YOLOv10 مقابل EfficientDet#
يُعد اختيار الشبكة العصبية المثلى لـكشف الأجسام قرارًا محوريًا في أنظمة الرؤية الحاسوبية الحديثة. ومن البنيتين اللتين أثّرتا في المجال YOLOv10 وEfficientDet. تهدف كلتاهما إلى زيادة الدقة إلى أقصى حد مع تقليل العبء الحسابي، لكنهما تتبعان نهجين معماريين مختلفين تمامًا.
يتناول هذا الدليل تصميمهما ومنهجيات التدريب وخصائص النشر، لمساعدة المطورين ومهندسي تعلم الآلة على اتخاذ قرارات مبنية على البيانات لتطبيقات الذكاء الاصطناعي المرئي. كما يدرس أداءهما على عتاد يتراوح من أجهزة الذكاء الاصطناعي الطرفية المضمنة إلى وحدات GPU السحابية القوية.
YOLOv10: كشف آني بلا NMS#
طُوّرت YOLOv10 لتقليل زمن الاستجابة في الوقت الفعلي، وعالجت أحد أكثر الاختناقات استمرارًا في عائلة YOLO: كبت غير الأعظم (NMS). ومن خلال التخلص من خطوة المعالجة اللاحقة هذه، يحقق النموذج زمن استجابة متوقعًا، وهو أمر بالغ الأهمية لـالمركبات ذاتية القيادة والروبوتات عالية السرعة.
ابتكارات البنية#
تقدم YOLOv10 تعيينات مزدوجة متسقة للتدريب الخالي من NMS. وأثناء التدريب، تستخدم تعيينات تسميات من واحد إلى متعدد ومن واحد إلى واحد، ما يتيح للشبكة تعلم تمثيلات غنية مع إخراج مربع إحاطة واحد لكل كائن أثناء الاستدلال. كما تتضمن البنية تصميمًا شاملًا يوازن بين الكفاءة والدقة، ويبسط رأس التصنيف ويقلل التكرار الحسابي الموجود في الإصدارات السابقة.
تفاصيل النموذج#
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- التاريخ: 2024-05-23
- الورقة البحثية: YOLOv10: اكتشاف الأجسام في الوقت الفعلي من البداية إلى النهاية
- GitHub: THU-MIG/yolov10
- الوثائق: وثائق YOLOv10
لأن YOLOv10 يستغني عن خطوة NMS، يصبح تصديره أسهل بطبيعته إلى تنسيقات مثل تنسيق ONNX وNVIDIA TensorRT، دون الاعتماد على إضافات مخصصة لوقت التشغيل لترشيح مربعات الإحاطة.
نقاط القوة:
- استدلال يمكن التنبؤ به: تضمن إزالة NMS اتساق أوقات الاستدلال بصرف النظر عن عدد الأجسام في المشهد.
- استهلاك أقل للذاكرة: مقارنةً بالنماذج القائمة على Transformer مثل RT-DETR، تتطلب YOLOv10 ذاكرة أقل أثناء التدريب والاستدلال.
- موازنة ممتازة بين السرعة والدقة: محسّن تحديدًا للسيناريوهات التي تتطلب زمن استجابة منخفضًا من دون التضحية بـمقاييس الأداء.
نقاط الضعف:
- تركيز على مهمة واحدة: على عكس منظومة Ultralytics الأوسع، يركز مستودع YOLOv10 الأصلي على الكشف، ولا يدعم أصلاً تقسيم الكائنات أو تقدير الوضعية.
EfficientDet: قابل للتوسع ومتوازن#
طورت Google Brain نموذج EfficientDet، الذي يتناول كشف الأجسام من منظور التوسع المنهجي للشبكات. ويستند النموذج إلى العمود الفقري EfficientNet لتصنيف الصور، ويقدم آلية جديدة لدمج السمات.
ابتكارات البنية#
جوهر EfficientDet هو شبكة هرم السمات ثنائية الاتجاه (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وعلى عكس شبكات FPN التقليدية التي تجمع السمات من أعلى إلى أسفل فقط، تقدم BiFPN وصلات متبادلة الاتجاه بين المقاييس وأوزانًا قابلة للتدريب لتعلّم أهمية سمات الإدخال المختلفة. علاوة على ذلك، تستخدم EfficientDet طريقة توسع مركبة تضبط الدقة والعمق والعرض بانتظام 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 أجسام قابل للتوسع وفعال
- GitHub: Google AutoML EfficientDet
نقاط القوة:
- كفاءة عالية: نسبة ممتازة بين عدد المعلمات والدقة، ما يجعل الإصدارات الأصغر من
-d0إلى-d2خفيفة الوزن جدًا. - توسع مدروس: يتيح التوسع المركب للمستخدمين اختيار حجم النموذج بسهولة بما يتناسب تمامًا مع ميزانيتهم الحسابية.
نقاط الضعف:
- التكامل مع الأطر القديمة: يعتمد التطبيق الأصلي على إصدارات أقدم من TensorFlow، ما قد يعقّد مسارات النشر الحديثة.
- بطء التدريب: يستغرق تدريب EfficientDet من الصفر وقتًا طويلًا ويتطلب ضبطًا دقيقًا للمعلمات الفائقة مقارنةً بالتقارب السريع لبنى YOLO.
- سرعة الاستدلال: رغم كفاءة استخدام المعلمات، غالبًا ما تؤدي عمليات BiFPN المعقدة إلى سرعات استدلال أبطأ في الواقع على الأجهزة القياسية مقارنة بنماذج YOLO المحسّنة للغاية.
تعرّف على المزيد عن EfficientDet
الأداء ومعايير التقييم#
يتمثل الاختبار الحقيقي لهذه النماذج في أدائها التجريبي على معايير قياسية مثل مجموعة بيانات COCO. ويوضح الجدول أدناه الفروق الأساسية في عدد المعلمات وعمليات الفاصلة العائمة (FLOPs) وزمن الاستدلال على وحدات GPU من NVIDIA T4.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
تتمتع YOLOv10 بميزة كبيرة في سرعة الاستدلال على GPU. فعلى سبيل المثال، تحقق YOLOv10s مقدار 46.3 mAP بزمن استجابة TensorRT يبلغ 2.49 ms، بينما تحقق EfficientDet-d3 مقدارًا مشابهًا يبلغ 47.5 mAP لكنها تستغرق 19.59 ms. وفي الفئة العليا، تقترب YOLOv10m (51.1 mAP، 4.74 ms) من EfficientDet-d5 (51.5 mAP، 67.86 ms). وهذا يجعل YOLOv10 أنسب بكثير لبث الفيديو في الوقت الفعلي أو خطوط التصنيع سريعة الحركة. أما EfficientDet-d0 فتسجل أقل عدد من عمليات FLOPs في الجدول (2.54B).
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv10 وEfficientDet على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك المتعلقة بالمنظومة.
متى تختار YOLOv10#
يُعد YOLOv10 خيارًا قويًا لما يلي:
- الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
- موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
- التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.
متى تختار EfficientDet#
يوصى باستخدام EfficientDet في الحالات التالية:
- مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
- أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
- النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة 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 دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.
المعيار الحديث: ظهور Ultralytics YOLO26#
قدّمت YOLOv10 كشف YOLO الخالي من NMS، وأظهرت EfficientDet قيمة التوسع المنهجي، لكن مجال الرؤية الحاسوبية واصل التطور. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة اليوم، فإن Ultralytics YOLO26 هو النموذج الموصى به. وقد صدر في يناير 2026، ويجمع هذه الأفكار في حزمة جاهزة للإنتاج تدعمها منصة Ultralytics.
لماذا يتفوق YOLO26 على المنافسين#
- تصميم شامل من البداية إلى النهاية بلا NMS: يقدم YOLO26 تصميم YOLOv10 الشامل من البداية إلى النهاية بلا NMS بوصفه رأسًا اختياريًا واحدًا لواحد (
nms=False)، ما يبسّط النشر ويسرّع الاستدلال. - استدلال أسرع على CPU بنسبة تصل إلى 43%: للأجهزة الطرفية التي لا تحتوي على مسرّعات مخصصة، تعمل YOLO26n بسرعة تفوق YOLO11n بنسبة تصل إلى 43% على وحدات CPU القياسية.
- مُحسِّن MuSGD متقدم: استلهمت YOLO26 أساليب التدريب من نماذج اللغة الكبيرة (LLM)، وتستخدم مزيجًا هجينًا من SGD وMuon لتدريب مستقر وتقارب سريع، ما يحسن كفاءة التدريب مقارنةً بـEfficientDet.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) التعرّف على الأجسام الصغيرة، وهو مجال غالبًا ما تواجه فيه الكواشف الأقدم صعوبة.
- إزالة DFL: يؤدي حذف Distribution Focal Loss إلى تبسيط التصدير إلى العديد من تنسيقات العتاد، بما فيها OpenVINO وCoreML.
توفر YOLO26 أيضًا تعددًا أكبر في الاستخدامات. فبينما تُعد EfficientDet وYOLOv10 نموذجي كشف، تتعامل YOLO26 كذلك مع تقسيم الكائنات والتقسيم الدلالي وتقدير العمق وتصنيف الصور وتقدير الوضعية ومربعات الإحاطة الموجّهة باستخدام حزمة Ultralytics Python نفسها.
سهولة الاستخدام مع Ultralytics#
تضمن المنظومة المدعومة جيدًا من Ultralytics تجربة سلسة للمطور. ولا يتطلب تدريب نموذج والتحقق من صحته وتصديره إلى TensorRT سوى بضعة أسطر من التعليمات البرمجية.
from ultralytics import YOLO
# تحميل نموذج YOLOv10 مُدرَّب مسبقًا (أو الترقية مباشرةً إلى YOLO26)
model = YOLO("yolov10n.pt")
# تدريب النموذج بكفاءة على مجموعة بيانات مخصصة
model.train(data="coco8.yaml", epochs=50, imgsz=640)
# تشغيل الاستدلال وتصوير النتائج فورًا
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# التصدير للنشر السريع
model.export(format="engine", quantize=16)الخلاصة#
عند المقارنة بين YOLOv10 وEfficientDet، يعتمد الاختيار على تفضيلاتك للأطر البرمجية وقيود السرعة. تقدم EfficientDet نهجًا منظمًا لتوسيع النماذج ضمن منظومة TensorFlow. لكن YOLOv10 توفر أداءً أسرع في الوقت الفعلي، واستهلاكًا أقل للذاكرة، ومسار نشر أبسط بفضل بنيتها الخالية من NMS.
لتحقيق أفضل توازن بين الأداء وسهولة الاستخدام وتعدد المهام، نوصي باستخدام YOLO26 على منصة Ultralytics. فهي تتبنى نهج YOLOv10 الخالي من NMS، وتضيف تقنيات تدريب أحدث مثل مُحسِّن MuSGD، وتأتي ضمن إطار مفتوح المصدر يدعمه مجتمع عالمي كبير.