YOLO26 مقابل EfficientDet#

يُعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لنجاح أي تطبيق للرؤية الحاسوبية. يستعرض هذا الدليل التقني المفاضلات ومقاييس الأداء والابتكارات المعمارية لنموذجين بارزين: Ultralytics YOLO26 وEfficientDet الراسخ الذي طورته Google.

سواء أكان النشر يستهدف خوادم سحابية ذات معدل نقل عالٍ أم أجهزة الذكاء الاصطناعي الطرفي المقيّدة بزمن الاستجابة، فإن فهم الاختلافات بين هاتين البنيتين يساعدك على الموازنة 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

صدر YOLO26 في مطلع عام 2026، وهو أحدث نموذج في عائلة YOLO، وقد صُمم لسهولة الاستخدام وتحقيق متوسط الدقة (mAP) مرتفع على العتاد الحديث. وهو يدعم كشف الكائنات، وتجزئة الكائنات الفردية، والتجزئة الدلالية، وتقدير العمق، وتصنيف الصور، وتقدير الوضعية، وكشف الصناديق المحيطة الموجّهة (OBB).

يقدم YOLO26 عدة ميزات تحسّن استقرار التدريب وسرعة الاستدلال على حد سواء:

• تصميم شامل من البداية إلى النهاية بلا NMS: استنادًا إلى التدريب بلا NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يقدم YOLO26 رأسًا اختياريًا شاملًا من البداية إلى النهاية واحدًا لواحد (nms=False) يلغي الحاجة إلى المعالجة اللاحقة باستخدام كبح الصناديق غير القصوى (NMS). ويؤدي ذلك إلى تبسيط منطق النشر وتقليل تفاوت زمن الاستجابة.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: تجعل التحسينات المعمارية YOLO26n أسرع بنسبة تصل إلى 43% من YOLO11n على وحدات CPU القياسية، ما يجعله مناسبًا 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: استلهامًا من أساليب تدريب نماذج اللغة الكبيرة لدى Kimi K2 من Moonshot AI، يجلب هذا المُحسِّن الهجين من SGD وMuon ابتكارات تدريب نماذج اللغة الكبيرة إلى مجال الرؤية الحاسوبية مباشرةً، لتحقيق تقارب أسرع وتدريب أكثر استقرارًا.
• ProgLoss + STAL: تحسّن الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة (STAL) التعرّف على الكائنات الصغيرة، وهو عامل مهم في التطبيقات التي تستخدم صور الطائرات 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

طورت Google نموذج EfficientDet اعتمادًا على منظومة TensorFlow، وصُمم وفق مفهوم التحجيم المركب. وتوسّع بنيته شبكة العمود الفقري 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 لا يزال خيارًا موثوقًا لكشف الصناديق المحيطة، فإنه يفتقر إلى تعدد المهام الحديث (مثل دعم مهام OBB الأصلي) وإلى منظومة Python الموحدة والمبسطة التي يتوقعها المطورون اليوم.

تعرّف على المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

يقارن الجدول التالي البنيتين على مجموعة بيانات COCO، موضحًا الاختلافات في حجم النموذج ودقته وزمن الاستجابة، مع قياس سرعات CPU باستخدام ONNX Runtime وسرعات GPU باستخدام TensorRT على NVIDIA T4.

يحقق YOLO26x أعلى دقة (57.5 mAP)، متقدمًا بـ3.8 نقاط على EfficientDet-d7، مع تشغيله في 11.8 ms بدلًا من 128.07 ms على T4 باستخدام TensorRT. ويعمل YOLO26 بسرعة أكبر بكثير على GPU عبر جميع الأحجام (بزمن يصل إلى 1.7 ms).

كفاءة التدريب وميزة المنظومة#

يكمن أحد أبرز أوجه الاختلاف بين البنيتين في بيئتي التطوير الخاصتين بهما. يرتبط EfficientDet ارتباطًا وثيقًا بمنظومتي Google AutoML وTensorFlow، ما قد يؤدي إلى منحنى تعلّم حاد وإعدادات جامدة لمجموعات البيانات المخصصة والمهام الأحدث، مثل الكشف الموجّه على DOTAv1.

توفر Ultralytics منظومة مُصانة جيدًا مبنية على PyTorch، مع تدريب فعّال في استهلاك الذاكرة يعمل على وحدات GPU متواضعة.

مثال على التنفيذ#

تتيح واجهة API الخاصة بـ Ultralytics تدريب نموذج YOLO26 وتصديره باستخدام بضعة أسطر من التعليمات البرمجية.

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 سرعة YOLO26n التي تصل إلى 43% أكثر من YOLO11n على CPU، وإمكانية الاستدلال دون NMS، يعمل YOLO26 بكفاءة على الأجهزة ذات ميزانيات الحوسبة المحدودة للغاية، مثل Raspberry Pi والهواتف المحمولة.
• تعدد المهام: عندما يتطلب خط معالجة واحد الصناديق المحيطة وأقنعة التجزئة والتتبّع، يتولى YOLO26 جميعها ضمن إطار عمل واحد.
• الطائرات المسيّرة والصور الجوية: يحسّن الجمع بين ProgLoss وSTAL كشف الكائنات الصغيرة من الارتفاعات العالية.

متى تستخدم EfficientDet:

• خطوط معالجة TensorFlow القديمة: إذا كانت بنيتك التحتية لا تدعم سوى نماذج TensorFlow SavedModel أو تتطلب خطوط معالجة محددة لخدمة TensorFlow، فإن EfficientDet يوفر توافقًا أصليًا.
• وحدات TPU ذات الموارد المحدودة: حُسّن EfficientDet للعمل على وحدات معالجة Tensor المخصصة (TPU) من Google.

استكشاف بدائل أخرى#

يركز هذا الدليل على YOLO26 وEfficientDet، لكن منظومة Ultralytics تشمل بنيات أخرى أيضًا. إذا كان تطبيقك يعتمد على المحولات، فإن RT-DETR يوفر كشفًا آنيًا قائمًا على المحولات. أما إذا كنت تدعم أنظمة قديمة، فيظل YOLO11 مدعومًا بالكامل. للاطلاع على نظرة عامة أوسع، تفضل بزيارة مركز مقارنات نماذج Ultralytics.

في خطوط معالجة الرؤية الحاسوبية الجديدة، تجعل سرعة YOLO26 وسهولة استخدامه ودقته الخيار الموصى به للباحثين والمطورين.