YOLO11 مقابل EfficientDet#
يتطلب اختيار الشبكة العصبية المناسبة لمشاريع الرؤية الحاسوبية فهم البنى المتاحة. يقارن هذا الدليل بين Ultralytics YOLO11 وEfficientDet من Google، متناولًا الاختلافات المعمارية ومقاييس الأداء وكفاءة التدريب وسيناريوهات النشر المثالية، لمساعدتك على اختيار النموذج المناسب لأعباء عمل التعلّم الآلي لديك.
خلفية النماذج ومواصفاتها#
أسهم كلا النموذجين في تشكيل أبحاث الكشف عن الأجسام ضمن التعلم العميق، رغم اختلاف فلسفتي التصميم والحقبتين اللتين ينتميان إليهما في تطوير الذكاء الاصطناعي.
تفاصيل YOLO11#
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- الوثائق: https://docs.ultralytics.com/models/yolo11
تفاصيل EfficientDet#
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- الوثائق: https://github.com/google/automl/tree/master/efficientdet#readme
تعرّف على المزيد عن EfficientDet
لا تقل أهمية المنظومة المحيطة عن أهمية النموذج نفسه. إذ توفّر منظومة Ultralytics وثائق شاملة ودعمًا نشطًا من المجتمع وتصديرًا بأمر واحد إلى تنسيقات مثل ONNX وTensorRT.
ابتكارات البنية#
EfficientDet: BiFPN والتحجيم المركب#
طُرح EfficientDet في أواخر عام 2019 بهدف زيادة الدقة إلى أقصى حد مع تقليل التكلفة الحاسوبية. ويحقق ذلك أساسًا عبر آليتين. أولًا، يأتي العمود الفقري من عائلة EfficientNet، التي توسّع العمق والعرض والدقة معًا عبر التحجيم المركب. ثانيًا، قدّم شبكة هرم السمات ثنائية الاتجاه (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة.
على الرغم من كفاءته في وقته، قد يكون تنفيذ EfficientDet المستند إلى TensorFlow لـالتعلم الآلي الآلي جامدًا. وغالبًا ما يجد الباحثون صعوبة في تشذيب النماذج وإجراء تعديلات مخصصة مقارنةً بأطر PyTorch الحديثة ذات البنية المعيارية.
YOLO11: استخراج محسّن للميزات وتعدد الاستخدامات#
يبني YOLO11 على أسلافه، ويجمع بين كتل C3k2 والانتباه المكاني C2PSA ووحدة تجميع الهرم المكاني السريع (SPPF). وتحسّن هذه التغييرات استخراج السمات وتساعد YOLO11 على التقاط التفاصيل البصرية الدقيقة.
من أبرز مزايا YOLO11 تعدد استخداماته. فبينما يقتصر EfficientDet على الكشف عن الأجسام، يدعم YOLO11 أصليًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات ومربعات الإحاطة الموجّهة (OBB). كما أن متطلبات YOLO11 من الذاكرة منخفضة أثناء التدريب والاستدلال، ما يمنحه أفضلية على النماذج الأقدم ومحولات الرؤية الأكبر على أجهزة الذكاء الاصطناعي الطرفي محدودة الموارد.
الأداء ومعايير التقييم#
غالبًا ما يحسم التوازن بين الدقة، المقاسة بـمتوسط الدقة (mAP)، وسرعة الاستدلال خيارات النشر الواقعية. ويعرض الجدول أدناه أداء عائلتي النموذجين على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
يعمل YOLO11 بسرعة أكبر بكثير على GPU مع دقة مماثلة. ويكاد YOLO11s يضاهي EfficientDet-d3 (47.0 مقابل 47.5 mAP) بزمن 2.5 ms مقابل 19.59 ms على T4 باستخدام TensorRT، بينما يحقق YOLO11x أعلى دقة (54.7 mAP) بزمن 11.3 ms مقابل 128.07 ms لـ EfficientDet-d7 (53.7 mAP). أما EfficientDet-d0 فيسجل أقل عدد من عمليات FLOPs (2.54B).
كفاءة التدريب والمنظومة#
صُممت نماذج Ultralytics لتكون سهلة الاستخدام. فكثيرًا ما يتطلب تدريب EfficientDet التعامل مع إعدادات معقدة للرسوم البيانية في TensorFlow وسلاسل من التبعيات، بينما يستند YOLO11 إلى أساس حديث هو PyTorch.
تتيح هذه المنظومة التي تحظى بصيانة جيدة للمطورين تثبيت الحزمة وتحميل نموذج مدرّب مسبقًا وبدء التدريب على مجموعة بيانات مخصصة باستخدام بضعة أسطر من التعليمات البرمجية فقط.
مثال على التعليمات البرمجية بلغة Python#
فيما يلي مثال قابل للتنفيذ بالكامل يوضح بساطة واجهة برمجة تطبيقات Ultralytics. ينزّل هذا البرنامج النصي نموذج YOLO11 مدرّبًا مسبقًا، ويدرّبه، ثم يجري تنبؤًا سريعًا.
from ultralytics import YOLO
# تهيئة نموذج YOLO11 nano مدرّب مسبقًا
model = YOLO("yolo11n.pt")
# درّب النموذج بكفاءة باستخدام محرك PyTorch المدمج
# كفاءة التدريب عالية، ويتطلب ذاكرة VRAM أقل من النماذج القديمة
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")
# نفّذ استدلالًا آنيًا على صورة عيّنة
prediction = model.predict("https://ultralytics.com/images/bus.jpg")
# اعرض الصناديق المحيطة الناتجة
prediction[0].show()نظرة إلى المستقبل: ميزة YOLO26#
ينبغي للفرق التي تبدأ مشاريع جديدة أن تفكر في Ultralytics YOLO26، الصادر في يناير 2026، إذ يبسّط النشر ويحسّن الأداء على الأجهزة الطرفية.
تشمل أبرز ابتكارات YOLO26 ما يلي:
- تصميم شامل خالٍ من NMS: يتجاوز الرأس الاختياري أحادي المطابقة (
nms=False) مرحلة المعالجة اللاحقة الخاصة بـالكبح غير الأقصى (NMS)، ما يمنح YOLO26 زمن استجابة منخفضًا وثابتًا في الروبوتات عالية السرعة والقيادة الذاتية. - استدلال أسرع على CPU بنسبة تصل إلى 43%: في عمليات النشر التي لا تستخدم GPU مخصصًا، يعمل YOLO26n على CPU بسرعة تفوق YOLO11n بنسبة تصل إلى 43%.
- مُحسِّن MuSGD: يستلهم هذا المزيج بين SGD وMuon من Kimi K2 من Moonshot AI، وينقل استقرار تدريب نماذج اللغة الكبيرة (LLM) إلى مجال الرؤية الحاسوبية ويسرّع التقارب.
- ProgLoss + STAL: تعمل الخسارة التقدمية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) على تحسين التعرّف على الأجسام الصغيرة، وهو تحدٍ شائع في تحليل صور الأقمار الصناعية ولقطات الطائرات المسيّرة.
- إزالة DFL: تؤدي إزالة خسارة التوزيع البؤرية إلى تبسيط عملية تصدير النموذج إلى الأجهزة الطرفية.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 وEfficientDet على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLO11#
يُعد YOLO11 خيارًا قويًا في الحالات التالية:
- النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
- تطبيقات الرؤية متعددة المهام: مشاريع تتطلب الكشف والتجزئة وتقدير الوضعيات وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: فرق تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics البرمجية لـ Python.
متى تختار EfficientDet#
يوصى باستخدام EfficientDet في الحالات التالية:
- 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 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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.
الخلاصة#
كان EfficientDet بنية رائدة أثبتت قيمة التحجيم المركب في الكشف عن الأجسام. أما النماذج الأحدث فهي أكثر قدرة وأسهل دمجًا وأسرع تشغيلًا على وحدات GPU.
بفضل دعم المهام المتعددة وسرعة الاستدلال على GPU وواجهة API البسيطة، يُعد YOLO11 الخيار الأقوى لمسارات الرؤية الحديثة. أما للمشاريع الجديدة، ولا سيما عمليات النشر التي تعطي الأولوية للأجهزة الطرفية، فيضيف YOLO26 استدلالًا اختياريًا خاليًا من NMS ودقة أعلى.