YOLO26 مقابل EfficientDet#
إن اختيار بنية الشبكة العصبية المناسبة يعد أمراً بالغ الأهمية لنجاح أي تطبيق computer vision. يستكشف هذا الدليل التقني المفاضلات ومقاييس الأداء والابتكارات المعمارية لنموذجين بارزين: نموذج Ultralytics YOLO26 المتطور ونوذج EfficientDet الراسخ من جوجل.
سواء كان النشر المستهدف خوادم سحابية عالية الإنتاجية أو أجهزة edge AI مقيدة زمن الانتقال، فإن فهم الاختلافات بين هذه البنى يضمن تحقيق توازن مثالي بين السرعة والدقة والكفاءة.
نظرة عامة على البنية: YOLO26#
المؤلفون: غلين جوشر وجين تشيو
المؤسسة: Ultralytics
التاريخ: 2026-01-14
جيت هاب: Ultralytics GitHub
المستندات: YOLO26 Official Documentation
تم إطلاق نموذج YOLO26 في أوائل عام 2026، وهو يمثل أحدث تطور في عائلة YOLO، وقد تم هندسته خصيصاً لتوفير تجربة مستخدم لا مثيل لها ودقة mean Average Precision (mAP) من الدرجة الأولى. وقد صُمم من الصفر للأجهزة الحديثة، ليقدم تنوعاً استثنائياً عبر مهام object detection، وinstance segmentation، وimage classification، وpose estimation.
يقدم YOLO26 العديد من الميزات الرائدة التي تحسن بشكل كبير كلاً من استقرار التدريب وسرعات الاستدلال:
- تصميم بدون NMS من البداية للنهاية: بناءً على المفاهيم التي تم تقديمها لأول مرة في YOLOv10، فإن YOLO26 هو نموذج متكامل (End-to-End) بطبيعته، مما يلغي تماماً الحاجة إلى معالجة لاحقة لـ Non-Maximum Suppression (NMS). وهذا يؤدي إلى منطق نشر أبسط وتباين أقل بكثير في زمن الاستجابة.
- استدلال أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%: من خلال التحسينات المعمارية العميقة، يحقق النموذج سرعات استدلال غير مسبوقة على وحدات CPUs القياسية، مما يجعله مناسباً للغاية لإنترنت الأشياء والبيئات المضمنة.
- إزالة DFL: تمت إزالة خسارة التركيز التوزيعية (Distribution Focal Loss)، مما أدى إلى عملية تصدير أنظف وتوافق محسّن مع أجهزة الحافة منخفضة الطاقة باستخدام أدوات مثل ONNX.
- مُحسِّن MuSGD: مستوحى من روتين تدريب نماذج اللغات الكبيرة لشركة Moonshot AI's Kimi K2، فإن هذا المزج بين SGD وMuon يجلب ابتكارات تدريب نماذج اللغات الكبيرة مباشرة إلى رؤية الكمبيوتر، مما يضمن تقارباً أسرع وأنظمة تدريب أكثر استقراراً.
- ProgLoss + STAL: تحقق وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو عامل حاسم للتطبيقات التي تتضمن صور الطائرات بدون طيار والروبوتات.
بفضل إزالة DFL والبنية الخالية من NMS، فإن تصدير نماذج YOLO26 إلى تنسيقات صديقة للحافة مثل NVIDIA TensorRT أو Intel OpenVINO لا يتطلب تقريباً أي تطوير لمكونات إضافية مخصصة.
نظرة عامة على البنية: EfficientDet#
المؤلفون: مينغشينغ تان، ورومينغ بانغ، وقوق في. لي
المؤسسة: Google Research
التاريخ: 2019-11-20
أركايف: EfficientDet Paper
جيت هاب: Google AutoML Repository
تم تقديم نموذج EfficientDet بواسطة جوجل، وهو يýستخدم بنكافة نظام TensorFlow البيئي وتم تصميمه حول مفهوم التحجيم المركب. وتعمل معماريته على توسيع شبكة الأساس، وشبكة الميزات، وشبكات التنبؤ بالمربعات/الفئات في وقت واحد بناءً على قيود الموارد.
تشمل الابتكارات الرئيسية لـ EfficientDet ما يلي:
- BiFPN (شبكة هرم الميزات ثنائية الاتجاه): آلية تسمح بدمج ميزات متعددة المقاييس بسهولة وسرعة، مما يتيح للشبكة فهم الكائنات ذات الأحجام المختلفة بشكل أفضل.
- القياس المركب: طريقة استدلالية لتوسيع الدقة والعمق والعرض بشكل موحد، مما يخلق عائلة من النماذج من d0 (الأصغر) إلى d7 (الأكبر).
في حين يظل EfficientDet خياراً قوياً لاكتشاف صناديق الإحاطة الصارمة، إلا أنه يفتقر عموماً إلى تعدد المهام الحديث (مثل مهام OBB tasks الأصلية) ونظام Python البيئي المبسط والموحد الذي يتوقعه المطورون المعاصرون.
مقارنة الأداء والمقاييس#
لتحديد حدود باريتو للسرعة والدقة، قمنا بإجراء اختبارات قياسية على كلتا البنيتين في بيئات قياسية باستخدام COCO dataset. تسلط الجدولة التالية الضوء على الاختلافات في أحجام النماذج، والدقة، وزمن الانتقال المقاس على مثيل AWS EC2 P4d.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 |
كما هو موضح أعلاه، يرسخ YOLO26 توازناً فائقاً في الأداء. يحقق نموذج YOLO26x أعلى دقة (57.5 mAP)، متفوقاً بشكل كبير على أثقل إصدار من EfficientDet-d7. علاوة على ذلك، تظهر نماذج YOLO26 متطلبات ذاكرة أقل بكثير وسرعات استدلال أسرع بكثير على GPU (تصل إلى 1.7 مللي ثانية على TensorRT)، مما يؤكد فوائد التصميم الخالي من NMS.
كفاءة التدريب وميزة النظام البيئي#
يتمثل الاختلاف الرئيسي بين البنيتين في بيئات التطوير الخاصة بهما. يندمج EfficientDet بشكل عميق داخل نظام Google AutoML وTensorFlow البيئي، والذي على الرغم من قوته، يمكن أن يقدم منحنيات تعلم حادة وتكوينات صلبة لمجموعات البيانات المخصصة مثل DOTAv1.
على العكس من ذلك، توفر Ultralytics نظاماً بيئياً مُداراً بشكل لا يصدق ومبنياً على PyTorch. يتم تحسين استهلاك الذاكرة أثناء التدريب بشكل صارم، مما يتيح للمهندسين تدريب نماذج قوية دون الحاجة إلى تخصيصات مفرطة لذاكرة الوصول العشوائي للفيديو (VRAM) الشائعة في الشبكات القائمة على المحولات.
من خلال Ultralytics Platform، يحصل المطورون على إمكانية الوصول إلى سير عمل MLOps شامل. يتضمن ذلك التعليقات التوضيحية للبيانات السلسة، والضبط التلقائي للمعلمات الفائقة، والتدريب السحابي بنقرة واحدة، مما يسرع بشكل كبير المسار من النماذج الأولية إلى الإنتاج.
مثال على التنفيذ#
تعني سهولة الاستخدام التي توفرها واجهة برمجة تطبيقات Ultralytics أنه يمكنك تدريب والتحقق من صحة نموذج YOLO26 متطور في بضعة أسطر فقط من التعليمات البرمجية.
from ultralytics import YOLO
# Initialize the End-to-End NMS-Free YOLO26 model
model = YOLO("yolo26n.pt")
# Train using the innovative MuSGD optimizer on a custom dataset
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Train on GPU
)
# Export natively to TensorRT for ultra-low latency deployment
model.export(format="engine")حالات الاستخدام المثالية#
متى تستخدم YOLO26:
- الحوسبة الطرفية والأجهزة المحمولة: مع استدلال أسرع على وحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43% وبدون عبء NMS، يتفوق YOLO26 على الأجهزة ذات ميزانيات الحوسبة المحدودة بصرامة مثل Raspberry Pi أو الهواتف المحمولة.
- تعدد المهام: عندما يتطلب خط أنابيب واحد مربعات محيطية، وsegmentation masks، والتتبع، فإن تنوع YOLO26 لا نظير له.
- الطائرات بدون طيار والتصوير الجوي: الجمع بين ProgLoss وSTAL يعزز بشكل كبير اكتشاف الكائنات الصغيرة للغاية من ارتفاعات عالية.
متى تستخدم EfficientDet:
- خطوط أنابيب TensorFlow القديمة: إذا كانت بنيتك التحتية مشفرة بكثافة لدعم TensorFlow SavedModels فقط أو تتطلب خطوط أنابيب TensorFlow Serving محددة، فإن EfficientDet توفر توافقاً أصلياً.
- وحدات TPU المقيدة بالموارد: تم تحسين EfficientDet بشكل كبير لوحدات معالجة التنسيق المخصصة من جوجل (TPUs).
استكشاف بدائل أخرى#
بينما يركز هذا الدليل بشكل كبير على نموذج YOLO26 vs EfficientDet، فإن نظام Ultralytics البيئي الأوسع يضم بنيات مذهلة أخرى. إذا كان تطبيقك يعتمد بشكل كبير على المحولات، فإن RT-DETR يوفر اكتشافاً قائماً على المحولات في الوقت الفعلي. بدلاً من ذلك، إذا كنت تدعم أنظمة قديمة، فإن YOLO11 يظل مدعوماً بالكامل وفعالاً للغاية. للحصول على نظرة عامة أوسع، تفضل بزيارة Ultralytics Model Comparisons Hub.
في النهاية، بالنسبة لأي خط أنابيب رؤية حاسوبية حديث يتم بناؤه اليوم، فإن السرعة الهائلة، وسهولة الاستخدام، والدقة المتطورة لـ YOLO26 تجعلها التوصية التي لا جدال فيها للباحثين والمطورين على حد سواء.