تخطي إلى المحتوى

YOLO11 مقابل EfficientDet: مقارنة فنية تفصيلية

تقدم هذه الصفحة مقارنة فنية مفصلة بين Ultralytics YOLO11 و EfficientDet، وهما نموذجان بارزان في اكتشاف الكائنات. نحلل بنيتيهما ومعايير الأداء الخاصة بهما ومدى ملاءمتهما للتطبيقات المختلفة لمساعدتك في اختيار النموذج الأمثل لتلبية احتياجاتك في رؤية الكمبيوتر. في حين أن كلا النموذجين يهدف إلى اكتشاف الكائنات بكفاءة ودقة، إلا أنهما ينبعان من خطوط بحث مختلفة (Ultralytics و Google) ويستخدمان فلسفات معمارية متميزة.

Ultralytics YOLO11

يمثل Ultralytics YOLO11 أحدث تقدم في سلسلة YOLO (أنت تنظر مرة واحدة فقط)، التي طورتها Ultralytics والمعروفة بقدراتها الاستثنائية في الكشف عن الأجسام في الوقت الفعلي. وهو يعتمد على نجاح سابقاته مثل YOLOv8، مع التركيز على تعزيز كل من الدقة والكفاءة الحسابية.

تفاصيل فنية:

البنية والميزات الرئيسية

تستخدم YOLO11 بنية خالية من المرساة أحادية المرحلة مُحسَّنة للسرعة والدقة. تتضمن الميزات الرئيسية طبقات استخراج الميزات المُحسَّنة وهيكل الشبكة المبسط، مما يقلل من عدد المعلمات والحمل الحسابي. يضمن هذا التصميم أداءً ممتازًا عبر أجهزة متنوعة، من الأجهزة الطرفية (NVIDIA Jetson، Raspberry Pi) إلى خوادم السحابة.

تتمثل إحدى المزايا الرئيسية لـ YOLO11 في تنوعها وتكاملها داخل نظام Ultralytics البيئي. وهو يدعم مهامًا متعددة تتجاوز اكتشاف الكائنات، بما في ذلك تجزئة المثيلات، و تصنيف الصور، و تقدير الوضعية، والصناديق المحيطة الموجهة (OBB). يوفر إطار Ultralytics واجهة برمجة تطبيقات Python و CLI بسيطة، و وثائق شاملة، وأوزان مُدرَّبة مسبقًا متاحة بسهولة، و عمليات تدريب فعالة مع متطلبات ذاكرة أقل مقارنة بالعديد من البنى الأخرى. يستفيد النظام البيئي من التطوير النشط والدعم المجتمعي القوي والتكامل السلس مع أدوات مثل Ultralytics HUB من أجل MLOps مبسط.

نقاط القوة

  • سرعة وكفاءة عاليتان: سرعة استدلال ممتازة، مثالية للتطبيقات في الوقت الفعلي.
  • دقة قوية: تحقق أحدث درجات mAP عبر أحجام النماذج.
  • تنوع الاستخدامات: يدعم مهام الاكتشاف والتجزئة والتصنيف والتقدير والـ OBB ضمن إطار عمل واحد.
  • سهولة الاستخدام: واجهة برمجة تطبيقات (API) بسيطة، وتوثيق شامل، ونظام بيئي سهل الاستخدام.
  • نظام بيئي مُدار بشكل جيد: يتم تطويره بنشاط، ومجتمع قوي، وتحديثات متكررة، وأدوات مثل Ultralytics HUB.
  • كفاءة التدريب: أوقات تدريب أسرع واستخدام أقل للذاكرة مقارنة بالعديد من البدائل.
  • مرونة النشر: مُحسَّن للأجهزة المتنوعة من الحافة إلى السحابة.

نقاط الضعف

  • تعطي النماذج الأصغر الأولوية للسرعة، مما قد ينطوي على مفاضلة في الحد الأقصى للدقة التي يمكن تحقيقها مقارنة بالمتغيرات الأكبر.
  • باعتباره كاشفًا أحادي المرحلة، قد يواجه تحديات مع الأجسام الصغيرة للغاية في بعض المشاهد المعقدة.

حالات الاستخدام المثالية

يتفوق YOLO11 في التطبيقات التي تتطلب أداءً في الوقت الفعلي ودقة عالية:

تعرف على المزيد حول YOLO11

EfficientDet من Google

EfficientDet عبارة عن مجموعة من نماذج الكشف عن الكائنات التي قدمها فريق Google Brain. وهي مصممة لتحقيق كفاءة عالية من خلال تحسين المفاضلة بين الدقة والموارد الحسابية (المعلمات و FLOPs).

تفاصيل فنية:

البنية والميزات الرئيسية

تعتمد بنية EfficientDet على ثلاثة ابتكارات رئيسية:

  1. EfficientNet Backbone: تستخدم EfficientNet عالية الكفاءة كعمود فقري لها لاستخراج الميزات.
  2. BiFPN (شبكة الهرم المميز ثنائية الاتجاه): شبكة ميزات مبتكرة تتيح دمج الميزات متعددة المقاييس ببساطة وسرعة، مما يحسن شبكات FPN التقليدية عن طريق إضافة اتصالات مرجحة.
  3. التحجيم المركب: طريقة تعمل على توسيع نطاق العمق والعرض والدقة بشكل موحد للعمود الفقري وشبكة الميزات وشبكات التنبؤ بالمربع/الفئة. يتيح ذلك توسيع نطاق النموذج من متغيرات صغيرة (D0) إلى كبيرة (D7) لتناسب قيود الموارد المختلفة.

نقاط القوة

  • كفاءة عالية في المعلمات: يقدم دقة قوية لعدد قليل نسبيًا من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs).
  • قابلية التوسع: توفر طريقة التحجيم المركب مسارًا واضحًا لتوسيع النموذج ليناسب أهداف الأداء المختلفة.
  • أداء قوي في الاختبارات المعيارية: حقق نتائج متطورة على مجموعة بيانات COCO في وقت إصداره.

نقاط الضعف

  • سرعة استدلال أبطأ: على الرغم من كفاءة FLOP، غالبًا ما يكون لدى EfficientDet زمن استجابة استدلال أعلى مقارنة بنماذج YOLO، خاصة على وحدات معالجة الرسوميات (GPUs)، مما يجعلها أقل ملاءمة للعديد من التطبيقات في الوقت الفعلي.
  • تنوع محدود: مصمم بشكل أساسي لاكتشاف الكائنات ويفتقر إلى الدعم الأصلي لمهام أخرى مثل تجزئة المثيلات، وتقدير الوضعية، أو OBB المدمجة في إطار عمل Ultralytics YOLO.
  • نظام بيئي أقل تكاملاً: المستودع الأصلي هو في الأساس قطعة أثرية بحثية. يفتقر إلى الوثائق الشاملة وواجهة برمجة التطبيقات البسيطة والأدوات المتكاملة مثل Ultralytics HUB التي تبسط سير العمل الشامل من التدريب إلى النشر.
  • الاعتماد على إطار عمل: التنفيذ الرسمي موجود في TensorFlow، والذي قد يكون قيدًا على المطورين والباحثين الذين يعملون بشكل أساسي في نظام PyTorch البيئي.

حالات الاستخدام المثالية

تعتبر EfficientDet مناسبة تمامًا للسيناريوهات التي يكون فيها حجم النموذج والتكلفة الحسابية النظرية هما القيود الأكثر أهمية:

  • Edge AI: النشر على الأجهزة المحمولة أو المدمجة حيث تكون الذاكرة وقوة المعالجة محدودة للغاية.
  • البحث الأكاديمي: دراسة قوانين توسيع النموذج والكفاءة المعمارية.
  • تطبيقات السحابة: السيناريوهات التي يكون فيها تقليل التكلفة الحسابية لكل استدلال أكثر أهمية من تحقيق أقل زمن انتقال ممكن.

تعرف على المزيد حول EfficientDet

الأداء والمعايير: YOLO11 ضد EfficientDet

عند مقارنة الأداء، من الضروري النظر إلى ما هو أبعد من مجرد mAP. في حين أن كلتا عائلتي النماذج تقدمان مجموعة من مستويات الدقة، إلا أن YOLO11 مصمم لتحقيق سرعة فائقة في العالم الحقيقي. يوضح الجدول أدناه أنه بالنسبة لـ mAP مماثل، فإن نماذج YOLO11 أسرع بشكل ملحوظ، خاصةً عند تسريعها باستخدام TensorRT على GPU.

على سبيل المثال، يحقق YOLO11m نفس الخريطة المتوسطة للدقة البالغة 51.5 مثل EfficientDet-d5 ولكنه أسرع بأكثر من 14 مرة على وحدة معالجة الرسوميات T4 (4.7 مللي ثانية مقابل 67.86 مللي ثانية) ويستخدم معلمات أقل بنسبة 40%. يسلط هذا الضوء على توازن YOLO11 الاستثنائي بين الدقة والسرعة وحجم النموذج، مما يجعله خيارًا أكثر عملية بكثير للتطبيقات التي تتطلب معالجة في الوقت الفعلي.

النموذج الحجم
(بالبكسل)		 mAPval
50-95		 السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		 السرعة
T4 TensorRT10
(بالمللي ثانية)		 المعلمات
(M)		 FLOPs
(B)
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9
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

الخلاصة: أي نموذج يجب أن تختاره؟

في حين أن EfficientDet كانت خطوة مهمة إلى الأمام في كفاءة النموذج، فإن Ultralytics YOLO11 يمثل حلاً أكثر حداثة وعملية وقوة للغالبية العظمى من تطبيقات رؤية الكمبيوتر.

  • اختر EfficientDet إذا كان قيدك الأساسي هو تقليل عدد العمليات الحسابية النظرية (FLOPs) أو عدد المعلمات، وكنت مرتاحًا للعمل ضمن إطاره الموجه نحو البحث.

  • اختر Ultralytics YOLO11 لجميع السيناريوهات الأخرى تقريبًا. إن التوازن الفائق بين السرعة والدقة، وتعدد الاستخدامات المذهل عبر مهام الرؤية المتعددة، وسهولة الاستخدام يجعله الخيار الأمثل للمطورين والباحثين. يضمن النظام البيئي الذي تتم صيانته جيدًا، بما في ذلك الوثائق الشاملة ودعم المجتمع النشط وأدوات مثل Ultralytics HUB، تجربة تطوير ونشر سلسة، من التجربة الأولية إلى الإنتاج على نطاق واسع.

مقارنات النماذج الأخرى

للمزيد من الاستكشاف، ضع في اعتبارك هذه المقارنات التي تتضمن YOLO11 ونماذج أخرى ذات صلة:



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد
glenn-jocher

تعليقات