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 خصيصًا ليكون إطار عمل عالي الأداء وأحادي المرحلة لاكتشاف الكائنات، ومهيأً للتطبيقات الصناعية. ويركز بدرجة كبيرة على تعظيم معدل النقل على عتاد 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 يتوفر فيها عتاد GPU مخصص، إذ يوفر استدلالًا آنيًا فائق السرعة باستخدام TensorRT. لكن اعتماده الكبير على تحسينات عتادية محددة قد يؤدي إلى أداء دون المستوى الأمثل على أجهزة الذكاء الاصطناعي الطرفية التي تعتمد على CPU فقط. وإضافةً إلى ذلك، فعلى الرغم من دعمه لبعض أساليب التكميم، تفتقر المنظومة إلى البساطة الشاملة الموجودة في أطر عمل Ultralytics الحديثة.
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#
قدم EfficientDet شبكة هرمية للسمات ثنائية الاتجاه (BiFPN)، تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وبالاقتران مع أسلوب تحجيم مركب يوسّع الدقة والعمق والعرض بصورة موحدة لجميع الشبكات الأساسية وشبكات السمات وشبكات التنبؤ بالصناديق والفئات، تتدرج نماذج EfficientDet من d0 شديدة الصغر إلى d7 الضخمة.
نقاط القوة والضعف#
يتميز EfficientDet بكفاءة عالية في استخدام المعاملات. فهو يحقق متوسط دقة (mAP) قويًا بعدد معاملات أقل نسبيًا مقارنةً بكواشف الكائنات الأقدم. لكن البنية متجذرة بعمق في منظومات TensorFlow القديمة. وينتج عن ذلك تعقيد في إدارة التبعيات، ودورات تدريب أبطأ، ومتطلبات ذاكرة أعلى أثناء التدريب مقارنةً بتنفيذات PyTorch المحسّنة. علاوة على ذلك، تكون سرعة استدلاله على وحدات GPU الحديثة أبطأ بكثير من بُنى YOLO الحديثة.
تعرّف على المزيد عن EfficientDet
مقارنة مفصلة للأداء#
يقارن الجدول أدناه المواصفات التقنية لـYOLOv6-3.0 وEfficientDet عبر مقاييس متنوعة. لاحظ تفوق YOLOv6-3.0 في سرعة GPU، بينما يتدرج EfficientDet إلى mAP أعلى على حساب زمن استجابة كبير.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 | 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 |
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 استخدام محددة، تتطلب مشاريع الرؤية الحاسوبية الحديثة تعدد الاستخدامات وسهولة الاستخدام ومنظومة جيدة الصيانة. وهنا تتفوق نماذج Ultralytics YOLO حقًا.
سهولة الاستخدام وكفاءة التدريب#
على عكس EfficientDet، الذي يتطلب التعامل مع إعدادات TensorFlow المعقدة، ترتكز نماذج Ultralytics على أساس PyTorch سهل الاستخدام. وتقدم منصة Ultralytics واجهة API مبسطة تسهّل دورة حياة تعلم الآلة بأكملها. ويتطلب تدريب نموذج Ultralytics قدرًا أقل بكثير من ذاكرة CUDA، ما يسرّع التجارب ويخفض تكاليف الحوسبة.
تعدد استخدامات لا مثيل له#
يركز YOLOv6-3.0 وEfficientDet أساسًا على اكتشاف الكائنات. وعلى النقيض من ذلك، تتميز بُنى Ultralytics الحديثة بطبيعتها متعددة المهام. إذ تتيح واجهة واحدة تدريب النماذج لمهام تجزئة الكائنات وتصنيف الصور وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB).
تقديم Ultralytics YOLO26#
يمثل Ultralytics YOLO26 تحولًا جذريًا للمطورين الساعين إلى التوازن الأمثل في الأداء. وقد صدر في يناير 2026، مقدمًا عدة ابتكارات رائدة تتفوق على YOLOv6 وEfficientDet:
- تصميم شامل من البداية إلى النهاية دون NMS: تلغي الترويسة الاختيارية one-to-one في YOLO26 (
nms=False) الحاجة إلى المعالجة اللاحقة لكبت الصناديق غير القصوى (NMS)، ما يخفض تفاوت زمن الاستجابة بدرجة كبيرة ويبسط منطق النشر على الأجهزة الطرفية. - محسّن MuSGD: يستلهم هذا المحسّن الهجين من تدريب نماذج LLM، ويضمن استقرار التدريب وسرعة التقارب الفائقة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة Distribution Focal Loss (DFL)، يصبح YOLO26 أكثر كفاءة بكثير على وحدات CPU وأجهزة إنترنت الأشياء منخفضة الطاقة مقارنةً بالنماذج القديمة.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات كبيرة في التعرف على الكائنات الصغيرة، ما يجعل YOLO26 مثاليًا لتطبيقات الطائرات المسيّرة والتصوير الجوي.
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: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
- 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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
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 seamlessly
prediction = model("https://ultralytics.com/images/bus.jpg")نماذج أخرى جديرة بالنظر#
إذا كنت تستكشف المشهد الأوسع لنماذج الرؤية الحاسوبية، فضع هذه البدائل في الحسبان:
- YOLO11: السلف الناجح للغاية لـYOLO26، ويوفر إمكانات قوية متعددة المهام ودعمًا واسعًا من المجتمع.
- 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 التطبيقات الواقعية، بدءًا من النشر الطرفي على الهواتف المحمولة وصولًا إلى التحليلات السحابية، تقدم منظومة Ultralytics توازنًا في الأداء لا مثيل له. وباعتماد YOLO26، يحصل المطورون على استدلال متطور خالٍ من NMS، ودوال خسارة متقدمة للكائنات الصغيرة، وخط تدريب موحد وموثق جيدًا يسرّع الانتقال من النموذج الأولي إلى الإنتاج بدرجة كبيرة.