YOLO26 مقابل EfficientDet#

يُعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لنجاح أي تطبيق من تطبيقات الرؤية الحاسوبية. يستكشف هذا الدليل التقني المفاضلات ومقاييس الأداء والابتكارات المعمارية لنموذجين بارزين: Ultralytics YOLO26 المتطور وEfficientDet الراسخ من Google.

سواء أكان النشر يستهدف خوادم سحابية عالية الإنتاجية أم أجهزة الذكاء الاصطناعي الطرفي ذات قيود على زمن الاستجابة، فإن فهم الاختلافات بين هذه البنى يضمن تحقيق التوازن الأمثل بين السرعة والدقة والكفاءة.

نظرة عامة على البنية: YOLO26#

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: GitHub الخاص بـ Ultralytics
• الوثائق: الوثائق الرسمية لـ YOLO26

يمثل YOLO26، الذي صدر في مطلع عام 2026، أحدث تطورات عائلة YOLO، وقد صُمم خصيصًا لتوفير تجربة مستخدم لا مثيل لها ومتوسط دقة متوسط (mAP) من الطراز الأول mean Average Precision (mAP). وقد صُمم من الأساس للأجهزة الحديثة، ويوفر تعدد استخدامات استثنائيًا في اكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور وتقدير الوضعيات.

يقدم YOLO26 عدة ميزات رائدة تحسن استقرار التدريب وسرعات الاستدلال بدرجة كبيرة:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى المفاهيم التي ابتكرها YOLOv10، يوفر YOLO26 رأسًا اختياريًا شاملًا من البداية إلى النهاية ومن نوع one-to-one (nms=False)، يلغي الحاجة إلى المعالجة اللاحقة باستخدام قمع غير الأقصى (NMS). وينتج عن ذلك منطق نشر أبسط وتباين أقل بكثير في زمن الاستجابة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل التحسينات المعمارية العميقة، يحقق النموذج سرعات استدلال غير مسبوقة على وحدات CPU القياسية، مما يجعله مناسبًا جدًا لبيئات إنترنت الأشياء والأنظمة المضمنة.
• إزالة DFL: أُزيلت Distribution Focal Loss، ما أسفر عن عملية تصدير أبسط وتوافق أفضل مع الأجهزة الطرفية منخفضة الطاقة التي تستخدم أدوات مثل ONNX.
• مُحسِّن MuSGD: استُلهم هذا المزيج من SGD وMuon من أساليب تدريب LLM في Kimi K2 من Moonshot AI، وينقل ابتكارات تدريب النماذج اللغوية الكبيرة مباشرةً إلى الرؤية الحاسوبية، بما يضمن تقاربًا أسرع وأنظمة تدريب أكثر استقرارًا.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو عامل حاسم في التطبيقات التي تشمل الصور الجوية للطائرات المسيّرة والروبوتات.

نظرة عامة على البنية: EfficientDet#

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• المؤسسة: Google Research
• التاريخ: 2019-11-20
• Arxiv: ورقة EfficientDet
• GitHub: مستودع Google AutoML

قدّمت Google نموذج EfficientDet، الذي يعتمد اعتمادًا كبيرًا على منظومة TensorFlow، وصُمّم وفق مفهوم التحجيم المركب. وتُكبّر بنيته الشبكة الأساسية وشبكة السمات وشبكات التنبؤ بالصناديق والفئات في الوقت نفسه، استنادًا إلى قيود الموارد.

تشمل الابتكارات الرئيسية في EfficientDet ما يلي:

• BiFPN (شبكة هرم السمات ثنائية الاتجاه): آلية تتيح دمج السمات متعددة المقاييس بسهولة وسرعة، ما يمكّن الشبكة من فهم الأجسام ذات الأحجام المختلفة على نحو أفضل.
• التحجيم المركب: أسلوب استدلالي لزيادة الدقة والعمق والعرض بنسب موحدة، وإنشاء عائلة من النماذج تبدأ من d0 (الأصغر) وصولًا إلى d7 (الأكبر).

مع أن EfficientDet يظل خيارًا قويًا لاكتشاف الصناديق المحيطة بدقة، فإنه يفتقر عمومًا إلى تعدد المهام الحديث (مثل مهام OBB الأصلية) وإلى منظومة Python الموحدة والمبسطة التي يتوقعها المطورون اليوم.

تعرّف على المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

لتحديد جبهة باريتو للسرعة والدقة، أجرينا قياسًا معياريًا للبنيتين في بيئات قياسية باستخدام مجموعة بيانات COCO. يوضح الجدول التالي الاختلافات في أحجام النماذج والدقة وزمن الاستجابة، مع قياس سرعات CPU باستخدام ONNX Runtime وسرعات GPU باستخدام TensorRT على NVIDIA T4.

كما يتضح أعلاه، يحقق YOLO26 توازنًا أفضل في الأداء. ويبلغ نموذج YOLO26x أعلى دقة (57.5 mAP)، متفوقًا بفارق كبير على أثقل النماذج، EfficientDet-d7. إضافة إلى ذلك، تتطلب نماذج YOLO26 ذاكرة أقل بكثير، وتحقق سرعات استدلال GPU أعلى بكثير (تصل إلى 1.7 ms باستخدام TensorRT)، ما يبرز مزايا التصميم الخالي من NMS.

كفاءة التدريب وميزة المنظومة#

يكمن أحد الفروق الرئيسية بين البنيتين في بيئتي التطوير. إذ يرتبط EfficientDet ارتباطًا وثيقًا بمنظومتي Google AutoML وTensorFlow، وهو ما قد يفرض، رغم قوتهما، منحنى تعلم حادًا وإعدادات جامدة لمجموعات البيانات المخصصة مثل DOTAv1.

في المقابل، تقدم Ultralytics منظومة مُدارة بعناية فائقة ومبنية على PyTorch. وقد جرى تحسين استهلاك الذاكرة أثناء التدريب بدقة، ما يتيح للمهندسين تدريب نماذج قوية دون الحاجة إلى تخصيصات VRAM مفرطة، وهي شائعة في الشبكات القائمة على Transformer.

مثال على التنفيذ#

تتيح سهولة استخدام API من Ultralytics تدريب نموذج YOLO26 متطور والتحقق من صحته باستخدام بضعة أسطر من التعليمات البرمجية فحسب.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLO26 الشامل والخالي من NMS⁩
model = YOLO("yolo26n.pt")

# ⁨التدريب على مجموعة بيانات مخصصة (يختار optimizer='auto' المحسّن MuSGD لعمليات التدريب الأطول)⁩
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # ⁨التدريب على GPU⁩
)

# ⁨التصدير مباشرةً إلى TensorRT للنشر بزمن استجابة منخفض للغاية⁩
model.export(format="engine")

حالات الاستخدام المثالية#

متى تستخدم YOLO26:

• الحوسبة الطرفية والأجهزة المحمولة: بفضل استدلال CPU الأسرع بنسبة تصل إلى 43% وعدم وجود عبء إضافي لـ NMS، يتفوق YOLO26 على الأجهزة ذات ميزانيات الحوسبة المحدودة للغاية، مثل Raspberry Pi أو الهواتف المحمولة.
• تعدد المهام: عندما يتطلب خط معالجة واحد الصناديق المحيطة وأقنعة التجزئة والتتبع، لا يُضاهى تعدد استخدامات YOLO26.
• الطائرات المسيّرة والصور الجوية: يعزز الجمع بين ProgLoss وSTAL بدرجة كبيرة اكتشاف الأجسام الصغيرة جدًا من ارتفاعات شاهقة.

متى تستخدم EfficientDet:

• خطوط معالجة TensorFlow القديمة: إذا كانت بنيتك التحتية مبرمجة بإحكام لدعم TensorFlow SavedModels فقط أو تتطلب خطوط معالجة محددة لـ TensorFlow Serving، فإن EfficientDet يوفر توافقًا أصليًا.
• وحدات TPU محدودة الموارد: حُسّن EfficientDet بدرجة كبيرة للعمل على وحدات Tensor Processing Units المخصصة من Google (TPUs).

استكشاف بدائل أخرى#

مع أن هذا الدليل يركز بدرجة كبيرة على نهج YOLO26 مقابل EfficientDet، تضم منظومة Ultralytics الأوسع بنيات أخرى متميزة. إذا كان تطبيقك يعتمد اعتمادًا كبيرًا على Transformer، فإن RT-DETR يقدم اكتشافًا آنيًا قائمًا على Transformer. أما إذا كنت تدعم أنظمة قديمة، فلا يزال YOLO11 مدعومًا بالكامل وفعالًا للغاية. للاطلاع على نظرة عامة أوسع، تفضل بزيارة مركز مقارنات نماذج Ultralytics.

في نهاية المطاف، تجعل السرعة الفائقة وسهولة الاستخدام والدقة المتطورة لـ YOLO26 منه الخيار الموصى به بلا منازع للباحثين والمطورين في أي خط معالجة حديث للرؤية الحاسوبية يُنشأ اليوم.