YOLOv10 مقابل EfficientDet#

يعد اختيار الشبكة العصبية المثلى لـ object detection قراراً حاسماً يحدد نجاح أنظمة الرؤية الحاسوبية الحديثة. هناك بنيتان بارزتان أثرتا بشكل كبير على هذا المجال وهما YOLOv10 و EfficientDet. ورغم أن كلاً منهما يهدف إلى تعظيم الدقة مع تقليل الحمل الحسابي، إلا أنهما تتبعان نهجين معماريين مختلفين تماماً لتحقيق هذه الأهداف.

يتعمق هذا الدليل الشامل في تصاميمهما الفريدة، ومنهجيات التدريب، وخصائص النشر، مما يساعد المطورين ومهندسي تعلم الآلة في اتخاذ قرارات مبنية على البيانات من أجل vision AI applications. سنستحصي كيفية أتلائهما على الأجهزة التي تتراوح بين edge AI devices المدمجة وحدات معالجة الرسوميات السحابية القوية.

YOLOv10: الرائد في تقنية NMS-Free#

تم تطوير YOLOv10 لدفع حدود زمن الاستجابة في الوقت الفعلي، وتناول واحدة من أكثر الاختناقات استمراراً في عائلة YOLO: كبح القمع غير الأقصى (NMS). من خلال القضاء على خطوة المعالجة اللاحقة هذه، يحقق النموذج زمن استجابة قابلاً للتنبؤ بشكل كبير، وهو أمر حاسم لـ autonomous vehicles والروبوتات عالية السرعة.

الابتكارات المعمارية#

يقدم YOLOv10 تعيينات مزدوجة متسقة للتدريب بدون NMS. أثناء التدريب، يستفيد النموذج من تعيينات التسميات من واحد إلى متعدد ومن واحد إلى واحد، مما يسمح للشبكة بتعلم تمثيلات غنية مع إخراج صندوق إحاطة واحد أفضل لكل كائن أصلاً أثناء الاستدلال. كما تدمج البنية تصميماً شاملاً يعتمد على كفاءة الدقة، مما يبسط رأس التصنيف ويقلل التكرار الحسابي الموجود في الإصدارات السابقة.

تفاصيل النموذج#

• المؤلفون: Ao Wang و Hui Chen و Lihao Liu، وآخرون.
• المنظمة: Tsinghua University
• التاريخ: 2024-05-23
• ورقة بحثية: YOLOv10: Real-Time End-to-End Object Detection
• GitHub: THU-MIG/yolov10
• Docs: YOLOv10 Documentation

نقاط القوة:

• استدلال يمكن التنبؤ به: تضمن إزالة NMS أوقات استدلال متسقة بغض النظر عن عدد الكائنات في المشهد.
• استخدام أقل للذاكرة: مقارنة بالنماذج القائمة على المحولات مثل RT-DETR، يتمتع YOLOv10 بمتطلبات ذاكرة أقل بكثير أثناء كل من التدريب والاستدلال.
• مقايضة ممتازة بين السرعة والدقة: محسّن خصيصاً سيناريوهات زمن الاستجابة المنخفض دون التضحية بـ performance metrics.

نقاط الضعف:

• التركيز على مهمة واحدة: على عكس Ultralytics ecosystem الأوسع، فإن مستودع YOLOv10 الأصلي يركز بشكل كبير على الكشف، ويفتقر إلى الدعم الأصلي لـ instance segmentation أو pose estimation.

تعرف على المزيد حول YOLOv10

EfficientDet: قابل للتوسع ومتوازن#

يتبع EfficientDet، الذي قدمه Google Brain، نهجاً في كشف الكائنات من خلال عدسة توسيع الشبكة المنهجي. وهو يعتمد على العمود الفقري لتصنيف الصور EfficientNet ويقدم آلية جديدة لدمج الميزات.

الابتكارات المعمارية#

جوهر EfficientDet هو شبكة هرم الميزات ثنائية الاتجاه (BiFPN)، التي تسمح بدمج ميزات متعدد المقاييس بسهولة وسرعة. وخلافاً لشبكات FPN التقليدية التي تجمع الميزات من الأعلى إلى الأسفل فقط، تقدم BiFPN اتصالات ثنائية الاتجاه عبر المقاييس وأوزاناً قابلة للتدريب لتعلم أهمية ميزات الإدخال المختلفة. علاوة على ذلك، يستخدم EfficientDet طريقة توسيع مركبة تقوم بتوسيع الدقة والعمق والعرض بشكل موحد لجميع الشبكات الأساسية، وشبكة الميزات، وشبكات التنبؤ بالصندوق/الفئة.

تفاصيل النموذج#

• المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
• المنظمة: Google Brain
• التاريخ: 2019-11-20
• ورقة بحثية: EfficientDet: Scalable and Efficient Object Detection
• GitHub: Google AutoML EfficientDet

نقاط القوة:

• كفاءة عالية: نسبة ممتازة من المعلمات إلى الدقة، مما يجعل المتغيرات الأصغر -d0 إلى -d2 خفيفة الوزن للغاية.
• توسيع مبدئي: يسمح التوسيع المركب للمستخدمين باختيار حجم النموذج بسهولة ليتناسب مع ميزانيتهم الحسابية المحددة.

نقاط الضعف:

• تكامل الإطار القديم: يعتمد التنفيذ الأصلي بشكل كبير على إصدارات TensorFlow الأقدم، مما قد يعقد خطوط أنابيب النشر الحديثة.
• تدريب أبطأ: تدريب EfficientDet من الصفر بطيء بشكل ملحوظ ويتطلب ضبطاً دقيقاً للمعلمات الفائقة مقارنة بالتقارب السريع لبنيات YOLO.
• سرعة الاستدلال: على الرغم من كفاءة المعلمات، غالباً ما تؤدي عمليات BiFPN المعقدة إلى سرعات استدلال واقعية أبطأ على الأجهزة القياسية مقارنة بنماذج YOLO المحسنة للغاية.

اعرف المزيد عن EfficientDet

الأداء والمعايير القياسية#

الاختبار الحقيقي لهذه النماذج يكمن في أائها التجريبي على المعايير القياسية مثل COCO dataset. يوضح الجدول أدناه الاختلافات الحاسمة في عدد المعلمات، والعمليات الحسابية بنقطة عائمة (FLOPs)، وزمن الاستجابة للاستدلال على NVIDIA T4 GPUs.

كما هو موضح أعلاه، يحتفظ YOLOv10 بميزة كبيرة في سرعة الاستدلال الخام. على سبيل المثال، يحقق YOLOv10-S دقة 46.7 mAP مع زمن استدلال TensorRT يبلغ 2.66 مللي ثانية فقط، بينما يحقق EfficientDet-d3 دقة مماثلة تبلغ 47.5 mAP ولكنه يستغرق ما يقرب من 20 مللي ثانية، مما يجعل YOLOv10 متفوقاً بشكل كبير لبث الفيديو في الوقت الفعلي أو خطوط أنابيب التصنيع سريعة الحركة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 و EfficientDet على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv10#

يعد YOLOv10 خياراً قوياً لـ:

• الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
• الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
• تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.

متى تختار EfficientDet#

يُنصح باستخدام EfficientDet في الحالات التالية:

• خطوط أنابيب Google Cloud وTPU: الأنظمة المتكاملة بعمق مع واجهات برمجة تطبيقات Google Cloud Vision أو بنية TPU التحتية حيث يتمتع EfficientDet بتحسين أصلي.
• أبحاث القياس المركب (Compound Scaling): المقارنة المعيارية الأكاديمية التي تركز على دراسة تأثيرات موازنة عمق الشبكة، وعرضها، وتوسيع نطاق الدقة.
• النشر على الأجهزة المحمولة عبر TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow Lite لنظام أندرويد أو أجهزة لينكس المدمجة.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

المعيار الحديث: دخول Ultralytics YOLO26#

بينما قدم YOLOv10 نموذجاً رائدًا خاليًا من NMS وأظهر EfficientDet تحجيمًا منظمًا، فقد استمر مشهد الرؤية الحاسوبية في التطور. للمطورين الذين يبدؤون مشاريع جديدة اليوم، يمثل Ultralytics YOLO26 قمة التقنية بلا منازع. تم إصداره في يناير 2026، وهو يدمج أفضل ما في العوالم كافة في حزمة مصقولة وجاهزة للإنتاج ضمن Ultralytics Platform.

لماذا يتفوق YOLO26 على المنافسة#

1. تصميم شامل خالٍ من NMS: يتبنى YOLO26 أصلاً بنية شاملة خالية من NMS كانت رائدة في YOLOv10، مما يبسط النشر ويسرع الاستدلال.
2. سرعة استدلال على وحدة المعالجة المركزية (CPU) أعلى بنسبة تصل إلى 43%: بالنسبة للأجهزة الطرفية التي تفتقر إلى مسرعات مخصصة، تم تحسين YOLO26 خصيصاً ليعمل بكفاءة على وحدات المعالجة المركزية القياسية.
3. محسن MuSGD المتقدم: مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM)، يستخدم YOLO26 مزيجاً هجيناً من SGD و Muon لتدريب مستقر بشكل لا يصدق وتقارب سريع، مما يحسن بشكل كبير training efficiency مقارنة بـ EfficientDet.
4. ProgLoss + STAL: تقدم دوال الخسارة المحسنة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهي نقطة ضعف تقليدية لكل من YOLOv10 و EfficientDet.
5. إزالة DFL: من خلال إزالة خسارة بؤرة التوزيع (Distribution Focal Loss)، يتم تصدير YOLO26 بسلاسة إلى أي تنسيق أجهزة تقريباً، بما في ذلك OpenVINO و CoreML.

علاوة على ذلك، يوفر YOLO26 تنوعاً لا يُضاهى. وفي حين أن EfficientDet و YOLOv10 هما نموذجا الكشف بحتة، يتعامل YOLO26 بسلاسة مع oriented bounding boxes، و image classification، وتقسيم المثيلات باستخدام نفس Ultralytics Python package البديهي.

سهولة الاستخدام مع Ultralytics#

يضمن النظام البيئي المُدار جيداً والذي توفر Ultralytics تجربة مطور سلسة. إن تدريب النموذج والتحقق منه وتصديره إلى TensorRT integration لا يتطلب سوى أسطر قليلة من الكود.

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 و EfficientDet، يعتمد الاختيار بشكل كبير على تفضيلات إطار عملك وقيود السرعة. يوفر EfficientDet نهجاً منظماً لتوسيع النموذج داخل نظام TensorFlow البيئي. ومع ذلك، يوفر YOLOv10 أداءً متفوقاً في الوقت الفعلي، واستخداماً أقل للذاكرة، ومسار نشر أكثر مباشرة بفضل بنيته الخالية من NMS.

للحصول على أفضل توازن في الأداء وسهولة الاستخدام وتنوع المهام المتعددة، يوصى بشدة بالترقية إلى Ultralytics Platform واستخدام YOLO26. فهو يأخذ ابتكارات YOLOv10 الخالية من NMS، ويطبق تقنيات تدريب حديثة مثل محسن MuSGD، ويغلفها في إطار عمل قوي ومفتوح المصدر يدعمه مجتمع عالمي ضخم.