YOLOv8 مقابل EfficientDet#
في المجال سريع التطور لـاكتشاف الأجسام، يُعد اختيار بنية الشبكة العصبية المثلى أمرًا حاسمًا لتحقيق التوازن بين الدقة وسرعة الاستدلال وإمكانية النشر. تقارن هذه الدراسة التقنية المتعمقة بين بنيتين مؤثرتين للغاية: Ultralytics YOLOv8، وهو معيار متعدد الاستخدامات في منظومة الرؤية الحاسوبية الحديثة، وEfficientDet، وهو نموذج تأسيسي من Google يشتهر باستراتيجية التحجيم المركب.
سواء كان النشر يستهدف خوادم سحابية عالية الأداء أو أجهزة طرفية محدودة الموارد، فإن فهم الفروق المعمارية الدقيقة بين هذه النماذج سيوجه مشروعك نحو النجاح.
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#
أصدرته Ultralytics في يناير 2023، وشكّل YOLOv8 قفزة كبيرة إلى الأمام في سلسلة عائلة YOLO. وقد ألّفه Glenn Jocher وAyush Chaurasia وJing Qiu، وصُمم منذ البداية لدعم مهام الرؤية المتعددة بسلاسة، بما فيها اكتشاف الأجسام وتقسيم الكائنات وتقدير الوضعية وتصنيف الصور.
تقدم البنية رأس اكتشاف خاليًا من المراسي، ما يقلل كثيرًا عدد تنبؤات المربعات ويسرّع كبت غير الحد الأقصى (NMS). ويستخدم العمود الفقري وحدة C2f الجديدة (عنق زجاجة جزئي عبر المراحل مع التفافين) لتحسين تدفق التدرجات أثناء التدريب مع الحفاظ على حجم خفيف. وهذا يجعل YOLOv8 فعالًا للغاية عند تحويله إلى تنسيقات مثل NVIDIA TensorRT أو ONNX.
EfficientDet#
ألّفه Mingxing Tan وRuoming Pang وQuoc V. Le في Google، وصدر في أواخر عام 2019، ويركز EfficientDet على الكفاءة القابلة للتوسع. ويستفيد النموذج بدرجة كبيرة من منظومة AutoML، كما هو موضح في ورقة arXiv الرسمية.
تتمثل السمة المميزة لـEfficientDet في شبكة هرمية ثنائية الاتجاه للسمات (BiFPN)، التي تتيح دمج السمات متعددة المقاييس بسهولة وسرعة. وبالاقتران مع عمود فقري من EfficientNet، تستخدم البنية طريقة تحجيم مركب تحجّم الدقة والعمق والعرض بشكل موحد لشبكات العمود الفقري والسمات والتنبؤ بالمربعات والفئات في الوقت نفسه. ورغم أن ذلك يحقق كفاءة ممتازة في استخدام المعاملات، فإن طوبولوجيا الشبكة المعقدة كثيرًا ما تعجز عن بلوغ سرعات مثلى في الزمن الحقيقي على وحدات GPU القياسية.
تعرّف على المزيد عن EfficientDet
مقارنة الأداء والمقاييس#
عند مقارنة كواشف الأجسام، يُعد متوسط الدقة (mAP) وزمن استجابة الاستدلال المعيارين الأساسيين. يوضح الجدول أدناه كيفية مقارنة متغيرات YOLOv8 وعائلة EfficientDet (d0-d7) عبر المقاييس القياسية على مجموعات بيانات مثل COCO.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
على الرغم من أن EfficientDet يحقق دقة جديرة بالثناء مع عدد أقل من عمليات FLOPs النظرية، فإن Ultralytics YOLOv8 يتفوق في سرعات الاستدلال على GPU في العالم الحقيقي. فعلى سبيل المثال، يحقق YOLOv8x قيمة mAP أعلى قليلًا (53.9) من EfficientDet-d7 (53.7)، لكنه يعالج الصور بسرعة أكبر بكثير على GPU من طراز T4 (14.37ms مقابل 128.07ms)، ما يجعل YOLOv8 الخيار الواضح لتحليلات الفيديو في الزمن الحقيقي.
منهجيات التدريب والمنظومة#
تجربة المطورين عامل حاسم عند اختيار بنية للتعلم الآلي. وهنا يُحدث دعم مجتمع المصدر المفتوح وأدوات المنظومة فرقًا حقيقيًا بين هذه النماذج.
يعتمد EfficientDet بدرجة كبيرة على TensorFlow ومسارات AutoML المتخصصة. وعلى الرغم من فعاليته في التدريب السحابي الموزع على نطاق واسع، فقد يكون إعداد البيئة وضبط المراسي وتحليل ملفات الإعداد الكثيفة في مستودع EfficientDet على GitHub مهمة شاقة لفرق الهندسة سريعة الوتيرة.
في المقابل، بُني Ultralytics YOLOv8 محليًا على PyTorch، ما يوفر سهولة استخدام لا مثيل لها. ويمكن للمطورين بدء حلقات تدريب معقدة بسطر واحد من شيفرة Python أو بأمر CLI. إضافةً إلى ذلك، جرى تحسين متطلبات ذاكرة النموذج أثناء التدريب بدرجة كبيرة؛ إذ يتيح YOLOv8 للمطورين الذين يستخدمون وحدات GPU استهلاكية متواضعة تدريب نماذج متينة دون مواجهة أخطاء نفاد الذاكرة (OOM) التي كثيرًا ما تعاني منها البنى المعتمدة بكثافة على Transformer.
يرتقي التكامل السلس مع منصة Ultralytics بهذه الإمكانات إلى مستوى أعلى، إذ يوفر واجهة بلا شيفرة لإضافة التعليقات التوضيحية إلى مجموعات البيانات وتدريب النماذج ونشرها سحابيًا بنقرة واحدة. وتضمن ميزات مثل الضبط التلقائي للمعلمات الفائقة الحصول دائمًا على أفضل دقة ممكنة لمجموعات البيانات المخصصة.
مثال على شيفرة Python: استدلال YOLOv8#
إن تشغيل كاشف متطور باستخدام مستودع Ultralytics على GitHub أمر بسيط للغاية:
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#
على الرغم من أن YOLOv8 يظل نموذجًا إنتاجيًا عالي الكفاءة، ينبغي للباحثين والمطورين الساعين إلى أحدث مستويات أداء الذكاء الاصطناعي تقييم Ultralytics YOLO26، الذي صدر في يناير 2026.
يعيد YOLO26 تعريف نهج اكتشاف الأجسام من خلال تقديم تصميم محلي شامل من البداية إلى النهاية وخالٍ من NMS. ومن خلال إزالة الحاجة إلى كبت غير الحد الأقصى أثناء المعالجة اللاحقة بفضل رأسه الاختياري أحادي المطابقة (nms=False) —وهو عنق زجاجة قائم منذ إصدارات YOLO الأولى— يُلغى تباين زمن الاستجابة عمليًا. وهذا يمثل نقلة نوعية للنشر على الأجهزة منخفضة الطاقة.
إضافةً إلى ذلك، يدمج YOLO26 عدة ابتكارات رائدة في التدريب:
- محسّن MuSGD: استنادًا إلى تقنيات متقدمة لتدريب نماذج اللغة الكبيرة، يضمن هذا المزيج من SGD وMuon تدريبًا مستقرًا للغاية ويسرّع معدلات التقارب بدرجة كبيرة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة NMS والعمود الفقري المحسّن بدرجة كبيرة، يحقق YOLO26 سرعات غير مسبوقة على الأجهزة الطرفية المعتمدة على CPU فقط، دون الحاجة إلى وحدات NPU مخصصة.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه قفزة ملحوظة في دقة التعرف على الأجسام الصغيرة، ما يجعل YOLO26 ضروريًا للصور الجوية ومستشعرات إنترنت الأشياء عالية الدقة.
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية بالكامل لتبسيط عملية التصدير بدرجة كبيرة 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 تطور تطبيقات حديثة ومتعددة الاستخدامات للرؤية الحاسوبية تتطلب دقة عالية واستدلالًا آنيًا على GPU وتجربة سلسة للمطورين. ويجعل أداؤه القوي في مهام التصنيف والتقسيم والاكتشاف منه أداة متعددة الاستخدامات لتحليلات البيع بالتجزئة والروبوتات وأنظمة الأمان.
- 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 وتحتاج إلى أفضل خيار ممكن. فبنيته المحلية الشاملة من البداية إلى النهاية والخالية من NMS تجعله الخيار الأمثل للنشر فائق السرعة على الحافة والمعالجة السحابية المكثفة على حد سواء.
إذا كنت تستكشف أطرًا أخرى عالية الكفاءة ضمن منظومة Ultralytics، فيمكنك أيضًا النظر في Ultralytics YOLO11 للاستفادة من أداء متوازن مع الأنظمة القديمة، أو RT-DETR لنهج قائم على Transformer في الاكتشاف الآني.