ابدأ

YOLOv5 مقابل EfficientDet

عند بدء مشروع جديد في الرؤية الحاسوبية، يُعد اختيار بنية الشبكة العصبية المناسبة من أهم القرارات التي ستتخذها. يقدّم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLOv5 وEfficientDet من Google. ومن خلال تحليل بنيتيهما ومقاييس الأداء ومنظومتي التدريب، يساعد المطورين والباحثين على تحديد أفضل نموذج لـاكتشاف الأجسام لبيئات النشر المحددة لديهم.

مع أن EfficientDet قدّم مفاهيم مبتكرة في التحجيم المركّب ودمج السمات، جعل YOLOv5 اكتشاف الأجسام عالي الأداء متاحاً على نطاق واسع بفضل تنفيذه السهل باستخدام PyTorch وتجربة استخدامه المبسطة وتوازنه القوي بين السرعة والدقة.

Ultralytics YOLOv5: المعيار الصناعي لإمكانية الوصول#

صدر YOLOv5 في يونيو 2020، وشكّل تحولاً محورياً في سلسلة YOLO. وبُني أصلاً باستخدام PyTorch بدلاً من إطار Darknet القائم على C الذي استخدمته إصدارات YOLO السابقة، فأصبح البنية المفضلة للمطورين الراغبين في بناء النماذج وتدريبها ونشرها بسرعة.

ابتكارات البنية#

يشتهر YOLOv5 ببنية محسّنة ودورة حياة مبسطة لـتعلم الآلة. ويستخدم عموداً فقرياً معدّلاً من CSPDarknet53 مقترناً برقبة PANet (شبكة تجميع المسارات)، ما يحسّن انتشار السمات عبر مقاييس مكانية متعددة.

تشمل أبرز التطورات ما يلي:

  • تحسين البيانات بالفسيفساء: تجمع تقنية التدريب هذه أربع صور تدريب مختلفة في فسيفساء واحدة. وهذا يجبر النموذج على تعلّم كيفية تحديد الأجسام في السياقات المكانية المعقدة، ويحسّن قدرته على اكتشاف الأهداف الصغيرة.
  • صناديق ارتكاز ذات تعلّم تلقائي: قبل بدء التدريب، يحلل YOLOv5 بيانات التدريب المخصصة لديك ويحسب تلقائياً الأبعاد المثلى لـصندوق الارتكاز باستخدام تجميع k-means.
  • كفاءة الذاكرة: مقارنة بالنماذج الثقيلة القائمة على Transformer، يحافظ YOLOv5 على استهلاك أقل للذاكرة أثناء التدريب والاستدلال، 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.

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 المركّب: يوسّع EfficientDet الدقة والعمق والعرض معاً لجميع أعمدة الشبكة الفقرية وشبكات السمات وشبكات التنبؤ بالصناديق والفئات، ما ينتج نماذج تتراوح من D0 خفيف الوزن إلى أكبرها D7.

تعرّف على المزيد عن EfficientDet

الاختلافات بين أطر العمل

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.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

تحليل متوازن#

يتميّز YOLOv5 بمرونة النشر والتوافق مع تسريع الأجهزة. وسرعاته باستخدام T4 وTensorRT أعلى بكثير من سرعات EfficientDet عند دقة مماثلة؛ فعلى سبيل المثال، يحقق YOLOv5m قيمة 45.4 mAP في 4.03 ms، مقابل 43.0 mAP في 10.92 ms لـ EfficientDet-d2. وهذا يجعل YOLOv5 ملائماً لمسارات عمل تحليلات الفيديو عالية الإنتاجية والاستدلال في الزمن الحقيقي. علاوة على ذلك، تتيح منظومة Ultralytics التصدير إلى تنسيقات مثل ONNX وCoreML وTensorRT بأمر من سطر واحد.

يتميّز EfficientDet بكفاءة ممتازة في استخدام المعلمات. فغالبًا ما يحقق، عند عدد محدد من المعلمات، قيمة مرتفعة لـمتوسط الدقة (mAP). لكن كفاءة المعلمات لا تؤدي دائمًا إلى استدلال أسرع بزمن فعلي على وحدات GPU، بسبب التوجيه المعقد لطبقة BiFPN، التي قد تكون مقيدة بعرض نطاق الذاكرة بدلًا من القدرة الحسابية.

المنظومة وسهولة الاستخدام#

تكمن الميزة المحددة لاختيار نموذج من Ultralytics في المنظومة المحيطة به. فـYOLOv5 جزء من مستودع تتم صيانته بنشاط ويدعمه مجتمع كبير.

مع إطلاق منصة Ultralytics، أصبح بإمكان المستخدمين الانتقال من جمع البيانات إلى النشر في مكان واحد. وتدعم المنصة إضافة التعليقات التوضيحية تلقائياً والتدريب السحابي ومراقبة النماذج. وعلى النقيض، يتطلب تدريب EfficientDet غالباً التعامل مع تعقيدات واجهات API القديمة لاكتشاف الأجسام في TensorFlow، ما قد يشكل منحنى تعلّم حاداً عند إعداد النماذج الأولية بسرعة.

علاوة على ذلك، يتجاوز تعدد استخدامات YOLOv5 الصناديق المحيطة. ففي الإصدارات اللاحقة، أضاف مستودع YOLOv5 تجزئة الكائنات (v7.0) وتصنيف الصور (v6.2)، موفراً قاعدة تعليمات برمجية موحدة لمهام متعددة في الرؤية الحاسوبية.

حالات الاستخدام المثالية#

  • اختر YOLOv5 عندما: تحتاج إلى إعداد نماذج أولية سريع وتجربة تدريب بسيطة ونشر طرفي محسّن. فهو مثالي للطائرات المسيّرة وتحليلات تجارة التجزئة وتطبيقات الأجهزة المحمولة التي يكون فيها انخفاض زمن الاستجابة أمراً 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#

مع أن YOLOv5 لا يزال خياراً موثوقاً وعملياً، فقد تطور مجال الرؤية الحاسوبية. وبالنسبة إلى المطورين الذين يبدأون مشاريع جديدة في عام 2026، فإن YOLO26 هو أحدث نماذج Ultralytics والموصى به.

استناداً إلى إرث أسلافه مثل YOLOv8 وYOLO11، يقدّم YOLO26 عدة ابتكارات:

  • تصميم شامل خالٍ من NMS: يلغي رأس YOLO26 الاختياري أحادي المطابقة (nms=False) الحاجة إلى المعالجة اللاحقة لكبح الصناديق غير القصوى. وهذا يقلل تفاوت زمن الاستجابة ويبسط بنية النشر.
  • استدلال CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n على CPU، ما يعود بالفائدة على أجهزة الذكاء الاصطناعي الطرفي منخفضة الطاقة ووحدات CPU القياسية التي لا تضم وحدات GPU مخصصة.
  • مُحسِّن MuSGD: يستلهم هذا المزيج الهجين من SGD وMuon تقنيات تدريب نماذج اللغات الكبيرة (LLM)، ويوفر تدريباً مستقراً وتقارباً سريعاً.
  • استراتيجيات تدريب متقدمة: يحسّن دمج ProgLoss وSTAL التعرّف على الأهداف الصغيرة، وهو أمر أساسي لصور الطائرات المسيّرة على ارتفاعات عالية والروبوتات.
  • إزالة DFL: تؤدي إزالة Distribution Focal Loss إلى تبسيط عملية تصدير النموذج، ما يحسّن التوافق مع مسرّعات الأجهزة المتنوعة.

قد يرغب المستخدمون المهتمون باستكشاف بنى حديثة أخرى ضمن منظومة Ultralytics في مقارنة نماذج مثل YOLOv10 أو RT-DETR.

الترحيل سهل

تستخدم واجهة Python البرمجية لـ Ultralytics الواجهة نفسها عبر أجيال النماذج. فإذا كنت تستخدم أوزان YOLOv5u في حزمة ultralytics، فالترقية إلى YOLO26 لا تتطلب سوى تغيير سلسلة أوزان النموذج في التعليمات البرمجية؛ أما المشاريع المبنية على مستودع YOLOv5 الأصلي، فيجب أولاً نقلها إلى حزمة ultralytics.

مثال برمجي: التدريب والاستدلال#

إليك طريقة تدريب نموذج YOLO وإجراء الاستدلال باستخدام حزمة Ultralytics. تعمل التعليمات البرمجية كما هي، وتتولى تلقائياً تنزيل مجموعة البيانات وحلقات التدريب والتحقق من الصحة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv5u (استبدله بـ 'yolo26n.pt' لتجربة 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 وصيانة منظومتها وإصدار تحديثات مثل YOLO26، تزوّد Ultralytics المطورين بأدوات حديثة لمعالجة تحديات ذكاء الرؤية الواقعية.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.