مقارنة بين YOLOv5 و EfficientDet#

عند الشروع في مشروع رؤية حاسوبية جديد، يُعد اختيار بنية الشبكة العصبية المناسبة أحد أهم القرارات التي ستتخذها. يقدم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLOv5 و EfficientDet من Google. من خلال تحليل بنياتها ومقاييس الأداء وأنظمة التدريب البيئية، نهدف إلى مساعدة المطورين والباحثين في تحديد أفضل نموذج اكتشاف كائنات لبيئات نشرهم المحددة.

في حين قدمت EfficientDet مفاهيم جديدة في التحجيم المركب ودمج الميزات، أحدثت YOLOv5 ثورة في الصناعة من خلال إضفاء الطابع الديمقراطي على الوصول إلى الذكاء الاصطناعي عالي الأداء عبر تنفيذها البديهي للغاية في PyTorch، وتجربة المستخدم المبسطة، والتوازن الذي لا يُضاهى بين السرعة والدقة.

Ultralytics YOLOv5: معيار الصناعة للسهولة والوصول#

تم إصدار YOLOv5 في صيف عام 2020، ومثلت تحولاً محورياً في سلالة YOLO. ومع الانتقال من إطار عمل Darknet المعتمد على C إلى PyTorch الأصلي، أصبحت البنية المفضلة للمطورين الذين يتطلعون إلى بناء النماذج وتدريبها ونشرها بسرعة.

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• التوثيق: https://docs.ultralytics.com/models/yolov5

الابتكارات المعمارية#

تشتهر YOLOv5 ببنيتها المحسنة للغاية التي تمنح الأولوية لدورة حياة سلسة لـ التعلم الآلي. وهي تستخدم هيكلاً أساسياً معدلاً من نوع CSPDarknet53 مقترناً بعنق شبكة تجميع المسار (PANet)، مما يحسن بشكل جذري انتشار الميزات عبر مقاييس مكانية متعددة.

تشمل التطورات الرئيسية ما يلي:

• تعزيز البيانات بالفسيفساء (Mosaic Data Augmentation): تدمج تقنية التدريب هذه أربع صور تدريبية متميزة في فسيفساء واحدة. وهذا يجبر النموذج على تعلم كيفية تحديد الكائنات في سياقات مكانية معقدة ويعزز بشكل كبير قدرته على اكتشاف الأهداف الصغيرة.
• صناديق الارتكاز ذاتية التعلم: قبل بدء التدريب، تحلل YOLOv5 بيانات التدريب المخصصة لك وتحسب تلقائياً أبعاد صندوق الارتكاز المثلى باستخدام خوارزمية التجميع k-means.
• كفاءة الذاكرة: مقارنة بالنماذج الثقيلة القائمة على Transformer، تحافظ YOLOv5 على بصمة ذاكرة أقل بكثير أثناء التدريب والاستدلال، مما يسمح لها بالعمل بسلاسة على الأجهزة المخصصة للمستهلكين.

اعرف المزيد عن YOLOv5

EfficientDet: كشف الكائنات القابل للتوسع#

تم تقديم EfficientDet بواسطة Google Research في عام 2019، بهدف توفير عائلة من كواشف الكائنات القابلة للتوسع. وهي تعتمد على هيكل تصنيف الصور EfficientNet وتقدم آلية مبتكرة لدمج الميزات.

• المؤلفون: Mingxing Tan و Ruoming Pang و Quoc V. Le
• المؤسسة: Google
• التاريخ: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet
• التوثيق: https://github.com/google/automl/tree/master/efficientdet#readme

الابتكارات المعمارية#

تكمن الفكرة الأساسية لـ EfficientDet في نهجها المنهجي في التحجيم وتجميع الميزات:

• BiFPN (شبكة هرم الميزات ثنائية الاتجاه): على عكس شبكات FPN التقليدية التي تمرر المعلومات من الأعلى إلى الأسفل فقط، تتيح BiFPN دمج الميزات متعددة المقاييس بسرعة وسهولة من خلال إدخال أوزان قابلة للتعلم لمعرفة أهمية ميزات الإدخال المختلفة.
• التحجيم المركب: تقوم EfficientDet بشكل مشترك بزيادة الدقة والعمق والعرض لجميع الشبكات الأساسية وشبكات الميزات وشبكات التنبؤ بالصندوق/الفئة، مما ينتج عنه نماذج تتراوح من D0 خفيف الوزن إلى D7 الضخم.

اعرف المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج، يُعد تقييم أداؤها على المعايير القياسية مثل مجموعة بيانات COCO أمراً بالغ الأهمية. يسلط الجدول أدناه الضوء على المقايضات بين الحجم والطلب الحسابي (FLOPs) وسرعة الاستدلال.

تحليل متوازن#

تتألق YOLOv5 في مرونة نشرها وتوافق تسريع الأجهزة الخام. لاحظ سرعات TensorRT الفائقة على وحدة معالجة الرسومات T4. هذا يجعل YOLOv5 مناسبة بشكل لا يُصدق لتحليلات الفيديو ذات الإنتاجية العالية وعمليات الاستدلال في الوقت الفعلي. علاوة على ذلك، يجعل نظام Ultralytics البيئي عملية التصدير إلى تنسيقات مثل ONNX، وCoreML، وTensorRT أمراً يتم بأمر برمجي واحد.

تقدم EfficientDet كفاءة ممتازة في المعلمات. بالنسبة لعدد معين من المعلمات، غالباً ما تستخرج متوسط الدقة (mAP) عالياً. ومع ذلك، فإن هذه الكفاءة النظرية لا تُترجم دائماً إلى أوقات استدلال فعلية أسرع على وحدات معالجة الرسومات الطرفية نظراً للتوجيه المعقد لطبقة BiFPN، والتي قد تكون مقيدة بنطاق ترددي الذاكرة بدلاً من كونها مقيدة بالقدرة الحسابية.

النظام البيئي وسهولة الاستخدام#

الميزة الحاسمة لاختيار نموذج Ultralytics تكمن في النظام البيئي المحيط. تعد YOLOv5 جزءاً من مستودع تتم صيانته بشكل مكثف وتطويره بنشاط مع دعم مجتمعي هائل.

مع إدخال منصة Ultralytics، يمكن للمستخدمين الانتقال بسلاسة من جمع البيانات إلى نشرها. تدعم هذه المنصة وضع العلامات التلقائي، والتدريب السحابي، ومراقبة النموذج جاهزة للاستخدام الفوري. في المقابل، يتطلب تدريب EfficientDet غالباً التنقل عبر تعقيدات واجهات برمجة تطبيقات اكتشاف الكائنات القديمة في TensorFlow، مما قد يمثل منحنى تعلُّم حاداً للنماذج الأولية السريعة.

علاوة على ذلك، تمتد مرونة YOLOv5 لتتجاوز صناديق الإحاطة. من خلال التحديثات المستمرة، يدعم إطار عمل Ultralytics بشكل أصلي تجزئة المثيلات وتصنيف الصور، مما يوفر واجهة برمجة تطبيقات موحدة لمهام رؤية حاسوبية متعددة.

حالات الاستخدام المثالية#

• اختر YOLOv5 عندما: تحتاج إلى نماذج أولية سريعة، وتجربة تدريب خالية من الاحتكاك، ونشر طرفي مُحسَّن للغاية. إنه مثالي للطائرات بدون طيار، وتحليلات التجزئة، وتطبيقات الأجهزة المحمولة حيث يكون التأخير المنخفض أمراً بالغ الأهمية.
• اختر EfficientDet عندما: تعمل بدقة داخل بيئة Google Cloud/TensorFlow AutoML وتحتاج إلى أقصى دقة لكل معلمة دون قيود زمن انتقال صارمة في الوقت الفعلي.

الجيل القادم: تبني YOLO26#

في حين تظل YOLOv5 حصاناً رابحاً موثوقاً به، فقد تقدم مشهد الرؤية الحاسوبية. للمطورين الذين يسعون وراء أحدث ما توصلت إليه التكنولوجيا في عام 2026، تمثل YOLO26 الذروة الجديدة لتشكيلة Ultralytics.

بناءً على إرث أسلافها (مثل YOLOv8 وYOLO11)، تقدم YOLO26 ابتكارات رائدة:

• تصميم شامل خالٍ من NMS: تلغي YOLO26 أصلياً الحاجة إلى معالجة لاحقة لإخماد القيم غير القصوى (Non-Maximum Suppression). وهذا يقلل بشكل كبير من تباين زمن الانتقال ويبسط بنية النشر.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية: مُحسَّن بشكل كبير لـ الذكاء الاصطناعي الطرفي، ويجلب سرعات غير مسبوقة للأجهزة الطرفية منخفضة الطاقة ووحدات المعالجة المركزية القياسية بدون وحدات معالجة رسومات مخصصة.
• مُحسِّن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM)، يضمن هذا الهجين من SGD و Muon تدريباً مستقراً للغاية وتقارباً سريعاً.
• دوال الخسارة المتقدمة: يحسن دمج ProgLoss و STAL بشكل جذري من التعرف على الأهداف الصغيرة، وهو أمر حاسم لصور الطائرات بدون طيار عالية الارتفاع والروبوتات.
• إزالة DFL: من خلال إزالة Distribution Focal Loss، يتم تبسيط عملية تصدير النموذج، مما يعزز التوافق عبر مسرعات الأجهزة المختلفة.

قد يميل المستخدمون المهتمون باستكشاف بنيات حديثة أخرى داخل نظام Ultralytics البيئي أيضاً إلى مقارنة نماذج مثل YOLOv10 أو RT-DETR.

مثال برمجي: التدريب والاستدلال#

لإثبات سهولة الاستخدام التي لا تضاهى لنظام Ultralytics البيئي، إليك كيفية التدريب وتشغيل الاستدلال باستخدام نموذج YOLO حديث. هذا الكود قابل للتشغيل بنسبة 100% ويتعامل مع تنزيل مجموعة البيانات، وحلقات التدريب، والتحقق من الصحة تلقائياً.

from ultralytics import YOLO

# Load a modern model (Swap 'yolov5s.pt' for 'yolo26n.pt' to test the newest architecture!)
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset for 20 epochs
results = model.train(data="coco8.yaml", epochs=20, imgsz=640)

# Run inference on an image from the web
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Display the image with bounding boxes
inference_results[0].show()

من خلال إعطاء الأولوية لتجربة المستخدم، والحفاظ على نظام بيئي قوي، ودفع حدود ما هو ممكن باستمرار من خلال تحديثات مثل YOLO26، تضمن Ultralytics أن المطورين لديهم دائماً أفضل الأدوات المتاحة لحل تحديات الذكاء البصري في العالم الحقيقي.