YOLOv8 مقابل EfficientDet#

في مجال اكتشاف الأجسام سريع التطور، يعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وسرعة الاستدلال وإمكانية النشر. تتناول هذه المقارنة التقنية بنيتين مؤثرتين: Ultralytics YOLOv8، وهو معيار متعدد الاستخدامات في منظومة الرؤية الحاسوبية الحديثة، وEfficientDet، وهو نموذج تأسيسي من Google معروف باستراتيجية التوسيع المركّب.

سواء كان النشر يستهدف خوادم سحابية عالية الأداء أو أجهزة طرفية محدودة الموارد، فإن فهم الاختلافات المعمارية بين هذه النماذج سيساعدك على اختيار الأنسب.

نظرة عامة على البنية#

يعالج كلا النموذجين تحدي تحديد الأجسام وتعيين مواقعها في الصورة باستخدام الشبكات العصبية الالتفافية، لكنهما يتبعان منهجيتين مختلفتين لاستخراج السمات وانحدار مربعات الإحاطة.

Ultralytics YOLOv8#

أصدرت Ultralytics نموذج YOLOv8 في يناير 2023، وكان خطوة كبيرة إلى الأمام لعائلة YOLO. وقد ألّفه Glenn Jocher وAyush Chaurasia وJing Qiu، وصُمم منذ البداية لدعم مهام متعددة في الرؤية، بما فيها اكتشاف الأجسام، وتجزئة الكائنات، وتصنيف الصور، وتقدير الوضعيات.

تقدم البنية رأس اكتشاف خاليًا من المراسي، ما يقلل عدد تنبؤات الصناديق ويسرّع Non-Maximum Suppression (NMS). ويستخدم العمود الفقري وحدة C2f (عنق زجاجة جزئي عبر المراحل مع التفافات ثنائية) لتحسين تدفق التدرجات أثناء التدريب مع الحفاظ على خفة البنية. وهذا يجعل YOLOv8 كفؤًا عند تحويله إلى تنسيقات مثل NVIDIA TensorRT أو ONNX.

EfficientDet#

ألّف Mingxing Tan وRuoming Pang وQuoc V. Le من Google نموذج EfficientDet، الذي صدر في أواخر 2019، ويركز على الكفاءة القابلة للتوسع. وكما ورد في ورقة arXiv الرسمية، يستند النموذج إلى أبحاث AutoML لدى Google.

السمة المميزة لـ EfficientDet هي شبكة هرم السمات ثنائية الاتجاه (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وبالاقتران مع عمود فقري EfficientNet، تستخدم البنية أسلوب التوسيع المركّب الذي يوسّع الدقة والعمق والعرض بالتساوي في الوقت نفسه لشبكات العمود الفقري والسمات والتنبؤ بالصناديق والفئات. ورغم أن ذلك يحقق كفاءة ممتازة في عدد المعلمات، فإن طوبولوجيا الشبكة المعقدة تميل إلى العمل ببطء على وحدات GPU مقارنةً بما يوحي به انخفاض عدد عمليات FLOP.

تعرّف على المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

عند مقارنة نماذج اكتشاف الأجسام، يُعد متوسط الدقة المتوسطة (mAP) وزمن استجابة الاستدلال المعيارين الأساسيين. يوضح الجدول أدناه مقارنة متغيرات YOLOv8 وعائلة EfficientDet (d0-d7) وفقًا للمقاييس القياسية على مجموعة بيانات COCO.

منهجيات التدريب والمنظومة#

تُعد تجربة المطور عاملًا حاسمًا عند اختيار بنية للتعلم الآلي، ويختلف دعم المجتمع وأدوات المنظومة اختلافًا كبيرًا بين هذين النموذجين.

يعتمد EfficientDet اعتمادًا كبيرًا على TensorFlow ومسارات عمل AutoML المتخصصة. ورغم فعاليته في التدريب السحابي الموزع واسع النطاق، فإن إعداد البيئة وضبط المراسي وتحليل ملفات الإعدادات الكثيفة في مستودع EfficientDet على GitHub قد يستغرق جهدًا كبيرًا.

على النقيض، بُني Ultralytics YOLOv8 أصليًا على PyTorch وصُمم لسهولة الاستخدام. ويمكن للمطورين بدء التدريب بسطر واحد من شيفرة Python أو بأمر CLI واحد. كما حُسّن استهلاك الذاكرة أثناء التدريب، لذا يستطيع المطورون الذين لديهم وحدات GPU استهلاكية متواضعة تدريب نماذج فعّالة مع أخطاء نفاد الذاكرة (OOM) أقل مما تسببه غالبًا البنى كثيفة الاستخدام لـ Transformer.

تضيف Ultralytics Platform واجهة لا تتطلب كتابة الشيفرات لإضافة التعليقات التوضيحية إلى مجموعات البيانات وتدريب النماذج ونشرها سحابيًا، فيما يساعد ضبط المعلمات الفائقة المدمج على تحسين الدقة في مجموعات البيانات المخصصة.

مثال على شيفرة Python: استدلال YOLOv8#

لا يتطلب تدريب YOLOv8 وتشغيله باستخدام مستودع Ultralytics على GitHub سوى بضعة أسطر من الشيفرة:

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLOv8 محليًا في PyTorch⁩
model = YOLO("yolov8n.pt")

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨إجراء استدلال سريع على عنوان URL لصورة⁩
inference_results = model("https://ultralytics.com/images/bus.jpg")

# ⁨عرض مربعات الإحاطة⁩
inference_results[0].show()

الجيل التالي: الترقية إلى Ultralytics YOLO26#

مع أن YOLOv8 لا يزال نموذجًا قادرًا على الاستخدام في الإنتاج، ينبغي للمطورين الذين يبدؤون مشاريع جديدة تقييم Ultralytics YOLO26، الذي صدر في يناير 2026 وأصبح الآن نموذج Ultralytics الموصى به.

يقدم YOLO26 تصميمًا أصليًا شاملًا خاليًا من NMS. ويلغي رأسه الاختياري أحادي المطابقة (nms=False) المعالجة اللاحقة باستخدام NMS، وهي خطوة استُخدمت منذ الإصدارات الأولى من YOLO، ما يقلل تفاوت زمن الاستجابة ويبسط النشر على الأجهزة منخفضة الطاقة.

يتضمن YOLO26 أيضًا عدة تحسينات في التدريب والبنية:

• محسّن MuSGD: يستلهم هذا المحسّن الهجين بين SGD وMuon تقنيات تدريب نماذج اللغة الكبيرة (LLM)، ويوفر تدريبًا مستقرًا وتقاربًا أسرع.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة NMS وDFL، يعمل YOLO26n بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n عند الاستدلال على CPU باستخدام ONNX، ما يجعله مناسبًا للأجهزة الطرفية التي تعتمد على CPU فقط ولا تحتوي على وحدات NPU مخصصة.
• ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة، ما يفيد تطبيقات الصور الجوية وكاميرات إنترنت الأشياء (IoT).
• إزالة DFL: تؤدي إزالة Distribution Focal Loss إلى تبسيط التصدير إلى تنسيقات مثل OpenVINO وCoreML.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين هذه البنى في نهاية المطاف على قيود النشر ومتطلبات الأنظمة القديمة لديك.

• اختر Ultralytics YOLOv8 إذا: كنت تطوّر تطبيقات متعددة الاستخدامات في الرؤية الحاسوبية تتطلب دقة عالية واستدلالًا آنيًا على GPU وتجربة تطوير مباشرة. ويجعله أداؤه القوي في مهام الاكتشاف والتجزئة والتصنيف خيارًا متعدد الاستخدامات لتحليلات البيع بالتجزئة والروبوتات وأنظمة الأمن.
• اختر EfficientDet إذا: كنت مقيدًا بمسارات عمل TensorFlow القديمة، وكان همك الأساسي تقليل عدد المعاملات وعمليات FLOPs النظرية، ربما لأغراض البحث بدلًا من النشر الصناعي الصارم في الزمن الحقيقي.
• اختر Ultralytics YOLO26 إذا: كنت تبدأ مشروعًا جديدًا. يُعد YOLO26 حاليًا نموذج Ultralytics الموصى به، وتناسب بنيته الأصلية الشاملة الخالية من NMS عمليات النشر الطرفية السريعة والمعالجة السحابية واسعة النطاق على حد سواء.

إذا كنت تستكشف نماذج أخرى ضمن منظومة Ultralytics، فيمكنك أيضًا التفكير في Ultralytics YOLO11 لتحقيق توازن مجرّب بين السرعة والدقة، أو RT-DETR لنهج قائم على Transformer في الاكتشاف الآني.