YOLO26 مقابل EfficientDet: المعيار الجديد في اكتشاف الكائنات
في عالم الرؤية الحاسوبية سريع التطور، يعد اختيار بنية النموذج المناسبة أمراً بالغ الأهمية لتحقيق التوازن بين الدقة والسرعة والكفاءة الحسابية. وهناك منافسان بارزان في هذا المجال هما Ultralytics الذي يمثل أحدث ما توصلت إليه تقنية الكشف في الوقت الفعلي، و EfficientDet، وهي بنية تحظى باحترام كبير وتشتهر بكفاءتها القابلة للتطوير. تتعمق هذه المقارنة الفنية في ابتكاراتهما المعمارية ومعايير الأداء وحالات الاستخدام المثالية لمساعدة المطورين على اختيار أفضل أداة لتطبيقاتهم المحددة.
ملخص تنفيذي
بينما قدم EfficientDet مفهوم التوسع المركب القوي إلى هذا المجال، يمثل YOLO26 الجيل التالي من الذكاء الاصطناعي البصري، الذي يعطي الأولوية ليس فقط لكفاءة المعلمات ولكن أيضًا لعمليّة النشر. تم إصدار YOLO26 في أوائل عام 2026، ويقدم تصميمًا شاملاً NMS، واستنتاجًا أسرع بكثير على الأجهزة الطرفية، ونظامًا بيئيًا شاملاً يدعم مهام متنوعة تتجاوز الكشف البسيط عن الصناديق المحددة.
نظرة عامة على Ultralytics
YOLO26 هو أحدث إصدار في سلسلة YOLO You Only Look Once) الشهيرة، التي صممتها شركة Ultralytics. بناءً على نجاح نماذج مثل YOLO11 و YOLOv10، فإنه يوسع حدود الإمكانيات المتاحة على الأجهزة الاستهلاكية والأجهزة المتطورة.
المؤلفون: Glenn Jocher و Jing Qiu
المنظمة:Ultralytics
التاريخ: 2026-01-14
GitHub:مستودع Ultralytics
الوثائق:وثائق YOLO26
الابتكارات المعمارية الرئيسية
يقدم YOLO26 العديد من الميزات الرائدة التي تميزه عن أجهزة الكشف التقليدية:
- تصميم شامل NMS: على عكس EfficientDet، الذي يعتمد بشكل كبير على المعالجة اللاحقة لـ Non-Maximum Suppression (NMS) لتصفية المربعات المتداخلة، فإن YOLO26 شامل بطبيعته. وهذا يلغي NMS ، مما يبسط خط أنابيب النشر ويقلل من تباين زمن الاستجابة، وهو أمر بالغ الأهمية للاستدلال في الوقت الفعلي.
- مُحسّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسّنًا هجينًا يجمع بين SGD و Muon. يضمن هذا الابتكار ديناميكيات تدريب أكثر استقرارًا وتقاربًا أسرع، مما يقلل من تكلفة تدريب النماذج الكبيرة.
- ProgLoss + STAL: يوفر دمج Progressive Loss و Soft Target Anchor Loss (STAL) تحسينات كبيرة في اكتشاف الأجسام الصغيرة، وهو تحدٍ شائع في تطبيقات مثل الصور الجوية والزراعة الدقيقة.
- تصدير مبسط: من خلال إزالة فقدان بؤرة التوزيع (DFL)، يعمل YOLO26 على تبسيط الرسم البياني للنموذج، مما يسهل تصديره إلى تنسيقات مثل ONNX و TensorRT لتحقيق أقصى قدر من التوافق مع الأجهزة الطرفية منخفضة الطاقة.
نظرة عامة على EfficientDet
تم تطوير EfficientDet بواسطة فريق Google لتلبية الحاجة إلى اكتشاف الكائنات القابل للتطوير. ويستخدم طريقة قياس مركبة تقيس بشكل موحد الدقة والعمق والعرض للهيكل الأساسي وشبكة الميزات وشبكة التنبؤ.
المؤلفون: مينغشينغ تان، رومينغ بانغ، وكووك في. لي
المنظمة:Google
التاريخ: 2019-11-20
Arxiv:EfficientDet ورقة بحثية
GitHub:مستودعGoogle
الميزات المعمارية الرئيسية
- BiFPN: تتيح شبكة هرم الميزات ثنائية الاتجاه دمج الميزات متعددة المقاييس بسهولة.
- تحجيم المركب: يتحكم معامل مركب واحد $\phi$ في تحجيم جميع أبعاد الشبكة، مما يضمن زيادة متوازنة في الدقة وتكلفة الحساب.
مقارنة فنية
يوضح الجدول التالي مقاييس أداء YOLO26 مقارنةً بـ EfficientDet. يُظهر YOLO26 سرعة ودقة فائقتين، لا سيما على الأجهزة القياسية.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
*ملاحظة: يتم تقدير CPU EfficientDet بناءً على تعقيد البنية النسبية ومعايير قياس الأداء القديمة، حيث إن CPU أداء CPU القياسية الحديثة أقل شيوعًا.
تحليل الأداء
- سرعة الاستدلال: يوفر YOLO26 استدلالًا أسرع بشكل ملحوظ، خاصة على وحدات المعالجة المركزية. على سبيل المثال، YOLO26n قادر على الأداء في الوقت الفعلي على الأجهزة الطرفية حيث قد تواجه متغيرات EfficientDet صعوبة في زمن الاستجابة. كما أن إزالة NMS YOLO26 تزيد من استقرار وقت الاستدلال، مما يجعله حتميًا وموثوقًا للروبوتات.
- الدقة: يحقق YOLO26 دقة أعلى mAP عند عدد معلمات مماثل أو أقل. يصل YOLO26x إلى 57.5 mAP متجاوزًا حتى EfficientDet-d7 الأكبر حجمًا (53.7 mAP) مع كونه أسرع بشكل كبير.
- كفاءة التدريب: بفضل مُحسّن MuSGD، يتقارب YOLO26 بشكل أسرع، مما يقلل من عدد الحقب المطلوبة. وهذا يترجم إلى انخفاض تكاليف الحوسبة السحابية ودورات تكرار أسرع للبحث والتطوير.
كفاءة الذاكرة
عادةً ما تتميزYOLO Ultralytics YOLO بمتطلبات CUDA أقل أثناء التدريب مقارنةً بالبنى القديمة أو النماذج القائمة على Transformer. وهذا يتيح للمطورين تدريب نماذج متطورة على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين مع أحجام دفعات أكبر.
حالات الاستخدام والتطبيقات
أين تتفوق Ultralytics
- الذكاء الاصطناعي في الوقت الحقيقي: بفضل سرعة CPU التي تزيد بنسبة 43٪، يعد YOLO26 الخيار المثالي للتنفيذ على Raspberry Pi أو الهواتف المحمولة أو الكاميرات الذكية.
- الروبوتات والأنظمة المستقلة: يعد زمن الاستجابة الحتمي الذي يوفره التصميم NMS أمرًا بالغ الأهمية للتطبيقات الحساسة من حيث السلامة مثل الملاحة المستقلة والروبوتات الصناعية.
- مهام رؤية متنوعة: بالإضافة إلى الكشف، يدعم YOLO26 بشكل أساسي تقسيم المثيلات وتقدير الوضع و OBB، مما يجعله عمودًا فقريًا متعدد الاستخدامات لخطوط الإنتاج المعقدة.
أين يناسب EfficientDet
يظل EfficientDet خيارًا قابلاً للتطبيق بالنسبة للأنظمة القديمة المدمجة بالفعل مع TensorFlow أو خط أنابيب AutoML Google. ويعد توسيع نطاقه المركب مفيدًا للباحثين الذين يدرسون قوانين توسيع نطاق الهندسة المعمارية، ولكن بالنسبة للنشر العملي في عام 2026، فإنه غالبًا ما يتخلف عن YOLO الحديثة في المفاضلة بين السرعة والدقة.
ميزة Ultralytics
يوفر اختيار Ultralytics بدلاً من EfficientDet للمطورين أكثر من مجرد نموذج؛ فهو يوفر لهم مدخلاً إلى نظام بيئي مزدهر.
- سهولة الاستخدام: تم تصميم Ultralytics لتوفير تجربة "من الصفر إلى القمة". يمكنك تحميل نموذج وتدريبه ونشره باستخدام بضع أسطر فقط من Python .
- نظام بيئي جيد الصيانة: Ultralytics تحديثات متكررة ووثائق شاملة ومجتمعًا يضمن أن أدواتك لن تصبح قديمة أبدًا.
- تعدد الاستخدامات: في حين أن EfficientDet هو في المقام الأول كاشف للأجسام، فإن YOLO26 يعمل كإطار عمل موحد لمهام الرؤية الحاسوبية المتعددة، بما في ذلك التصنيف والتتبع.
- تكامل سلس: تتيح Ultralytics إدارة مجموعات البيانات وتدريب النماذج ونشرها بنقرة واحدة إلى تنسيقات مختلفة دون عناء.
مثال على الكود: البدء مع YOLO26
الانتقال إلى YOLO26 أمر بسيط. فيما يلي كيفية إجراء الاستدلال على صورة باستخدام Python :
from ultralytics import YOLO
# Load the nano model for maximum speed
model = YOLO("yolo26n.pt")
# Run inference on a local image
results = model("path/to/image.jpg")
# Process results
for result in results:
result.show() # Display the image
result.save(filename="output.jpg") # Save the result
بالنسبة للمستخدمين المهتمين باستكشاف بنى حديثة أخرى، تغطي الوثائق أيضًا YOLO11 و RT-DETR، مما يوفر مجموعة واسعة من الأدوات لمواجهة كل تحديات الرؤية الحاسوبية.
الخلاصة
بينما لعب EfficientDet دورًا محوريًا في تاريخ الشبكات العصبية الفعالة، فإن YOLO26 يضع معيارًا جديدًا لما يمكن تحقيقه في عام 2026. بفضل دقته الفائقة وسرعات الاستدلال الأسرع على وحدات المعالجة المركزية (CPU) وبنيته NMS فإن YOLO26 هو الخيار الأمثل للمطورين الذين يعملون على بناء الجيل التالي من التطبيقات الذكية. بالإضافة إلى سهولة الاستخدام ودعم Ultralytics فإنه يمكّن الفرق من الانتقال من المفهوم إلى الإنتاج بشكل أسرع من أي وقت مضى.