YOLOv6-3.0 مقابل EfficientDet
يتطلب اختيار البنية المثلى لمشاريع الرؤية الحاسوبية فهمًا عميقًا للمفاضلات بين السرعة والدقة وإمكانات النشر. تقدم صفحة المقارنة هذه تحليلًا معمقًا لنموذجين مختلفين لاكتشاف الكائنات: YOLOv6-3.0 وEfficientDet. ومع أن كلا النموذجين أسهم إسهامًا كبيرًا في المجال، غالبًا ما تستفيد عمليات النشر الحديثة على الأجهزة الطرفية والنمذجة الأولية السريعة من أطر عمل أكثر توحيدًا مثل منصة Ultralytics.
فيما يلي مخطط تفاعلي يوضح فروق الأداء بين هذه النماذج، لمساعدتك على فهم خصائص زمن الاستجابة والدقة لكل منها.
YOLOv6-3.0: معدل معالجة بمستوى صناعي#
صممت Meituan نموذج YOLOv6-3.0 تحديدًا ليكون إطار عمل عالي الأداء للكشف عن الأجسام أحادي المرحلة ومناسبًا للتطبيقات الصناعية. ويركز بشدة على تعظيم معدل الإنتاجية على أجهزة GPU، ما يجعله خيارًا قويًا لخطوط التصنيع عالية السرعة وتحليلات الفيديو غير المتصلة بالإنترنت.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
- المؤسسة: Meituan
- التاريخ: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
أبرز السمات المعمارية#
تعتمد بنية YOLOv6-3.0 على وحدة Bi-directional Concatenation (BiC) لتحسين دمج السمات عبر المقاييس المختلفة. ولضمان سرعات استدلال عالية، تستفيد من بنية أساسية EfficientRep محسّنة للغاية للتنفيذ على GPU. علاوة على ذلك، تستخدم استراتيجية التدريب بمساعدة المراسي (AAT)، التي تجمع بين مزايا الكواشف القائمة على المراسي والكواشف الخالية من المراسي أثناء مرحلة التدريب، مع الحفاظ على خط استدلال خالٍ من المراسي لتقليل زمن الاستجابة.
نقاط القوة والضعف#
يتألق YOLOv6-3.0 في البيئات التي تتوفر فيها أجهزة GPU مخصصة، إذ يوفر استدلالًا في الوقت الفعلي سريعًا باستخدام TensorRT. غير أن اعتماده الكبير على تحسينات خاصة بالأجهزة قد يؤدي إلى أداء دون المستوى الأمثل على أجهزة الذكاء الاصطناعي الطرفية التي تعتمد على CPU فقط. وإضافةً إلى ذلك، ورغم دعمه لبعض أساليب التكميم، فإن أدواته أقل توحيدًا من منظومة Ultralytics.
EfficientDet: بنية AutoML قابلة للتوسع#
طوّر فريق Google Research نموذج EfficientDet، ويتبع نهجًا مختلفًا جوهريًا. فبدلًا من تصميم الشبكة يدويًا، استخدم المؤلفون تعلم الآلة الآلي (AutoML) لتصميم بنية قابلة للتوسع توازن بين عدد المعاملات وعمليات FLOPs والدقة.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google Brain
- التاريخ: 2019-11-20
- arXiv: 1911.09070
- GitHub: google/automl
أبرز السمات المعمارية#
قدّم EfficientDet شبكة الهرم السماتي ثنائية الاتجاه (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وبالاقتران مع طريقة تحجيم مركّب تحجّم الدقة والعمق والعرض بالتساوي لجميع الشبكات الأساسية وشبكات السمات وشبكات التنبؤ بالمربعات والفئات، تتدرج نماذج EfficientDet من الإصدار المدمج d0 إلى الأكبر d7.
نقاط القوة والضعف#
يتسم EfficientDet بكفاءة عالية في استخدام المعلمات. فهو يحقق متوسط الدقة (mAP) بمستوى قوي باستخدام عدد قليل نسبيًا من المعلمات مقارنةً بكاشفات الأجسام الأقدم. غير أن التطبيق المرجعي مبني على TensorFlow، ما يؤدي إلى إدارة أكثر تعقيدًا للاعتماديات ودورات تدريب أبطأ واحتياجات ذاكرة أعلى أثناء التدريب مقارنةً بتطبيقات PyTorch المحسّنة. كما أن استدلاله على وحدات GPU الحديثة أبطأ بكثير من بنيات YOLO الأحدث.
تعرّف على المزيد عن EfficientDet
مقارنة مفصلة للأداء#
يقارن الجدول أدناه المواصفات التقنية لكل من YOLOv6-3.0 وEfficientDet عبر مقاييس متنوعة. لاحظ تفوق YOLOv6-3.0 في سرعة GPU، بينما يتوسع EfficientDet لتحقيق mAP أعلى على حساب زيادة كبيرة في زمن الاستجابة.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
عند مقارنة النماذج، تذكر أن FLOPs وعدد المعاملات لا يرتبطان دائمًا ارتباطًا دقيقًا بزمن الاستجابة في العالم الفعلي. فقد جرى تحسين YOLOv6-3.0 للعمل مع TensorRT، محققًا سرعات بالمللي ثانية رغم احتوائه على عدد عمليات FLOPs أعلى من نماذج EfficientDet الأقل مستوى.
ميزة منظومة Ultralytics#
مع أن YOLOv6-3.0 وEfficientDet يخدمان مجالات متخصصة، تتطلب مشروعات الرؤية الحاسوبية الحديثة تعدد الاستخدامات وسهولة الاستخدام ومنظومة جيدة الصيانة. وهذه هي نقاط قوة نماذج Ultralytics YOLO.
سهولة الاستخدام وكفاءة التدريب#
على خلاف EfficientDet، الذي يتطلب التعامل مع إعدادات TensorFlow المعقدة، بُنيت نماذج Ultralytics على أساس PyTorch سهل الاستخدام، مع واجهة API واحدة لـ Python. وتتولى منصة Ultralytics بقية دورة حياة تعلّم الآلة، من الوسم إلى النشر. وعادةً ما يتطلب تدريب نموذج Ultralytics ذاكرة CUDA أقل، ما يسرّع التجارب ويخفض تكاليف الحوسبة.
تعدد الاستخدامات#
يرتبط YOLOv6-3.0 وEfficientDet أساسًا بـالكشف عن الأجسام. وعلى النقيض، صُممت بنيات Ultralytics الحديثة بطبيعتها لدعم مهام متعددة. تتيح واجهة واحدة تدريب النماذج لمهام تجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، وتصنيف الصور، وتقدير الوضعية، ومربعات الإحاطة الموجّهة (OBB)، مع توفر التجزئة الدلالية وتقدير العمق في YOLO26.
تقديم Ultralytics YOLO26#
يُعد Ultralytics YOLO26 النموذج الموصى به للمطورين الباحثين عن أفضل توازن بين السرعة والدقة. وقد صدر في يناير 2026، ويقدم عدة تحسينات على كل من YOLOv6 وEfficientDet:
- تصميم شامل خالٍ من NMS: يلغي الرأس الاختياري من نوع واحد إلى واحد في YOLO26 (
nms=False) الحاجة إلى المعالجة اللاحقة لكبح غير الأقصى (NMS)، ما يقلل تفاوت زمن الاستجابة ويبسط منطق النشر على الأجهزة الطرفية. - محسّن MuSGD: يوفر هذا المزيج من SGD وMuon، المستوحى من تدريب نماذج اللغة الكبيرة (LLM)، تدريبًا مستقرًا وتقاربًا أسرع.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة Distribution Focal Loss (DFL)، يعمل YOLO26n على CPU بسرعة تفوق YOLO11n بنسبة تصل إلى 43%، ما يجعله مناسبًا لأجهزة إنترنت الأشياء منخفضة الطاقة.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة التعرّف على الأجسام الصغيرة، ما يجعل YOLO26 مناسبًا تمامًا لتطبيقات الصور الملتقطة بالطائرات المسيّرة والصور الجوية.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv6 وEfficientDet على متطلبات مشروعك وقيود النشر وتفضيلاتك للمنظومة.
متى تختار YOLOv6#
يُعد YOLOv6 خيارًا قويًا لـ:
- النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
- الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
- التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.
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 تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
مثال على التنفيذ: تدريب YOLO26#
توضح الشيفرة التالية مدى سهولة استخدام منظومة Ultralytics. فتدريب نموذج متطور لا يتطلب سوى تحميل الأوزان وتحديد مسار بياناتك.
from ultralytics import YOLO
# Load the highly optimized YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on a dataset with automatic hyperparameter handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")
# Run inference on a test image
prediction = model("https://ultralytics.com/images/bus.jpg")نماذج أخرى جديرة بالنظر#
إذا كنت تستكشف نماذج أخرى للكشف عن الأجسام، فضع هذه البدائل في الحسبان:
- YOLO11: الجيل السابق لـ YOLO26، ويوفر دعمًا لمهام متعددة ومجتمعًا كبيرًا.
- YOLOv10: أول بنية YOLO تقدم تدريبًا خاليًا من NMS، ممهدةً الطريق لاكتشاف حديث شامل من البداية إلى النهاية.
- RT-DETR: للسيناريوهات التي يُفضّل فيها استخدام البُنى القائمة على Transformer وآليات الانتباه بدلًا من شبكات CNN التقليدية.
الخلاصة#
مع أن YOLOv6-3.0 يوفر معدل نقل ممتازًا على وحدات GPU الصناعية، ويبرز EfficientDet إمكانات AutoML في إنشاء شبكات قابلة للتوسع وفعالة من حيث عدد المعاملات، فإن كلا النموذجين يعاني قيودًا في سهولة النشر وتعدد المهام الحديث.
بالنسبة إلى الغالبية العظمى من تطبيقات العالم الحقيقي، من النشر الطرفي على الأجهزة المحمولة إلى التحليلات السحابية، توفر منظومة Ultralytics توازنًا قويًا في الأداء. وباعتماد YOLO26، يحصل المطورون على استدلال اختياري خالٍ من NMS ودوال خسارة محسّنة للأجسام الصغيرة ومسار تدريب موحّد وموثّق جيدًا يختصر الطريق من النموذج الأولي إلى الإنتاج.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.