Link to this sectionYOLO26 مقابل EfficientDet#
يعد اختيار بنية الشبكة العصبية المناسبة أمراً حاسماً لنجاح أي تطبيق رؤية حاسوبية. يستكشف هذا الدليل الفني المقايضات، ومقاييس الأداء، والابتكارات الهيكلية لنموذجين بارزين: Ultralytics YOLO26 المتطور وEfficientDet الراسخ من Google.
سواء كان النشر يستهدف خوادم سحابية عالية الإنتاجية أو أجهزة ذكاء اصطناعي على الحافة محدودة زمن الاستجابة، فإن فهم الاختلافات بين هذه البنى يضمن توازناً مثالياً بين السرعة والدقة والكفاءة.
Link to this sectionنظرة عامة على البنية: YOLO26#
المؤلفون: Glenn Jocher وJing Qiu المؤسسة: Ultralytics التاريخ: 2026-01-14 GitHub: Ultralytics GitHub الوثائق: الوثائق الرسمية لـ YOLO26
تم إصدار YOLO26 في أوائل عام 2026، وهو يمثل أحدث تطور في عائلة YOLO، وقد تم تصميمه خصيصاً لتوفير تجربة مستخدم لا مثيل لها ومتوسط دقة متوسط (mAP) من الدرجة الأولى. صُمم النموذج من الألف إلى الياء للأجهزة الحديثة، ويوفر تنوعاً استثنائياً عبر مهام اكتشاف الكائنات، وتجزئة المثيل، وتصنيف الصور، وتقدير الوضعية.
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 (CPU) بنسبة تصل إلى 43%: من خلال تحسينات هيكلية عميقة، يحقق النموذج سرعات استدلال غير مسبوقة على وحدات المعالجة المركزية القياسية، مما يجعله مناسباً للغاية لبيئات إنترنت الأشياء والبيئات المدمجة.
- إزالة DFL: تمت إزالة Distribution Focal Loss، مما أدى إلى عملية تصدير أنظف وتعزيز التوافق مع أجهزة الحافة منخفضة الطاقة باستخدام أدوات مثل ONNX.
- محسن MuSGD: مستوحى من روتين تدريب النماذج اللغوية الكبيرة (LLM) الخاص بـ Moonshot AI's Kimi K2، يجلب هذا الهجين من SGD وMuon ابتكارات تدريب النماذج اللغوية الكبيرة مباشرة إلى الرؤية الحاسوبية، 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، لا يتطلب تصدير نماذج YOLO26 إلى تنسيقات صديقة للحافة مثل NVIDIA TensorRT أو Intel OpenVINO أي تطوير إضافي لملحقات مخصصة.
Link to this sectionنظرة 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
استخدمت EfficientDet، التي قدمتها Google، نظام TensorFlow البيئي بكثافة وتم تصميمها حول مفهوم القياس المركب (compound scaling). تعمل بنيتها على توسيع شبكة العمود الفقري، 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).
بينما تظل EfficientDet خياراً قوياً لاكتشاف مربعات الإحاطة الصارمة، فإنها تفتقر عموماً إلى التنوع الحديث في المهام المتعددة (مثل مهام OBB الأصلية) والنظام البيئي الموحد والمبسط لـ Python الذي يتوقعه المطورون المعاصرون.
Link to this sectionمقارنة الأداء والمقاييس#
لتحديد حدود Pareto للسرعة والدقة، قمنا بقياس أداء كلتا البنيتين في بيئات قياسية باستخدام مجموعة بيانات COCO. يسلط الجدول التالي الضوء على الاختلافات في أحجام النماذج، والدقة، وزمن الاستجابة 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.
Link to this sectionكفاءة التدريب وميزة النظام البيئي#
يكمن الاختلاف الرئيسي بين البنيتين في بيئات تطويرهما. EfficientDet مدمجة بعمق ضمن نظام Google AutoML وTensorFlow البيئي، والذي، رغم قوته، يمكن أن يقدم منحنيات تعلم حادة وتكوينات جامدة لمجموعات البيانات المخصصة مثل DOTAv1.
على العكس من ذلك، توفر Ultralytics نظاماً بيئياً مُداراً بشكل جيد للغاية مبنياً على PyTorch. يتم تحسين استخدام الذاكرة أثناء التدريب بصرامة، مما يسمح للمهندسين بتدريب نماذج قوية دون الحاجة إلى تخصيصات VRAM مفرطة الشائعة في الشبكات القائمة على Transformer.
من خلال منصة Ultralytics، يحصل المطورون على وصول إلى سير عمل MLOps شامل. يتضمن ذلك تعليقاً توضيحياً سلساً للبيانات، وضبطاً آلياً للمتغيرات الفائقة، وتدريباً سحابياً بنقرة واحدة، مما يسرع بشكل كبير المسار من النماذج الأولية إلى الإنتاج.
Link to this sectionمثال 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")Link to this sectionحالات 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 إحاطة، وأقنعة تجزئة، وتتبع، فإن تعدد استخدامات YOLO26 لا مثيل 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 بكثافة لوحدات معالجة الموتر المخصصة من Google (TPUs).
Link to this sectionاستكشاف بدائل أخرى#
بينما يركز هذا الدليل بشكل كبير على نموذج YOLO26 vs EfficientDet، فإن النظام البيئي الأوسع لـ Ultralytics يضم بنيات مذهلة أخرى. إذا كان تطبيقك يعتمد بشكل كبير على transformers، فإن RT-DETR يوفر اكتشافاً قائماً على transformer في الوقت الفعلي. بدلاً من ذلك، إذا كنت تدعم أنظمة قديمة، فإن YOLO11 يظل مدعوماً بالكامل وفعالاً للغاية. للحصول على نظرة عامة أوسع، قم بزيارة مركز مقارنات نماذج Ultralytics.
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.