YOLOv5 مقابل EfficientDet#
عند بدء مشروع جديد في الرؤية الحاسوبية، يُعد اختيار بنية الشبكة العصبية المناسبة أحد أهم القرارات التي ستتخذها. يقدم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLOv5 وEfficientDet من Google. ومن خلال تحليل بنيتيهما ومقاييس الأداء ومنظومتي التدريب، نسعى إلى مساعدة المطورين والباحثين على تحديد أفضل نموذج لـاكتشاف الكائنات لبيئات النشر الخاصة بهم.
مع أن EfficientDet قدم مفاهيم مبتكرة في التحجيم المركب ودمج السمات، أحدث YOLOv5 تحولًا في المجال عبر إتاحة الذكاء الاصطناعي عالي الأداء للجميع بفضل تطبيقه البديهي للغاية في PyTorch، وتجربة المستخدم الانسيابية، والتوازن الذي لا مثيل له بين السرعة والدقة.
Ultralytics YOLOv5: المعيار الصناعي لإمكانية الوصول#
أحدث YOLOv5، الذي صدر في صيف 2020، تحولًا محوريًا في مسيرة نماذج YOLO. وانتقل من إطار عمل Darknet القائم على C إلى PyTorch الأصلي، ليصبح البنية المفضلة للمطورين الذين يسعون إلى بناء النماذج وتدريبها ونشرها بسرعة.
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- الوثائق: https://docs.ultralytics.com/models/yolov5
ابتكارات البنية#
يشتهر YOLOv5 ببنيته المحسّنة للغاية، التي تعطي الأولوية لدورة حياة سلسة في تعلم الآلة. ويستخدم عمودًا فقريًا معدلًا من CSPDarknet53 مقترنًا بعنق شبكة تجميع المسارات (PANet)، ما يحسن بدرجة كبيرة انتشار السمات عبر مقاييس مكانية متعددة.
تشمل أبرز التطورات ما يلي:
- زيادة بيانات الفسيفساء: تجمع تقنية التدريب هذه أربع صور تدريب مختلفة في فسيفساء واحدة. وهذا يجبر النموذج على تعلم تحديد الكائنات ضمن سياقات مكانية معقدة، ويعزز قدرته بدرجة كبيرة على اكتشاف الأهداف الصغيرة.
- التعلم التلقائي لمربعات المراسي: قبل بدء التدريب، يحلل YOLOv5 بيانات التدريب المخصصة لك، ويحسب تلقائيًا أبعاد مربع المرساة المثلى باستخدام تجميع k-means.
- كفاءة الذاكرة: يحافظ YOLOv5 على بصمة ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنةً بالنماذج الثقيلة القائمة على Transformer، ما يتيح تشغيله بسلاسة على الأجهزة الاستهلاكية.
EfficientDet: اكتشاف الكائنات القابل للتوسع#
قدمت Google Research نموذج EfficientDet في عام 2019 بهدف توفير عائلة من كواشف الكائنات القابلة للتوسع. وهو يبني على العمود الفقري EfficientNet لتصنيف الصور، ويقدم آلية مبتكرة لدمج السمات.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- الوثائق: https://github.com/google/automl/tree/master/efficientdet#readme
ابتكارات البنية#
يكمن جوهر EfficientDet في نهجه المنهجي للتوسيع وتجميع السمات:
- BiFPN (شبكة هرم السمات ثنائية الاتجاه): بخلاف شبكات FPN التقليدية التي تمرر المعلومات من الأعلى إلى الأسفل فقط، تتيح BiFPN دمج السمات متعددة المقاييس بسرعة وسهولة من خلال إدخال أوزان قابلة للتعلم لتحديد أهمية سمات الإدخال المختلفة.
- التحجيم المركب: يوسّع EfficientDet دقة الشبكة وعمقها وعرضها معًا في جميع شبكات العمود الفقري والسمات والتنبؤ بالمربعات والفئات، ما ينتج نماذج تتراوح من D0 خفيف الوزن إلى D7 الضخم.
تعرّف على المزيد عن EfficientDet
يعتمد EfficientDet بشدة على منظومة TensorFlow ومكتبات AutoML، بينما يعمل YOLOv5 أصليًا ضمن PyTorch، ما يوفر سير عمل يجده كثير من المطورين أكثر بديهية وملاءمة لأسلوب Python وأسهل في تصحيح الأخطاء.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج، من الضروري تقييم أدائها على معايير قياسية مثل مجموعة بيانات COCO. يوضح الجدول أدناه المفاضلات بين الحجم والطلب الحاسوبي (FLOPs) وسرعة الاستدلال.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
تحليل متوازن#
يتألق YOLOv5 بمرونة نشره وتوافقه مع تسريع العتاد الخام. لاحظ سرعات TensorRT الفائقة على GPU من طراز T4. وهذا يجعل YOLOv5 مناسبًا للغاية لتحليلات الفيديو عالية الإنتاجية وخطوط أنابيب الاستدلال في الوقت الفعلي. علاوة على ذلك، تتيح منظومة Ultralytics التصدير إلى تنسيقات مثل ONNX وCoreML وTensorRT باستخدام أمر من سطر واحد.
يوفر EfficientDet كفاءة ممتازة في استخدام المعلمات. فهو غالبًا ما يستخرج متوسط دقة (mAP) مرتفعًا عند عدد معين من المعلمات. لكن هذه الكفاءة النظرية لا تُترجم دائمًا إلى أوقات استدلال أسرع فعليًا على وحدات GPU الطرفية، بسبب التوجيه المعقد لطبقة BiFPN، التي قد تكون محدودة بعرض نطاق الذاكرة بدلًا من القدرة الحاسوبية.
المنظومة وسهولة الاستخدام#
تكمن الميزة الحاسمة لاختيار نموذج من Ultralytics في المنظومة المتكاملة المحيطة به. يُعد YOLOv5 جزءًا من مستودع يخضع لصيانة مكثفة وتطوير نشط ويحظى بدعم مجتمعي واسع.
مع إطلاق منصة Ultralytics، أصبح بإمكان المستخدمين الانتقال بسلاسة من جمع البيانات إلى النشر. وتدعم المنصة التعليق التلقائي والتدريب السحابي ومراقبة النماذج مباشرةً. في المقابل، يتطلب تدريب EfficientDet غالبًا التعامل مع تعقيدات واجهات برمجة تطبيقات اكتشاف الكائنات القديمة في TensorFlow، ما قد يفرض منحنى تعلم حادًا عند إنشاء النماذج الأولية بسرعة.
علاوة على ذلك، تتجاوز مرونة YOLOv5 مربعات الإحاطة. فمن خلال التحديثات المستمرة، يدعم إطار عمل Ultralytics أصليًا تجزئة الكائنات وتصنيف الصور، موفرًا واجهة API موحدة لمهام الرؤية الحاسوبية المتعددة.
حالات الاستخدام المثالية#
- اختر YOLOv5 عندما: تحتاج إلى إنشاء نماذج أولية بسرعة وتجربة تدريب سلسة ونشر طرفي محسّن للغاية. وهو مثالي للطائرات المسيّرة وتحليلات البيع بالتجزئة وتطبيقات الأجهزة المحمولة التي يكون فيها انخفاض زمن الاستجابة أمرًا بالغ الأهمية.
- اختر EfficientDet عندما: تعمل حصريًا ضمن بيئة Google Cloud/TensorFlow AutoML، وتحتاج إلى أعلى دقة لكل معلمة دون قيود صارمة على زمن الاستجابة في الوقت الفعلي.
الجيل التالي: اعتماد YOLO26#
على الرغم من بقاء YOLOv5 خيارًا موثوقًا للعمل، فقد تطور مجال الرؤية الحاسوبية. وبالنسبة للمطورين الذين يسعون إلى أحدث ما توصلت إليه التقنية في عام 2026، يمثل YOLO26 قمة جديدة في تشكيلة Ultralytics.
استنادًا إلى إرث أسلافه، مثل YOLOv8 وYOLO11، يقدم YOLO26 ابتكارات رائدة:
- تصميم شامل خالٍ من NMS: يلغي الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) الحاجة إلى المعالجة اللاحقة بقمع غير الأقصى. ويقلل ذلك بدرجة كبيرة تفاوت زمن الاستجابة ويبسط بنية النشر. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل تحسينه المكثف لـالذكاء الاصطناعي الطرفي، يوفر سرعات غير مسبوقة للأجهزة الطرفية منخفضة الطاقة وأجهزة CPU القياسية دون وحدات GPU مخصصة.
- محسّن MuSGD: استُلهم هذا المزيج من SGD وMuon من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، ويضمن تدريبًا مستقرًا للغاية وتقاربًا سريعًا.
- دوال خسارة متقدمة: يحسن دمج ProgLoss وSTAL بدرجة كبيرة التعرف على الأهداف الصغيرة، وهو أمر حيوي للصور الملتقطة بطائرات مسيّرة على ارتفاعات عالية والروبوتات.
- إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية تصدير النموذج، وتعزيز التوافق مع مختلف مسرّعات الأجهزة.
قد يرغب المستخدمون المهتمون باستكشاف بنى حديثة أخرى ضمن منظومة Ultralytics في مقارنة نماذج مثل YOLOv10 أو RT-DETR.
صُممت واجهة Python API من Ultralytics لضمان التوافق مع الإصدارات السابقة واللاحقة. والترقية من YOLOv5 إلى YOLO26 لا تتطلب حرفيًا سوى تغيير سلسلة أوزان النموذج في الشيفرة!
مثال برمجي: التدريب والاستدلال#
لإظهار سهولة الاستخدام التي لا تضاهى في منظومة Ultralytics، إليك طريقة تدريب نموذج YOLO حديث وتشغيل الاستدلال باستخدامه. هذه الشيفرة قابلة للتشغيل بالكامل بنسبة 100%، وتتولى تلقائيًا تنزيل مجموعة البيانات وحلقات التدريب والتحقق من الصحة.
from ultralytics import YOLO
# تحميل نموذج حديث (استبدل 'yolov5su.pt' بـ 'yolo26n.pt' لاختبار أحدث بنية!)
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تدريب النموذج على مجموعة بيانات COCO8 المثالّية لمدة 20 حقبة
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)
# تشغيل الاستدلال على صورة من الويب
inference_results = model("https://ultralytics.com/images/bus.jpg")
# عرض الصورة مع مربعات الإحاطة
inference_results[0].show()من خلال إعطاء الأولوية لتجربة المستخدم، والحفاظ على منظومة متكاملة قوية، ومواصلة تجاوز حدود الإمكانات عبر تحديثات مثل YOLO26، تضمن Ultralytics امتلاك المطورين دائمًا أفضل الأدوات لحل تحديات الذكاء البصري الواقعية.