EfficientDet مقابل YOLOX#
عند تصميم مسار عمل حديث لـالرؤية الحاسوبية، يُعد اختيار النموذج المناسب قرارًا حاسمًا يحدد الدقة والجدوى في الوقت الفعلي. يقدم هذا الدليل التقني مقارنة معمقة بين بنيتين محوريتين في تطور الشبكات العصبية: EfficientDet من Google وYOLOX من Megvii. سنحلل مناهجهما المعمارية، ونقيّم أداءهما في الاختبارات المعيارية، ونستكشف مدى مقارنتهما بالحلول المتطورة مثل Ultralytics YOLO26، الذي صدر حديثًا.
نظرة عامة على EfficientDet#
قدم فريق Google Brain نموذج EfficientDet، واضعًا نهجًا شديد التنظيم لتحجيم النماذج، ومثبتًا إمكانية تحقيق دقة عالية بعدد معلمات أقل بكثير مما تتطلبه الشبكات 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#
يعتمد EfficientDet على العمود الفقري EfficientNet، ويطبق طريقة التحجيم المركب لتوسيع دقة الشبكة وعمقها وعرضها بصورة موحدة. وتتمثل ميزته البارزة في شبكة هرمية ثنائية الاتجاه للسمات (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسرعة وفعالية. ومن خلال استخدام أوزان قابلة للتعلم لسمات الإدخال المختلفة، تضمن BiFPN إعطاء الشبكة الأولوية للبيانات المكانية الأكثر أهمية.
على الرغم من انخفاض FLOPs النظرية لـ EfficientDet بدرجة ملحوظة، فإن اعتماده على منظومة TensorFlow وإعدادات AutoML الأقدم قد يجعل دمجه في مسارات عمل PyTorch الحديثة سريعة التطور أمرًا مرهقًا. كما قد تؤدي شبكته المعقدة متعددة الفروع أحيانًا إلى استهلاك ذاكرة أثناء التدريب أعلى من المتوقع مقارنة 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 نموذج كشف الأجسام بدرجة كبيرة. فمن خلال الانتقال إلى تصميم خالٍ من المراسي، ألغى YOLOX الحاجة إلى ضبط معقد لصناديق المراسي حسب مجموعة البيانات، مما قلل الأعباء الاستدلالية. كما دمج رأسًا مفصولًا يفصل مهام التصنيف عن تحديد المواقع، ما حسّن سرعة التقارب بدرجة كبيرة. وإضافة إلى ذلك، حسّنت استراتيجية تعيين التسميات SimOTA توزيع العينات الإيجابية ديناميكيًا أثناء التدريب.
على الرغم من هذه التطورات، يتطلب التعامل مع مستودعات YOLOX غالبًا ترجمة امتدادات C++ يدويًا والتعامل مع تبعيات معقدة، مما قد يعيق نشر النماذج السريع للفرق 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) | mAPالتحقق 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 |
| 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 |
بينما يحقق EfficientDet دقة عالية في إصداراته الأكبر d7، يقدم YOLOX زمن استجابة أفضل بكثير على أجهزة GPU (عبر TensorRT)، ما يجعله خيارًا أفضل للتطبيقات ذات معدل الإطارات المرتفع، مثل القيادة الذاتية أو تتبّع الرياضات.
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: 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 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 المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا 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)#
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: تقديم YOLO26#
مع أن EfficientDet وYOLOX مثّلا قفزات نوعية كبيرة في عصريهما، فإن الرؤية الحاسوبية الحديثة تتطلب مزيدًا من التعددية، وسير عمل أكثر سلاسة، وسرعة لا تقبل المساومة. ونوصي بشدة المطورين الذين يعطون الأولوية لسهولة الاستخدام، وانخفاض متطلبات الذاكرة، ومنظومة متكاملة تحظى بصيانة جيدة، بالترقية إلى Ultralytics YOLO26، الذي صدر في يناير 2026.
يمثل YOLO26 تحولًا جذريًا في سلسلة YOLO، إذ يتغلب منهجيًا على أوجه القصور الموجودة في النماذج الأقدم مثل YOLOX وEfficientDet:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: على خلاف EfficientDet وYOLOX اللذين يتطلبان معالجة لاحقة مكلفة بإزالة التكرار غير الأقصى (NMS)، يدعم YOLO26 الاستدلال الأصلي الشامل من البداية إلى النهاية من خلال رأسه الاختياري أحادي المطابقة (
nms=False). وهذا يزيل اختناقات زمن الاستجابة الناجمة عن NMS ويبسّط النشر على الأجهزة الطرفية بدرجة كبيرة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل الضبط المعماري المدروس وإزالة DFL (خسارة البؤرة التوزيعية)، جرى تحسين YOLO26 على نحو فريد للعمل في البيئات التي لا تتوفر فيها وحدات GPU مخصصة، مع تقديم أداء ممتاز على أجهزة الذكاء الاصطناعي الطرفي مثل Raspberry Pi.
- مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب النماذج اللغوية الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا من SGD وMuon. ويضمن ذلك تدريبًا مستقرًا للغاية وتقاربًا أسرع، متفوقًا بدرجة كبيرة على مقدِّرات TensorFlow الأقدم.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو موطن ضعف تاريخي لدى كل من YOLOX وEfficientDet. ويكتسب ذلك أهمية بالغة في تحليلات الطائرات المسيّرة وإنترنت الأشياء.
- تعددية مذهلة: في حين يقتصر EfficientDet وYOLOX على اكتشاف مربعات الإحاطة، يدعم YOLO26 أصليًا تجزئة المثيلات، وتقدير الوضعية (باستخدام تقدير الاحتمالية اللوغاريتمية المتبقية)، ومربعات الإحاطة الموجّهة (OBB).
تجربة مستخدم مبسطة وكفاءة تدريب أعلى#
من أكبر العقبات عند استخدام نماذج مثل YOLOX إعداد بيئة التدريب. وتتيح واجهة Ultralytics Python API الموحدة تدريب نموذج متطور باستخدام بضعة أسطر فقط من التعليمات البرمجية. إضافة إلى ذلك، تتميز نماذج YOLO ببرامج تحميل بيانات محسّنة بدرجة كبيرة، ما يضمن استخدامًا أقل بكثير لذاكرة CUDA مقارنةً بالنماذج المعتمدة بكثافة على Transformer أو الشبكات القديمة متعددة الفروع.
from ultralytics import YOLO
# تحميل النموذج المتطور 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)
# تصدير النموذج بسلاسة إلى ONNX أو OpenVINO للنشر على الأجهزة الطرفية
model.export(format="openvino")الخلاصة: اتخاذ الخيار المناسب#
إذا كنت تتولى صيانة نظام قديم متجذر بعمق في منظومة TensorFlow، يظل EfficientDet خيارًا مستقرًا، ولا سيما في الحالات التي يُفترض فيها نظريًا أن يكون التحجيم المركب واسع النطاق ضروريًا. أما إذا كنت تحتاج إلى سرعة فائقة في قواعد التعليمات البرمجية القديمة الخالية من المراسي، فيوفر YOLOX كاشفًا سريعًا وموثوقًا.
لكن بالنسبة إلى أي مشروع جديد ينتقل إلى بيئة الإنتاج، فالخيار المؤكد هو Ultralytics YOLO26 (أو YOLO11 المستقر للغاية لدعم أنظمة المؤسسات القديمة). وبفضل إتاحة الاستدلال الاختياري الشامل من البداية إلى النهاية والخالي من NMS، وتحسين سرعات CPU بدرجة كبيرة، وخط أنابيب النشر السلس عبر منصات مثل OpenVINO وTensorRT، يضمن YOLO26 أن تكون تطبيقات الرؤية الحاسوبية لديك مهيأة للمستقبل، وعالية الدقة، وسهلة الصيانة للغاية.