة الصيانة، فالترقية الموصى بها هي Ultralytics YOLO26، الذي أُطلق في يناير 2026.
يمثل YOLO26 خطوة كبيرة في سلسلة YOLO، إذ يعالج أوجه القصور الموجودة في النماذج الأقدم مثل YOLOX وEfficientDet:
- تصميم شامل من دون NMS: على خلاف EfficientDet وYOLOX اللذين يتطلبان معالجة لاحقة مكلفة باستخدام كبت غير الأقصى (NMS)، يدعم YOLO26 الاستدلال الشامل الأصلي عبر رأسه الاختياري للمطابقة واحدًا لواحد (
nms=False). وهذا يزيل اختناقات زمن الاستجابة الناتجة عن NMS ويبسط النشر على الأجهزة الطرفية. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل الضبط المعماري وإزالة DFL (خسارة البؤرة التوزيعية)، حُسّن YOLO26 للبيئات التي لا تتوفر فيها وحدات GPU مخصصة؛ إذ يعمل YOLO26n على CPU بسرعة تفوق YOLO11n بنسبة تصل إلى 43%، ويقدم أداءً ممتازًا على أجهزة الذكاء الاصطناعي الطرفي مثل Raspberry Pi.
- مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا من SGD وMuon. ويوفر ذلك تدريبًا مستقرًا وتقاربًا أسرع من إعدادات التدريب الأقدم.
- ProgLoss + STAL: تحقق الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو موطن ضعف تاريخي لدى كل من YOLOX وEfficientDet. وهذا أمر بالغ الأهمية لتحليلات الطائرات المسيّرة وإنترنت الأشياء.
- تعدد المهام: على الرغم من اقتصار EfficientDet وYOLOX على كشف مربعات الإحاطة، يدعم YOLO26 أصيلًا تجزئة المثيلات وتقدير الوضعية (باستخدام تقدير الاحتمالية اللوغاريتمية المتبقية) ومربعات الإحاطة الموجّهة (OBB).
تجربة مستخدم مبسطة وكفاءة تدريب أعلى#
من أكبر العقبات المرتبطة بنماذج مثل YOLOX إعداد بيئة التدريب. وباستخدام واجهة Python API الموحدة من Ultralytics، لا يتطلب تدريب النموذج سوى بضعة أسطر من الشيفرة. كما تتميز نماذج YOLO بمحملات بيانات محسّنة وبنى خفيفة، ما يؤدي إلى خفض كبير في استخدام ذاكرة CUDA مقارنةً بالنماذج كثيفة الاستخدام لـ Transformer أو الشبكات الأقدم متعددة الفروع.
from ultralytics import YOLO
# حمّل نموذج YOLO26n (يتوفر الاستدلال الخالي من NMS باستخدام nms=False)
model = YOLO("yolo26n.pt")
# درّب النموذج على مجموعة البيانات المخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# صدّر النموذج إلى ONNX أو OpenVINO للنشر على الأجهزة الطرفية
model.export(format="openvino")الخلاصة: اتخاذ الخيار المناسب#
إذا كنت تصون نظامًا قديمًا مدمجًا بعمق في منظومة TensorFlow، يظل EfficientDet خيارًا مستقرًا، لا سيما عندما تكون إصداراته المحجّمة مركبًا مدمجة بالفعل. وإذا كنت تحتاج إلى سرعة خام في قواعد الشيفرة الحالية الخالية من المراسي، فإن YOLOX يوفر كاشفًا سريعًا وموثوقًا.
لكن للمشاريع الجديدة المتجهة إلى الإنتاج، فإن الخيار الموصى به هو Ultralytics YOLO26 (أو YOLO11 المستقر لعمليات النشر المؤسسية الحالية). فمن خلال توفير استدلال اختياري شامل من دون NMS، وسرعات أعلى على CPU، ومسار نشر مباشر عبر تنسيقات مثل OpenVINO وTensorRT، يحافظ YOLO26 على دقة تطبيقات الرؤية الحاسوبية وحداثتها وسهولة صيانتها.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.