YOLO11 مقابل EfficientDet#

يتطلب اختيار الشبكة العصبية المثالية لمشاريع الرؤية الحاسوبية فهمًا عميقًا للهندسات المتاحة. يقدم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLO11 ونموذج EfficientDet من Google. سنستكشف فروقهما المعمارية، ومقاييس الأداء، وكفاءات التدريب، وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير لأعباء عمل التعلم الآلي الخاصة بك.

خلفيات النماذج والمواصفات#

لقد أثر كلا النموذجين بشكل كبير على مشهد التعلم العميق، على الرغم من أنهما ينشأان من فلسفات تصميم مختلفة وعصور مختلفة لتطوير الذكاء الاصطناعي.

تفاصيل YOLO11#

المؤلفون: غلين جوشر وجينغ تشيو
المنظمة: Ultralytics
التاريخ: 2024-09-27
غيت هب: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

تفاصيل EfficientDet#

المؤلفون: مينغشينغ تان، ورومينغ بانغ، وكوك في. لي
المنظمة: Google
التاريخ: 2019-11-20
أركايف: https://arxiv.org/abs/1911.09070
غيت هب: https://github.com/google/automl/tree/master/efficientdet
المستندات: https://github.com/google/automl/tree/master/efficientdet#readme

اعرف المزيد عن EfficientDet

الابتكارات المعمارية#

EfficientDet: تقنية BiFPN والتحجيم المركب#

تم تقديم نموذج EfficientDet في أواخر عام 2019، وكان يهدف إلى تعظيم الدقة مع تقليل التكلفة الحسابية. وهو يحقق ذلك بشكل أساسي من خلال آليتين. أولاً، يستخدم عمودًا فقريًا من نوع EfficientNet يقوم بمواءمة العمق والعرض والدقة بشكل متماسك. ثانيًا، قدم شبكة هرم الميزات ثنائية الاتجاه (BiFPN)، والتي تتيح دمج ميزات متعددة الأ escalas بسهولة وسرعة.

على الرغم من كفاءته العالية في وقته، إلا أن اعتماد EfficientDet على مكتبة AutoML التابعة لـ TensorFlow يمكن أن يجعله جامدًا. غالبًا ما يجد الباحثون أن تقليم النماذج والتعديلات المخصصة أمران صعبان مقارنة بأطر العمل الحديثة والمعيارية القائمة على PyTorch.

YOLO11: استخراج ميزات معزز وتعدد استخدامات#

يمثل YOLO11 قفزة نوعية هائلة إلى الأمام في هندسات اكتشاف الكائنات. فهو يبني على نجاحات سابقيه، مقدماً كتل C3k2 محسنة ووحدة تجمع الهرم المكاني مطورة. تؤدي هذه التحسينات إلى استخراج ميزات فائقة، مما يتيح لـ YOLO11 التقاط الأنماط البصرية المعقدة بوضوح استثنائي.

تتمثل إحدى المزايا الرئيسية لـ YOLO11 في تعدد استخداماتها. وفي حين يُعد EfficientDet نموذجاً مخصصاً لـ اكتشاف الكائنات حصرياً، إلا أن YOLO11 يدعم بشكل أصلي تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، ومربعات الإحاطة الموجهة (OBB). وعلاوة على ذلك، يفتخر YOLO11 بـ متطلبات ذاكرة منخفضة بشكل لا يُصدق أثناء التدريب والاستدلال على حد سواء، مما يجعله متفوقاً بشكل كبير على النماذج الأقدم والمحولات الرؤيوية الضخمة عند النشر في بيئات الذكاء الاصطناعي على الحافة المحدودة الموارد.

الأداء والمعايير القياسية#

إن التوازن بين الدقة، المقاسة بـ متوسط دقة التحديد (mAP)، وسرعة الاستدلال هو العامل الحاسم الأساسي للنشر في العالم الحقيقي. يوضح الجدول أدناه الأداء الخام لكلا عائلتي النماذج على مجموعة بيانات COCO القياسية.

كما هو موضح، يحقق YOLO11 توازناً في الأداء إيجابياً للغاية. يحقق YOLO11x أعلى دقة إجمالية (54.7 mAP)، بينما تهيمن متغيرات YOLO11 الأصغر بشكل مطلق في سرعات استدلال GPU (بسرعة تصل إلى 1.5 مللي ثانية على T4 باستخدام TensorRT).

كفاءة التدريب والنظام البيئي#

تتمثل إحدى السمات المميزة لنماذج Ultralytics في سهولة استخدامها. غالبًا ما يتطلب تدريب نموذج EfficientDet التنقل عبر تكوينات رسم بياني معقدة لـ TensorFlow وإدارة سلاسل تبعيات معقدة. في تناقض صارخ، تم بناء YOLO11 على أساس نظيف وحديث تمامًا من PyTorch.

تعني هذه البيئة البرمجية الصائنة جيداً أنه يمكن للمطورين تثبيت الحزمة، وتحميل نموذج مدرب مسبقاً، والبدء في التدريب على مجموعة بيانات مخصصة في غضون أسطر قليلة فقط من الكود البرمجي.

مثال كود Python#

إليك مثال قابل للتشغيل بالكامل يوضح بساطة واجهة برمجة تطبيقات Ultralytics. يقوم هذا البرنامج النصي بتنزيل نموذج YOLO11 مدرب مسبقاً، وتدريبه، وإجراء تنبؤ سريع.

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#

على الرغم من أن YOLO11 قوي بشكل استثنائي، إلا أن الفرق التي تبدأ مشاريع خضراء جديدة يجب أن تفكر جديًا في Ultralytics YOLO26، الذي تم إصداره في يناير 2026. يمثل YOLO26 تحولاً جذرياً في بساطة النشر وأداء الحافة.

تشمل ابتكارات YOLO26 الرئيسية ما يلي:

• تصميم بدون قمع غير الحد الأقصى (NMS) من البداية إلى النهاية: من خلال القضاء على قمع غير الحد الأقصى (NMS) أثناء المعالجة اللاحقة، يضمن YOLO26 زمن انتقال متسقًا ومنخفضًا للغاية، وهو أمر بالغ الأهمية لـ الروبوتات عالية السرعة القيادة الذاتية.
• سرعة استدلال CPU أسرع بنسبة تصل إلى 43%: بالنسبة لعمليات النشر التي تفتقر إلى وحدات GPU مخصصة، تم تحسين YOLO26 خصيصاً لزيادة الإنتاجية على المعالجات القياسية.
• محسن MuSGD: مستوحى من Kimi K2 الخاص بـ Moonshot AI، يجلب هذا المحسن الهجين استقرار تدريب LLM إلى الرؤية الحاسوبية، مما يتيح تقارباً أسرع.
• ProgLoss + STAL: تعمل دوال الخسارة المحسنة هذه على تعزيز التعرف على الكائنات الصغيرة بشكل جذري، وهو غالباً ما يمثل نقطة ألم في تحليل صور الأقمار الصناعية لقطات الطائرات بدون طيار.
• إزالة DFL: تعمل إزالة خسارة التوزيع البؤري (Distribution Focal Loss) على تبسيط عملية تصدير النموذج إلى أجهزة الحافة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 و EfficientDet على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLO11#

يعد YOLO11 خياراً قوياً لـ:

• نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.

متى تختار EfficientDet#

يُنصح باستخدام EfficientDet في الحالات التالية:

• خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو بنية TPU التحتية حيث يتمتع EfficientDet بتحسين أصلي.
• أبحاث القياس المركب (Compound Scaling): المقارنة المعيارية الأكاديمية التي تركز على دراسة تأثيرات موازنة عمق الشبكة، وعرضها، وتوسيع نطاق الدقة.
• النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لنظام أندرويد أو أجهزة لينكس المدمجة.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

الخلاصة#

كان EfficientDet بنية رائدة أثبتت جدوى التحجيم المركب في اكتشاف الأشياء. ومع ذلك، فإن الوتيرة السريعة لأبحاث الذكاء الاصطناعي أدت إلى ظهور نماذج أكثر قدرة، وأسهل في التكامل، وأسرع في التشغيل.

بفضل قدراته القوية متعددة المهام، وسرعات استدلال GPU المذهلة، وواجهة برمجة التطبيقات (API) التي يُحتمل أن تكون الأكثر ملاءمة للمطورين في الصناعة، يُعد YOLO11 الفائز الواضح بخطوط أنابيب الرؤية الحديثة. بالنسبة لأولئك الذين يستهدفون أحدث ما توصلت إليه التكنولوجيا المتطورة -خاصة لعمليات النشر التي تعتمد على الحافة أولاً- فإن الترقية إلى YOLO26 توفر التوليف النهائي للسرعة الخالية من NMS ودقة لا مثيل لها.