YOLOv7 مقابل EfficientDet#

يُعد اختيار معمارية الشبكة العصبية المناسبة أساس نجاح أي مشروع في الرؤية الحاسوبية. يقدم هذا الدليل مقارنة تقنية مفصلة بين نموذجين محوريين في تاريخ معماريات اكتشاف الأجسام: YOLOv7 وEfficientDet. ومن خلال دراسة ابتكاراتهما المعمارية ومنهجيات التدريب وسيناريوهات النشر المثالية، يستطيع المطورون اتخاذ قرارات مستنيرة. كما يتناول الدليل كيفية تفوق Ultralytics YOLO26 عليهما.

أصول النماذج والتفاصيل التقنية#

طوّرت فرق بحثية بارزة كلا النموذجين، وقدّما تطورات مهمة في مجال التعلّم الآلي.

YOLOv7

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• arXiv: YOLOv7: مجموعة حيل قابلة للتدريب تحقق أحدث مستوى من الأداء في كواشف الكائنات الآنية
• GitHub: WongKinYiu/yolov7
• الوثائق: وثائق Ultralytics YOLOv7

تعرّف على المزيد عن YOLOv7

EfficientDet

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• المؤسسة: Google Research
• التاريخ: 2019-11-20
• arXiv: EfficientDet: اكتشاف كائنات قابل للتوسع وفعّال
• GitHub: Google AutoML EfficientDet

تعرّف على المزيد عن EfficientDet

الاختلافات المعمارية والتحليل المتوازن#

يُعد فهم الاختلافات البنيوية الأساسية بين هذه الشبكات أمرًا بالغ الأهمية من أجل نشر النماذج بفاعلية.

EfficientDet: التوسع المركب وBiFPN#

طُوّر EfficientDet ضمن منظومة TensorFlow، وقدّم منهجًا مدروسًا لتوسيع النماذج. وبدلًا من زيادة عرض الشبكة أو عمقها عشوائيًا، استخدم باحثو Google أسلوب التوسيع المركّب الذي يوسّع الدقة والعمق والعرض بصورة متجانسة.

علاوة على ذلك، قدم EfficientDet شبكة هرم الميزات ثنائية الاتجاه (BiFPN). ويتيح هذا النوع من شبكات أهرام الميزات دمج الميزات متعددة المقاييس بسرعة.

نقاط القوة: كفاءة عالية في استخدام المعلمات، مع تحقيق متوسط الدقة (mAP) مرتفع باستخدام عدد أقل من عمليات FLOPs مقارنةً بالعديد من النماذج المعاصرة. نقاط الضعف: يعتمد بدرجة كبيرة على استراتيجيات البحث القديمة في AutoML. وقد يكون دمجه في سير عمل PyTorch الحديث والديناميكي مرهقًا، كما أن زمن الاستجابة على الأجهزة الطرفية غالبًا ما يتجاوز المتوقع رغم انخفاض عدد عمليات FLOPs.

YOLOv7: مجموعة مزايا قابلة للتدريب#

أعطى YOLOv7 الأولوية لـالاستدلال في الزمن الفعلي وتحسين التدريب. وقدم مفهوم شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، التي تتيح للنموذج تعلم ميزات أكثر تنوعًا باستمرار من دون إفساد مسار التدرج الأصلي. كما استخدم YOLOv7 تقنية تُسمى «المزايا المجانية القابلة للتدريب»، تحسن دقة الاكتشاف من دون زيادة تكلفة الاستدلال.

نقاط القوة: سرعات معالجة عالية وزمن استجابة استدلال مناسب، ما يجعله مثاليًا لتدفقات الفيديو ذات معدل الإطارات المرتفع. نقاط الضعف: على الرغم من قدراته العالية، فإنه لا يزال يعتمد على صناديق المراسي ويتطلب قمع الحدود الأقصى (NMS) أثناء المعالجة اللاحقة، ما قد يؤدي إلى اختناق زمن الاستجابة في المشاهد شديدة الازدحام.

مقاييس الأداء والمعايير المرجعية#

يقارن الجدول أدناه مقاييس الأداء الرئيسية، ما يمكّن المطوّرين من تقييم المفاضلات بين السرعة وعدد المعلمات والدقة.

كما يتضح، يحقق EfficientDet-d7 قيمة mAP عالية، لكن سرعته على TensorRT أقل بكثير من إصدارات YOLOv7، ما يبرز أفضلية الأخيرة في اكتشاف الأجسام في الزمن الفعلي باستخدام تسريع GPU.

تطور اكتشاف الأجسام: YOLO26#

على الرغم من أن YOLOv7 وEfficientDet أرسيا أسسًا مهمة، فإن مشهد ذكاء الرؤية يتطور بسرعة. للتطبيقات الحديثة التي تتطلب أفضل كفاءة ودقة، فإن الترقية الموصى بها هي YOLO26، الذي أُطلق في يناير 2026.

يعالج YOLO26 قيود الأجيال السابقة، ويوفر تعدد استخدامات واسعًا في اكتشاف الأجسام وتجزئة الكائنات والتجزئة الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعيات واكتشاف الصناديق المحيطة الموجّهة (OBB).

أبرز ابتكارات YOLO26#

• تصميم شامل خالٍ من NMS: يوفّر YOLO26 رأسًا اختياريًا أحادي المطابقة (nms=False) يتجاوز معالجة كبح الصناديق المحددة غير القصوى (NMS) اللاحقة. وقد أدخل YOLOv10 هذا التصميم إلى نماذج YOLO، وهو يبسط منطق النشر ويحافظ على ثبات زمن الاستجابة بغض النظر عن كثافة الكائنات.
• إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى تبسيط بنية النموذج، وتحسين التوافق مع بيئات الحوسبة الطرفية شديدة التقييد.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n، ما يجعله مناسبًا للأجهزة التي لا تحتوي على وحدات GPU مخصصة.
• مُحسِّن MuSGD: استلهامًا من تقنيات نماذج اللغة الكبيرة، مثل Kimi K2 من Moonshot AI، يجمع هذا النهج الهجين بين SGD وMuon ليحقق تدريبًا أكثر استقرارًا وتقاربًا أسرع في تدريب الرؤية الحاسوبية.
• ProgLoss + STAL: تعمل الخسارة التزايدية وإسناد التسميات المراعي للأهداف الصغيرة على تحسين التعرّف على الأجسام الصغيرة، وهو أمر مهم في الصور الجوية وتطبيقات الطائرات المسيّرة.
• تحسينات خاصة بالمهام: تشمل خسارة التقسيم الدلالي ونموذجًا أوليًا متعدد المقاييس لمهام التقسيم، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات حدود مربع الإحاطة الموجّه (OBB).

بالنسبة إلى الفرق التي تستخدم حاليًا أنظمة قديمة، يوفّر الانتقال إلى منصة Ultralytics سير عمل مبسّطًا يتيح تدريب هذه النماذج ونشرها بسهولة. ويمكن للمطورين أيضًا استكشاف الأجيال السابقة، مثل YOLO11 وYOLOv8، وفقًا لمتطلبات التوافق العكسي المحددة.

تدريب مبسّط وسهولة الاستخدام#

من السمات المميزة لنماذج Ultralytics سهولة الاستخدام. فعلى خلاف إعداد بيئات TensorFlow AutoML الخاصة بـ EfficientDet، الذي يتطلب إعدادًا معقدًا واعتماديات متعددة، توفّر Ultralytics واجهة API بسيطة بأسلوب Python.

تحافظ هذه البيئة على انخفاض استخدام ذاكرة CUDA أثناء التدريب، ما يساعد على تدريب مجموعات البيانات الكبيرة دون أخطاء نفاد الذاكرة (OOM) الشائعة في البنى المعتمدة على المحوّلات.

مثال برمجي: البدء باستخدام Ultralytics#

يوضح المقتطف التالي كيفية استفادة المطورين من حزمة Ultralytics لتدريب نموذج YOLO26 مباشرةً.

from ultralytics import YOLO

# Initialize a YOLO26 nano model for object detection
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 example dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # GPU index; use device='cpu' to train on CPU
    batch=16,
)

# Validate the model's performance
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment (e.g., OpenVINO for CPU optimization)
model.export(format="openvino")

حالات الاستخدام المثالية والتطبيقات الواقعية#

عند تصميم حل، من المهم مواءمة نقاط قوة النموذج مع حالة الاستخدام المحددة.

متى تستخدم EfficientDet#

يظل EfficientDet خيارًا للأبحاث الأكاديمية القديمة أو البيئات المرتبطة حصريًا بمنظومة Google Cloud، حيث تكون تجارب التوسيع المركّب هي محور التركيز الأساسي. وتفيد إصداراته الأصغر (d0-d2) عندما تكون مساحة التخزين محدودة للغاية.

متى تستخدم YOLOv7#

يتفوق YOLOv7 في إعدادات الأنظمة القديمة عالية الأداء، ولا سيما عندما يُفضّل الدمج مع PyTorch على TensorFlow. ولا يزال واسع الانتشار في:

• تحليلات الفيديو: معالجة تدفقات كاميرات الأمن ذات معدل الإطارات المرتفع، حيث تتوفر موارد كثيرة لتسريع GPU.
• الفحص الصناعي: اكتشاف العيوب على خطوط تجميع التصنيع السريعة.

متى تختار YOLO26#

لعمليات النشر الجديدة، يُوصى باختيار YOLO26. ويجعله توازن الأداء ومنظومته المدارة جيدًا خيارًا مناسبًا لما يلي:

• المدن الذكية وإدارة حركة المرور: يحافظ رأسه الاختياري الخالي من NMS على ثبات زمن الاستدلال لتنسيق حركة المرور في الوقت الفعلي.
• الروبوتات والأنظمة الذاتية: يساعد الاستدلال على CPU الأسرع بنسبة تصل إلى 43% في YOLO26n مقارنةً بـ YOLO11n على إبقاء الملاحة سريعة الاستجابة على الأجهزة المضمّنة.
• المراقبة الزراعية والجوية: استخدام ProgLoss وSTAL لتحديد الأجسام الصغيرة، مثل محاصيل معينة أو الحياة البرية، في الصور الملتقطة من ارتفاعات عالية.

باختصار، يقدّم EfficientDet وYOLOv7 سياقًا تاريخيًا قيّمًا وفائدة محددة في مجالات متخصصة، لكن مهندس الرؤية الحاسوبية اليوم سيستفيد أكثر من اعتماد بنية Ultralytics YOLO26، التي تعالج الاختناقات السابقة في النشر وسرعة CPU ودقة التعرّف على الأجسام الصغيرة.