YOLOv10 مقابل EfficientDet#
يُعد اختيار الشبكة العصبية المثلى لـاكتشاف الكائنات قرارًا بالغ الأهمية يحدد نجاح أنظمة الرؤية الحاسوبية الحديثة. ومن بين بنيتين بارزتين أثرتا تأثيرًا كبيرًا في هذا المجال YOLOv10 وEfficientDet. وبينما يهدف كلاهما إلى زيادة الدقة إلى أقصى حد مع تقليل العبء الحسابي، فإنهما يتبعان نهجين معماريين مختلفين تمامًا لتحقيق هذه الأهداف.
يتعمق هذا الدليل الشامل في تصميماتهما الفريدة ومنهجيات تدريبهما وخصائص نشرهما، مما يساعد المطورين ومهندسي تعلّم الآلة على اتخاذ قرارات قائمة على البيانات لتطبيقات الذكاء الاصطناعي للرؤية. وسنفحص أداءهما على عتاد يتراوح من أجهزة الذكاء الاصطناعي الطرفية المضمنة إلى وحدات GPU السحابية القوية.
YOLOv10: الرائد الخالي من NMS#
طُوّر YOLOv10 لدفع حدود زمن الاستجابة الآني، وقد عالج إحدى أكثر نقاط الاختناق استمرارًا في عائلة YOLO: الكبت غير الأقصى (NMS). ومن خلال إزالة خطوة المعالجة اللاحقة هذه، يحقق النموذج زمن استجابة قابلًا للتنبؤ بدرجة عالية، وهو أمر بالغ الأهمية لـالمركبات ذاتية القيادة والروبوتات عالية السرعة.
الابتكارات المعمارية#
يقدم YOLOv10 تعيينات مزدوجة متسقة للتدريب الخالي من NMS. وأثناء التدريب، يستفيد من تعيينات التسميات واحد-إلى-متعدد وواحد-إلى-واحد، مما يتيح للشبكة تعلم تمثيلات غنية مع إخراج صندوق إحاطة واحد هو الأفضل لكل كائن أثناء الاستدلال. كما تدمج البنية تصميمًا شاملًا موجهًا بالكفاءة والدقة، فتبسط رأس التصنيف وتقلل التكرار الحسابي الموجود في التكرارات السابقة.
تفاصيل النموذج#
- المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
- الجهة: جامعة تسينغهوا
- التاريخ: 2024-05-23
- الورقة البحثية: YOLOv10: اكتشاف الكائنات آنيًا من البداية إلى النهاية
- GitHub: THU-MIG/yolov10
- الوثائق: وثائق YOLOv10
نظرًا إلى أن YOLOv10 يزيل خطوة NMS، فمن الأسهل بطبيعته تصديره إلى تنسيقات مثل تنسيق ONNX وNVIDIA TensorRT دون الاعتماد على إضافات مخصصة لوقت التشغيل لترشيح صناديق الإحاطة.
نقاط القوة:
- استدلال قابل للتنبؤ: تضمن إزالة NMS ثبات أزمنة الاستدلال بغض النظر عن عدد الكائنات في المشهد.
- استخدام أقل للذاكرة: مقارنةً بالنماذج القائمة على Transformer مثل RT-DETR، يتطلب YOLOv10 ذاكرة أقل بكثير أثناء التدريب والاستدلال معًا.
- موازنة ممتازة بين السرعة والدقة: مُحسَّن خصيصًا للسيناريوهات ذات زمن الاستجابة المنخفض من دون التضحية بـمقاييس الأداء.
نقاط الضعف:
- تركيز على مهمة واحدة: بخلاف منظومة Ultralytics الأوسع، يركز مستودع YOLOv10 الأصلي بدرجة كبيرة على الاكتشاف، ويفتقر إلى الدعم الأصلي لـتجزئة الكائنات أوتقدير الوضعية.
EfficientDet: قابل للتوسع ومتوازن#
قدّم Google Brain نموذج EfficientDet، الذي يتناول اكتشاف الكائنات من منظور التوسعة المنهجية للشبكة. وهو يبني على العمود الفقري لتصنيف الصور EfficientNet، ويقدم آلية جديدة لدمج السمات.
الابتكارات المعمارية#
تتمثل نواة EfficientDet في شبكة هرم السمات ثنائية الاتجاه (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وبخلاف شبكات FPN التقليدية التي تجمع السمات من الأعلى إلى الأسفل فقط، تقدم BiFPN وصلات ثنائية الاتجاه وعابرة للمقاييس وأوزانًا قابلة للتدريب لتعلم أهمية سمات الإدخال المختلفة. علاوة على ذلك، يستخدم EfficientDet أسلوب تحجيم مركبًا يوسّع الدقة والعمق والعرض بصورة موحدة لجميع شبكات العمود الفقري والسمات والتنبؤ بالصناديق/الفئات.
تفاصيل النموذج#
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google Brain
- التاريخ: 2019-11-20
- الورقة البحثية: EfficientDet: اكتشاف الكائنات القابل للتوسع والفعّال
- GitHub: Google AutoML EfficientDet
نقاط القوة:
- كفاءة عالية: نسبة ممتازة بين عدد المعاملات والدقة، مما يجعل المتغيرين الأصغر
-d0و-d2خفيفين جدًا. - تحجيم منهجي: يتيح التحجيم المركب للمستخدمين اختيار حجم نموذج يلائم ميزانيتهم الحسابية الدقيقة بسهولة.
نقاط الضعف:
- تكامل مع أطر العمل القديمة: يعتمد التنفيذ الأصلي اعتمادًا كبيرًا على إصدارات قديمة من TensorFlow، مما قد يعقّد مسارات النشر الحديثة.
- تدريب أبطأ: يُعرف تدريب EfficientDet من الصفر ببطئه الشديد، ويتطلب ضبطًا دقيقًا للمعلمات الفائقة مقارنةً بالتقارب السريع لبنى YOLO.
- سرعة الاستدلال: رغم كفاءته من حيث عدد المعاملات، تؤدي عمليات BiFPN المعقدة غالبًا إلى سرعات استدلال أبطأ في العالم الحقيقي على العتاد القياسي مقارنةً بنماذج YOLO المحسّنة بدرجة كبيرة.
تعرّف على المزيد حول EfficientDet
الأداء والمعايير القياسية#
يكمن الاختبار الحقيقي لهذين النموذجين في أدائهما التجريبي على معايير قياسية مثل مجموعة بيانات COCO. ويوضح الجدول أدناه الفروق الجوهرية في عدد المعاملات والعمليات ذات الفاصلة العائمة (FLOPs) وزمن الاستدلال على وحدات GPU من نوع NVIDIA T4.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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، يحافظ YOLOv10 على أفضلية كبيرة في سرعة الاستدلال الخام. فعلى سبيل المثال، يحقق YOLOv10-S قيمة 46.7 mAP مع زمن استجابة يبلغ 2.66ms فقط باستخدام TensorRT، في حين يحقق EfficientDet-d3 قيمة mAP مماثلة تبلغ 47.5 لكنه يستغرق نحو 20ms، مما يجعل YOLOv10 متفوقًا بفارق شاسع للبث المرئي الآني أو لخطوط التصنيع السريعة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv10 وEfficientDet على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLOv10#
يُعد YOLOv10 خيارًا قويًا من أجل:
- الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
- المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
- التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.
متى تختار EfficientDet#
يوصى باستخدام EfficientDet في الحالات التالية:
- مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
- أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
- النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
- البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.
المعيار الحديث: تقديم Ultralytics YOLO26#
بينما قدم YOLOv10 النهج الرائد الخالي من NMS، وأظهر EfficientDet التحجيم المنهجي، واصلت بيئة الرؤية الحاسوبية تطورها. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة اليوم، يمثل Ultralytics YOLO26 أحدث ما توصل إليه المجال بلا منازع. وقد أُطلق في يناير 2026، ويجمع أفضل ما في جميع العوالم ضمن حزمة مصقولة وجاهزة للإنتاج داخل منصة Ultralytics.
لماذا يتفوق YOLO26 على المنافسة#
- تصميم شامل خالٍ من NMS: يعتمد YOLO26 أصليًا البنية الشاملة الخالية من NMS التي ابتكرها YOLOv10، مما يبسط النشر ويسرّع الاستدلال.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بالنسبة إلى الأجهزة الطرفية التي تفتقر إلى مسرّعات مخصصة، جرى تحسين YOLO26 خصيصًا ليعمل بكفاءة على وحدات CPU القياسية.
- مُحسِّن MuSGD متقدم: مستلهمًا من ابتكارات تدريب نماذج LLM، يستخدم YOLO26 مزيجًا من SGD وMuon لتحقيق تدريب مستقر بدرجة فائقة وتقارب سريع، مما يحسن كفاءة التدريب بدرجة كبيرة مقارنةً بـEfficientDet.
- ProgLoss + STAL: توفر دوال الخسارة المحسّنة هذه زيادات ملحوظة في التعرف على الكائنات الصغيرة، وهي نقطة ضعف تقليدية في كل من YOLOv10 وEfficientDet.
- إزالة DFL: من خلال إزالة Distribution Focal Loss، يصدّر YOLO26 النماذج بسلاسة إلى أي تنسيق عتاد تقريبًا، بما في ذلك OpenVINO وCoreML.
علاوة على ذلك، يوفر YOLO26 تعدد استخدامات لا مثيل له. فبينما يقتصر EfficientDet وYOLOv10 على نماذج الاكتشاف، يتعامل YOLO26 بسلاسة مع صناديق الإحاطة الموجهة وتصنيف الصور وتجزئة الكائنات باستخدام حزمة Ultralytics Python البديهية نفسها.
سهولة الاستخدام مع Ultralytics#
تضمن المنظومة التي تتم صيانتها جيدًا والتي توفرها Ultralytics تجربة سلسة للمطورين. إذ لا يتطلب تدريب نموذج والتحقق منه وتصديره إلى تكامل TensorRT سوى بضعة أسطر من التعليمات البرمجية.
from ultralytics import YOLO
# Load a pre-trained YOLOv10 model (or upgrade to YOLO26 natively)
model = YOLO("yolov10n.pt")
# Train the model efficiently on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference and immediately visualize results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# Export for rapid deployment
model.export(format="engine", quantize=16)الخلاصة#
عند مقارنة YOLOv10 وEfficientDet، يعتمد الاختيار بدرجة كبيرة على تفضيلات إطار العمل وقيود السرعة لديك. يوفر EfficientDet نهجًا منظمًا لتحجيم النماذج ضمن منظومة TensorFlow. ومع ذلك، يقدم YOLOv10 أداءً فائقًا في الوقت الفعلي، واستخدامًا أقل للذاكرة، ومسار نشر أكثر سهولة بفضل بنيته الخالية من NMS.
لتحقيق أفضل توازن ممكن بين الأداء وسهولة الاستخدام وتعدد المهام، نوصي بشدة بالترقية إلى منصة Ultralytics واستخدام YOLO26. فهو يأخذ ابتكارات YOLOv10 الخالية من NMS، ويطبق تقنيات تدريب متقدمة مثل مُحسِّن MuSGD، ويضعها ضمن إطار عمل قوي مفتوح المصدر تدعمه مجموعة عالمية ضخمة.