YOLO11 مقابل EfficientDet#

يتطلب اختيار الشبكة العصبية المثلى لمشاريع الرؤية الحاسوبية فهمًا عميقًا للبنى المتاحة. يقدم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLO11 وEfficientDet من Google. سنستكشف الاختلافات المعمارية ومقاييس الأداء وكفاءة التدريب وسيناريوهات النشر المثالية لمساعدتك على اتخاذ قرار مستنير بشأن أعباء عمل تعلّم الآلة.

خلفية النماذج ومواصفاتها#

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

ابتكارات البنية#

EfficientDet: BiFPN والتحجيم المركب#

طُرح EfficientDet في أواخر عام 2019 بهدف زيادة الدقة إلى أقصى حد مع تقليل التكلفة الحسابية. ويحقق ذلك أساسًا عبر آليتين. أولًا، يستخدم عمودًا فقريًا من EfficientNet يوسّع العمق والعرض والدقة بشكل متناسق. وثانيًا، قدّم شبكة هرمية ثنائية الاتجاه للميزات (BiFPN)، التي تتيح دمج الميزات متعددة المقاييس بسهولة وسرعة.

على الرغم من كفاءته العالية في عصره، فإن اعتماد EfficientDet على مكتبة AutoML الخاصة بـTensorFlow قد يجعله جامدًا. وغالبًا ما يجد الباحثون أن تشذيب النماذج وإجراء التعديلات المخصصة أمران صعبان مقارنة بأطر العمل الحديثة المعيارية القائمة على PyTorch.

YOLO11: استخراج محسّن للميزات وتعدد الاستخدامات#

يمثل YOLO11 نقلة نوعية في بنى اكتشاف الأجسام. فهو يبني على نجاح أسلافه، ويقدم كتل C3k2 محسّنة ووحدة تجميع هرمي مكاني مطوّرة. وتؤدي هذه التحسينات إلى استخراج أفضل للميزات، ما يمكّن YOLO11 من التقاط الأنماط البصرية الدقيقة بوضوح استثنائي.

من أبرز مزايا YOLO11 تعدد الاستخدامات. فبينما يقتصر EfficientDet على اكتشاف الأجسام، يدعم YOLO11 محليًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB). علاوة على ذلك، يتطلب YOLO11 ذاكرة قليلة للغاية أثناء التدريب والاستدلال، ما يجعله أفضل بكثير من النماذج الأقدم ومحولات الرؤية الضخمة vision transformers عند النشر في بيئات الذكاء الاصطناعي الطرفي محدودة الموارد.

الأداء ومعايير التقييم#

يشكل التوازن بين الدقة، المقاسة بـمتوسط الدقة (mAP)، وسرعة الاستدلال العامل الحاسم في عمليات النشر الواقعية. يوضح الجدول أدناه الأداء الفعلي لعائلتي النموذجين على مجموعة بيانات COCO القياسية.

كما يتضح، يحقق YOLO11 توازنًا ممتازًا في الأداء. ويحقق YOLO11x أعلى دقة إجمالية (54.7 mAP)، في حين تتفوق إصدارات YOLO11 الأصغر بفارق كبير في سرعات الاستدلال على GPU (حتى 1.5ms على T4 باستخدام TensorRT).

كفاءة التدريب والمنظومة#

من السمات المميزة لنماذج Ultralytics سهولة الاستخدام. فكثيرًا ما يتطلب تدريب نموذج EfficientDet التعامل مع إعدادات رسوم بيانية معقدة في TensorFlow وإدارة سلاسل تبعيات متشابكة. وعلى النقيض تمامًا، بُني YOLO11 على أساس PyTorch حديث ونظيف ومتكامل.

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#

على الرغم من القوة الاستثنائية لـYOLO11، ينبغي للفرق التي تبدأ مشاريع جديدة من الصفر أن تفكر جديًا في Ultralytics YOLO26، الصادر في يناير 2026. يمثل YOLO26 تحولًا جذريًا في بساطة النشر والأداء الطرفي.

تشمل أبرز ابتكارات YOLO26 ما يلي:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يتجاوز رأس اختياري أحادي المطابقة (nms=False) المعالجة اللاحقة لقمع الصناديق المحيطة غير القصوى (NMS)، ما يمنح YOLO26 زمن استجابة ثابتًا ومنخفضًا للغاية، وهو أمر بالغ الأهمية لـالروبوتات عالية السرعة والقيادة الذاتية.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: في عمليات النشر التي لا تتوفر فيها وحدات GPU مخصصة، جرى تحسين YOLO26 خصوصًا لزيادة معدل الإنتاجية على المعالجات القياسية إلى أقصى حد.
• محسّن MuSGD: يستلهم هذا المحسّن الهجين من Kimi K2 التابع لـMoonshot AI، ويجلب استقرار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يتيح تقاربًا أسرع.
• ProgLoss + STAL: تحسّن دوال الخسارة المطوّرة هذه التعرف على الأجسام الصغيرة بدرجة كبيرة، وهو تحدٍ شائع في تحليل صور الأقمار الصناعية ومقاطع 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: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
• النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.

متى تختار EfficientDet#

يوصى باستخدام EfficientDet في الحالات التالية:

• 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 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.

الخلاصة#

كان EfficientDet بنية رائدة أثبتت جدوى التحجيم المركب في اكتشاف الأجسام. لكن وتيرة أبحاث الذكاء الاصطناعي المتسارعة أفرزت نماذج أكثر قدرة وأسهل دمجًا وأسرع تشغيلًا.

بفضل قدراته القوية على تنفيذ مهام متعددة، وسرعات الاستدلال المذهلة على GPU، وما يُعدّ واجهة برمجة التطبيقات الأسهل للمطورين في المجال، يُعدّ YOLO11 الخيار الأفضل بوضوح لمسارات عمل الرؤية الحديثة. أما الساعون إلى أحدث ما توصلت إليه التقنية — ولا سيما لعمليات النشر التي تعطي الأولوية للأجهزة الطرفية — فيحققون أقصى استفادة من الترقية إلى YOLO26، التي تجمع بين السرعة الخالية من NMS والدقة التي لا تضاهى.