YOLO11 مقابل EfficientDet#

يتطلب اختيار الشبكة العصبية المثلى لمشروعات الرؤية الحاسوبية فهمًا عميقًا للبنى المتاحة. يقدّم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLO11 وEfficientDet من Google. سنستكشف اختلافاتهما المعمارية، ومقاييس الأداء، وكفاءة التدريب، وسيناريوهات النشر المثالية، لمساعدتك على اتخاذ قرار مستنير بشأن أعباء عمل التعلّم الآلي لديك.

خلفيات النماذج ومواصفاتها#

أثر كلا النموذجين تأثيرًا كبيرًا في مجال التعلّم العميق، رغم انحدارهما من فلسفتين تصميميتين وعصرين مختلفين من تطوّر الذكاء الاصطناعي.

تفاصيل YOLO11#

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• التوثيق: 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

اعرف المزيد عن EfficientDet

الابتكارات المعمارية#

EfficientDet: BiFPN والتحجيم المركّب#

طُرح EfficientDet في أواخر عام 2019 بهدف زيادة الدقة إلى أقصى حد مع تقليل التكلفة الحسابية. ويحقق ذلك أساسًا من خلال آليتين. أولًا، يستخدم جذعًا من EfficientNet يوسّع العمق والعرض والدقة بصورة متناسقة. ثانيًا، قدّم شبكة هرمية للميزات ثنائية الاتجاه (BiFPN)، تتيح دمج الميزات متعددة المقاييس بسهولة وسرعة.

رغم كفاءته العالية في عصره، فإن اعتماد EfficientDet على مكتبة TensorFlow AutoML قد يجعله جامدًا. وغالبًا ما يجد الباحثون أن تشذيب النموذج وإجراء التعديلات المخصصة أمران صعبان مقارنةً بأطر PyTorch الحديثة والقابلة للت modularية.

YOLO11: استخراج محسّن للميزات وتعدّد الاستخدامات#

يمثّل YOLO11 قفزة كبيرة إلى الأمام في بنى كشف الأجسام. فهو يبني على نجاحات أسلافه، ويقدّم كتل C3k2 محسّنة ووحدة التجميع الهرمي المكاني المطوّرة. وتؤدي هذه التحسينات إلى استخراج ميزات فائق، ما يتيح لـ YOLO11 التقاط الأنماط البصرية المعقدة بوضوح استثنائي.

تتمثل إحدى المزايا الرئيسية لـ YOLO11 في تعدّد الاستخدامات. فبينما يُعد EfficientDet نموذجًا مخصصًا لـكشف الأجسام فقط، يدعم YOLO11 أصلاً تقسيم المثيلات، وتصنيف الصور، وتقدير الوضعيات، والمربعات المحيطة الموجّهة (OBB). علاوةً على ذلك، يتميز YOLO11 بمتطلبات ذاكرة منخفضة للغاية أثناء التدريب والاستدلال، ما يجعله متفوقًا بكثير على النماذج الأقدم ومحوّلات الرؤية الضخمة عند النشر في بيئات الذكاء الاصطناعي الطرفي محدودة الموارد.

الأداء والمعايير القياسية#

يُعد التوازن بين الدقة، المقاسة بـمتوسط الدقة المضاعف (mAP)، وسرعة الاستدلال العامل الحاسم عند اتخاذ القرار بشأن عمليات النشر في العالم الحقيقي. يوضّح الجدول أدناه الأداء الخام لكلتا عائلتي النماذج على مجموعة بيانات COCO القياسية.

كما هو موضح، يحقق YOLO11 توازنًا ممتازًا في الأداء. ويحقق YOLO11x أعلى دقة إجمالية (54.7 mAP)، بينما تهيمن إصدارات YOLO11 الأصغر بشكل واضح على سرعات الاستدلال باستخدام GPU (بزمن يصل إلى 1.5ms على T4 باستخدام TensorRT).

كفاءة التدريب والمنظومة#

تتمثل إحدى السمات المميزة لنماذج Ultralytics في سهولة الاستخدام. إذ يتطلب تدريب نموذج EfficientDet غالبًا التعامل مع إعدادات معقدة لرسوم TensorFlow البيانية وإدارة سلاسل تبعيات دقيقة. وعلى النقيض تمامًا، بُني YOLO11 على أساس PyTorch نظيف وحديث بالكامل.

تعني هذه المنظومة المُصانة جيدًا أن بإمكان المطورين تثبيت الحزمة، وتحميل نموذج مُدرّب مسبقًا، وبدء التدريب على مجموعة بيانات مخصصة باستخدام بضعة أسطر من التعليمات البرمجية فحسب.

مثال على تعليمات Python البرمجية#

إليك مثالًا قابلًا للتنفيذ بالكامل يوضّح بساطة واجهة برمجة تطبيقات Ultralytics. ينزّل هذا البرنامج النصي نموذج YOLO11 مُدرّبًا مسبقًا، ويدرّبه، وينفّذ تنبؤًا سريعًا.

from ultralytics import YOLO

# Initialize a pretrained YOLO11 nano model
model = YOLO("yolo11n.pt")

# Train the model efficiently using the integrated PyTorch engine
# Training efficiency is high, requiring less VRAM than legacy models
results = model.train(data="coco8.yaml", epochs=10, imgsz=640, device="cpu")

# Run real-time inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the output bounding boxes
prediction[0].show()

التطلع إلى المستقبل: ميزة YOLO26#

رغم القوة الاستثنائية التي يتمتع بها YOLO11، ينبغي للفرق التي تبدأ مشروعات جديدة كليًا أن تفكر بجدية في Ultralytics YOLO26، الذي أُطلق في يناير 2026. يمثّل YOLO26 تحولًا جذريًا في بساطة النشر والأداء الطرفي.

تشمل أبرز ابتكارات YOLO26 ما يلي:

• تصميم شامل من دون NMS: من خلال إلغاء الكبت غير الأقصى (NMS) أثناء المعالجة اللاحقة، يضمن YOLO26 زمن استجابة منخفضًا للغاية ومتسقًا، وهو أمر بالغ الأهمية لـالروبوتات عالية السرعة والقيادة الذاتية.
• استدلال أسرع باستخدام CPU بنسبة تصل إلى 43%: بالنسبة إلى عمليات النشر التي تفتقر إلى GPU مخصص، حُسّن YOLO26 خصيصًا لتعظيم معدل النقل على المعالجات القياسية.
• مُحسِّن MuSGD: استنادًا إلى Kimi K2 من Moonshot AI، يجلب هذا المُحسِّن الهجين استقرار تدريب LLM إلى الرؤية الحاسوبية، ما يتيح تقاربًا أسرع.
• ProgLoss + STAL: تعزز دوال الخسارة المحسّنة هذه بدرجة كبيرة التعرّف على الأجسام الصغيرة، الذي يمثل غالبًا نقطة ضعف في تحليل صور الأقمار الصناعية ولقطات الطائرات المسيّرة.
• إزالة DFL: تؤدي إزالة دالة خسارة البؤرة التوزيعية 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 لـ:

• النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تمثل الموثوقية والصيانة النشطة أولوية قصوى.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتقسيم، وتقدير الوضعيات، وOBB ضمن إطار عمل موحد واحد.
• إنشاء النماذج الأولية والنشر بسرعة: الفرق التي تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics Python البرمجية المبسطة.

متى تختار EfficientDet#

يوصى باستخدام EfficientDet في الحالات التالية:

• مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
• أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
• النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

الخلاصة#

كان EfficientDet بنية رائدة أثبتت جدوى التحجيم المركّب في كشف الأجسام. إلا أن الوتيرة السريعة لأبحاث الذكاء الاصطناعي أفرزت نماذج أكثر قدرة وأسهل تكاملًا وأسرع تشغيلًا ببساطة.

بفضل قدراته المتينة متعددة المهام، وسرعات الاستدلال المذهلة باستخدام GPU، وربما واجهة برمجة التطبيقات الأكثر ملاءمة للمطورين في المجال، يُعد YOLO11 الفائز الواضح لمسارات الرؤية الحديثة. أما لمن يستهدفون أحدث ما توصلت إليه التقنية—وخاصةً عمليات النشر التي تضع الأجهزة الطرفية في المقام الأول—فإن الترقية إلى YOLO26 توفر المزيج الأمثل من سرعة الاستدلال دون NMS ودقة لا مثيل لها.