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 كان النشر يستهدف خوادم سحابية ذات معدل نقل عالٍ أو أجهزة الذكاء الاصطناعي الطرفي المقيّدة بزمن الاستجابة، فإن فهم الفروق بين هاتين البنيتين يضمن تحقيق التوازن الأمثل بين السرعة والدقة والكفاءة.

نظرة عامة على البنية المعمارية: YOLO26#

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

أُطلق YOLO26 في أوائل عام 2026، ويمثل أحدث تطور في عائلة YOLO، وقد صُمم خصيصًا لتوفير تجربة مستخدم لا مثيل لها ومتوسط دقة (mAP) من الطراز الأول. وقد صُمم من الأساس ليتوافق مع الأجهزة الحديثة، ويوفر مرونة استثنائية في اكتشاف الأجسام وتجزئة المثيلات وتصنيف الصور وتقدير الوضعيات.

يقدم YOLO26 العديد من الميزات الرائدة التي تحسن بدرجة كبيرة استقرار التدريب وسرعات الاستدلال:

• تصميم شامل من الطرف إلى الطرف خالٍ من NMS: استنادًا إلى المفاهيم التي ابتكرها YOLOv10، يعمل YOLO26 أصلاً بطريقة شاملة من الطرف إلى الطرف، مما يلغي تمامًا الحاجة إلى المعالجة اللاحقة الخاصة بـ كبت القيم غير العظمى (NMS). ويؤدي ذلك إلى تبسيط منطق النشر وتقليل كبير في تباين زمن الاستجابة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال تحسينات معمارية عميقة، يحقق النموذج سرعات استدلال غير مسبوقة على وحدات CPU القياسية، مما يجعله مناسبًا جدًا لبيئات إنترنت الأشياء والبيئات المضمنة.
• إزالة DFL: أُزيلت خسارة التركيز التوزيعية، مما أدى إلى عملية تصدير أكثر بساطة وتوافق محسّن مع الأجهزة الطرفية منخفضة الطاقة التي تستخدم أدوات مثل ONNX.
• مُحسِّن MuSGD: مستوحى من إجراءات تدريب LLM الخاصة بـ Kimi K2 من Moonshot AI، يجمع هذا الهجين بين SGD وMuون، وينقل ابتكارات تدريب نماذج اللغة الكبيرة مباشرةً إلى الرؤية الحاسوبية، مما يضمن تقاربًا أسرع وأنظمة تدريب أكثر استقرارًا.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو عامل حاسم للتطبيقات التي تتضمن صورًا جوية ملتقطة بواسطة الطائرات المسيّرة والروبوتات.

نظرة عامة على البنية المعمارية: EfficientDet#

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

قدمت Google نموذج EfficientDet، الذي يعتمد بدرجة كبيرة على منظومة TensorFlow، وصُمم حول مفهوم التحجيم المركب. إذ تعمل بنيته على تحجيم شبكة العمود الفقري وشبكة الميزات وشبكات التنبؤ بالصناديق والفئات في الوقت نفسه، استنادًا إلى قيود الموارد.

تشمل الابتكارات الرئيسية في EfficientDet ما يلي:

• BiFPN (شبكة هرم الميزات ثنائية الاتجاه): آلية تتيح دمج الميزات متعددة المقاييس بسهولة وسرعة، مما يمكّن الشبكة من فهم الأجسام ذات الأحجام المختلفة بصورة أفضل.
• التحجيم المركب: طريقة استدلالية لتحجيم الدقة والعمق والعرض بصورة موحدة، وإنشاء عائلة من النماذج تبدأ من d0 (الأصغر) وصولًا إلى d7 (الأكبر).

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

اعرف المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

لتحديد جبهة باريتو للسرعة والدقة، أجرينا قياسًا معياريًا لكلتا البنيتين في بيئات قياسية باستخدام مجموعة بيانات COCO. يوضح الجدول التالي الفروق في أحجام النماذج والدقة وزمن الاستجابة، كما قيسَت على مثيل AWS EC2 P4d.

كما هو موضح أعلاه، يحقق YOLO26 توازنًا متفوقًا في الأداء. إذ يحقق نموذج YOLO26x أعلى دقة (57.5 mAP)، متفوقًا بدرجة كبيرة على EfficientDet-d7 الأكبر حجمًا. علاوةً على ذلك، تتطلب نماذج YOLO26 ذاكرة أقل بكثير وتتميز بسرعات استدلال على GPU أعلى بكثير (تصل إلى 1.7 ms فقط على TensorRT)، مما يبرز فوائد التصميم الخالي من NMS.

كفاءة التدريب وميزة المنظومة#

يكمن أحد الفروق الرئيسية بين البنيتين في بيئتي التطوير الخاصتين بهما. إذ إن EfficientDet مدمج بعمق في منظومتي Google AutoML وTensorFlow، وهو ما قد يفرض، رغم قوته، منحنيات تعلم حادة وإعدادات جامدة لمجموعات البيانات المخصصة مثل DOTAv1.

في المقابل، تقدم Ultralytics منظومة تتم صيانتها بدرجة عالية ومبنية على PyTorch. ويُحسَّن استهلاك الذاكرة أثناء التدريب بدقة، مما يتيح للمهندسين تدريب نماذج قوية دون الحاجة إلى تخصيصات مفرطة من VRAM الشائعة في الشبكات القائمة على Transformer.

مثال على التنفيذ#

تتيح سهولة الاستخدام التي توفرها واجهة Ultralytics API تدريب نموذج YOLO26 متطور والتحقق منه باستخدام بضعة أسطر من التعليمات البرمجية فقط.

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: بفضل استدلال CPU الأسرع بنسبة تصل إلى 43% وعدم وجود عبء NMS، يتفوق YOLO26 على الأجهزة ذات ميزانيات الحوسبة المقيدة بشدة، مثل Raspberry Pi أو الهواتف المحمولة.
• تعدد المهام: عندما يتطلب مسار واحد الصناديق المحيطة وأقنعة التجزئة والتتبع، فإن تعدد استخدامات YOLO26 لا يُضاهى.
• الصور الملتقطة بالطائرات المسيّرة والصور الجوية: يعزز الجمع بين ProgLoss وSTAL اكتشاف الأجسام الصغيرة للغاية من الارتفاعات العالية بدرجة كبيرة.

متى تستخدم EfficientDet:

• مسارات TensorFlow القديمة: إذا كانت بنيتك الأساسية مشفرة بشدة لدعم TensorFlow SavedModels فقط، أو تتطلب مسارات محددة لخدمة TensorFlow، فإن EfficientDet يوفر توافقًا أصليًا.
• وحدات TPU المقيّدة بالموارد: حُسِّن EfficientDet بدرجة كبيرة لوحدات معالجة الموترات المخصصة من Google (TPUs).

استكشاف البدائل الأخرى#

رغم أن هذا الدليل يركز بدرجة كبيرة على نموذج YOLO26 مقابل EfficientDet، فإن منظومة Ultralytics الأوسع تضم بنيات أخرى مذهلة. إذا كان تطبيقك يعتمد بدرجة كبيرة على Transformer، فإن RT-DETR يوفر اكتشافًا آنيًا قائمًا على Transformer. أما إذا كنت تدعم أنظمة قديمة، فيظل YOLO11 مدعومًا بالكامل وفعالًا للغاية. وللاطلاع على نظرة عامة أوسع، تفضل بزيارة مركز مقارنات نماذج Ultralytics.

في نهاية المطاف، وبالنسبة إلى أي مسار حديث للرؤية الحاسوبية يُبنى اليوم، فإن السرعة الفائقة وسهولة الاستخدام والدقة المتطورة التي يوفرها YOLO26 تجعله التوصية الحاسمة للباحثين والمطورين على حد سواء.