YOLOX مقابل EfficientDet: تقييم الكشف عن الكائنات بدون مرساة وقابل للتطوير

كان التطور في مجال اكتشاف الأجسام مدفوعًا بالسعي المستمر لتحقيق التوازن بين السرعة والدقة والكفاءة الحسابية. هناك نموذجان بارزان أثروا بشكل كبير على هذا المسار، وهما YOLOX و EfficientDet. في حين قدم YOLOX تصميمًا عالي التحسين وخاليًا من المراسي إلى YOLO ركز EfficientDet على بنية قابلة للتطوير باستخدام التوسع المركب و BiFPN. يقدم هذا الدليل مقارنة تقنية مفصلة بين بنياتهما ومقاييس الأداء ومنهجيات التدريب، مع تقديم بدائل حديثة مثل نموذج Ultralytics المتطور.

أصول النموذج والتفاصيل الفنية

قبل الخوض في الاختلافات الهيكلية بينهما، من المهم فهم الأصول والأبحاث الأساسية التي تستند إليها كلا النموذجين.

تفاصيل YOLOX:

المؤلفون: تشنغ قه، سونغتاو ليو، فنغ وانغ، زيمينغ لي، وجيان صن
المؤسسة:Megvii
التاريخ: 18 يوليو 2021
ArXiv:YOLOX: تجاوز YOLO في عام 2021
GitHub:Megvii-BaseDetection/YOLOX
الوثائق:الوثائق الرسمية لـ YOLOX

تعرف على المزيد حول YOLOX

تفاصيل EfficientDet:

المؤلفون: مينغشينغ تان، رومينغ بانغ، وكوك ف. لي
المؤسسة:Google Brain
التاريخ: 20 نوفمبر 2019
ArXiv:EfficientDet: كشف الأجسام القابل للتطوير والفعال
GitHub و Docs:Google EfficientDet

تعرف على المزيد حول EfficientDet

مقارنة معمارية

يكمن الاختلاف الأساسي بين YOLOX و EfficientDet في كيفية استخراج الميزات والتنبؤ بمربعات الحدود. إن فهم هياكل الكشف عن الكائنات هذه أمر بالغ الأهمية لاختيار النموذج المناسب لبيئة النشر الخاصة بك.

YOLOX: المبتكر الخالي من المراسي

أحدثت YOLOX ثورة في YOLO من خلال التحول من كاشف قائم على المرساة إلى تصميم خالٍ من المرساة. أدى هذا التحول إلى تقليل عدد معلمات التصميم بشكل كبير وتبسيط مسار التدريب.

تشمل الميزات المعمارية الرئيسية رأسًا منفصلًا، والذي يفصل بين مهام التصنيف والانحدار. وهذا يعالج التضارب بين تحديد ماهية الكائن والتنبؤ بمكانه بالضبط. علاوة على ذلك، يستخدم YOLOX استراتيجيات متقدمة لتعيين العلامات مثل SimOTA، والتي تعين بشكل ديناميكي عينات إيجابية للكائنات الحقيقية أثناء التدريب، مما يؤدي إلى تقارب أسرع وتوازن أداء فائق.

EfficientDet: التحجيم المركب و BiFPN

تتعامل EfficientDet مع اكتشاف الكائنات من منظور الكفاءة وقابلية التوسع. تم تطويرها بواسطة Google وهي تعتمد بشكل كبير على EfficientNet backbone لاستخراج الميزات.

وميزته المميزة هي شبكة هرم الميزات ثنائية الاتجاه (BiFPN). على عكس شبكات FPN التقليدية، تسمح شبكة BiFPN بدمج الميزات متعددة المقاييس بسهولة وسرعة من خلال إدخال أوزان قابلة للتعلم لتعلم أهمية الميزات المختلفة المدخلة. بالاقتران مع طريقة القياس المركبة التي تقيس الدقة والعمق والعرض بشكل موحد لجميع شبكات العمود الفقري وشبكات الميزات وشبكات التنبؤ بالصندوق/الفئة، يمكن لـ EfficientDet القياس من نماذج بحجم الهاتف المحمول (d0) إلى نماذج ضخمة من جانب الخادم (d7).

التعقيد المعماري

في حين أن التدرج المركب لـ EfficientDet يوفر مسارًا يمكن التنبؤ به لتحقيق دقة أعلى، إلا أنه غالبًا ما ينتج عنه رسوم بيانية حسابية معقدة قد يكون من الصعب تحسينها للحوسبة الحافة في الوقت الفعلي مقارنةً بتصميم YOLOX المبسط والخالي من المراسي.

تحليل الأداء والمقاييس

عند تقييم هذه النماذج لتطبيقات الرؤية الحاسوبية في العالم الواقعي، فإن المقاييس مثل متوسط الدقة المتوسطة وسرعة الاستدلال وعدد المعلمات تعتبر ذات أهمية قصوى.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLOXnano	416	25.8	-	-	0.91	1.08
YOLOXtiny	416	32.8	-	-	5.06	6.45
YOLOXs	640	40.5	-	2.56	9.0	26.8
YOLOXm	640	46.9	-	5.43	25.3	73.8
YOLOXl	640	49.7	-	9.04	54.2	155.6
YOLOXx	640	51.1	-	16.1	99.1	281.9

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

تحليل المقايضات

تسلط البيانات الضوء على اختلاف واضح في فلسفة التصميم. يحقق EfficientDet-d7 أعلى دقة إجمالية مع mAP مذهل بنسبة 53.7٪، ولكن بتكلفة باهظة على سرعة الاستدلال (128.07 مللي ثانية على GPU T4). على العكس من ذلك، يحقق YOLOXx معدل mAP تنافسيًا للغاية بنسبة 51.1٪ mAP الحفاظ على سرعة استدلال سريعة تبلغ 16.1 مللي ثانية، مما يجعله متفوقًا بشكل كبير في فهم الفيديو في الوقت الفعلي والروبوتات.

حالات الاستخدام والتوصيات

يعتمد الاختيار بين YOLOX و EfficientDet على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOX

YOLOX هو خيار قوي لـ:

أبحاث الكشف بدون مرساة: أبحاث أكاديمية تستخدم بنية YOLOX النظيفة والخالية من المراسي كأساس لتجربة رؤوس كشف جديدة أو وظائف خسارة.
أجهزة طرفية فائقة الخفة: يتم نشرها على وحدات التحكم الدقيقة أو الأجهزة المحمولة القديمة حيث يكون الحجم الصغير للغاية (0.91 مليون معلمة) لنسخة YOLOX-Nano أمرًا بالغ الأهمية.
دراسات تخصيص علامات SimOTA: مشاريع بحثية تبحث في الاستراتيجيات المثلى لتخصيص العلامات على أساس النقل وتأثيرها على تقارب التدريب.

متى تختار EfficientDet

يوصى باستخدام EfficientDet في الحالات التالية:

Google و TPU : أنظمة متكاملة بشكل عميق مع واجهات برمجة تطبيقات Google Vision أو TPU حيث يتمتع EfficientDet بتحسين أصلي.
أبحاث التوسع المركب: مقارنة أكاديمية تركز على دراسة آثار التوازن بين عمق الشبكة وعرضها وتوسع الدقة.
النشر عبر الأجهزة المحمولة باستخدام TFLite: المشاريع التي تتطلب بشكل خاص تصدير TensorFlow لأجهزة Android أجهزة Linux المدمجة.

متى تختار Ultralytics YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:

نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

البديل الحديث: Ultralytics

في حين أن YOLOX و EfficientDet يمثلان معالم بارزة، إلا أن مجال التعلم الآلي قد تطور بسرعة كبيرة. بالنسبة للمطورين الذين يتطلعون إلى نشر أنظمة رؤية متطورة اليوم، فإن الخيار الموصى به بشدة هو YOLO26، أحدث طراز رائد من Ultralytics في يناير 2026.

يوفر YOLO26 نظامًا بيئيًا جيد الصيانة وقفزة هائلة إلى الأمام في كل من السرعة وسهولة الاستخدام، متجاوزًا البنى القديمة في عدة مجالات رئيسية:

ابتكارات YOLO26 الرئيسية

تصميم شامل NMS: يلغي YOLO26 الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression (NMS). هذا النهج الشامل الأصلي، الذي تم ابتكاره في الأجيال السابقة، يبسط عملية التصدير ويقلل من زمن انتقال النشر.
CPU أسرع بنسبة تصل إلى 43٪ CPU : بفضل التحسينات العميقة في البنية وإزالة Distribution Focal Loss (DFL)، يتميز YOLO26 بسرعة ملحوظة على الأجهزة الطرفية التي تفتقر إلى وحدات معالجة رسومات منفصلة، متفوقًا بفارق كبير على المتغيرات الثقيلة من EfficientDet.
مُحسّن MuSGD: من خلال إدخال ابتكارات نموذج اللغة الكبيرة (LLM) إلى الرؤية، يستخدم YOLO26 مُحسّن MuSGD (مزيج من SGD Muon) لتدريب عالي الاستقرار وتقارب سريع، مما ينتج عنه كفاءة تدريب ممتازة.
ProgLoss + STAL: توفر وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لحالات الاستخدام مثل عمليات الطائرات بدون طيار وتحليل الصور الجوية.
تنوع لا مثيل له: على عكس YOLOX، الذي يقتصر على كشف الأجسام، يدعم YOLO26 بشكل أساسي مجموعة واسعة من المهام، بما في ذلك تقسيم المثيلات وتصنيف الصور وتقدير الوضع وكشف الصندوق المحيط الموجه (OBB).

تعرف على المزيد حول YOLO26

سهولة الاستخدام مع واجهة Ultralytics

تتمثل إحدى أهم مزايا Ultralytics في تجربة المستخدم المبسطة. يتطلب تدريب ونشر نموذج YOLO26 متطلبات ذاكرة أقل بكثير من نماذج المحولات المعقدة، ولا يتطلب سوى بضع أسطر من Python :

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for blazing-fast inference
model.export(format="engine", dynamic=True)

بالنسبة للمستخدمين الذين يفضلون الواجهات المرئية، توفر Ultralytics أدوات قوية لتعليق مجموعات البيانات وضبط المعلمات الفائقة والنشر السلس.

حالات الاستخدام في العالم الحقيقي

يعتمد اختيار البنية المناسبة بشكل كبير على قيود النشر الخاصة بك.

متى يجب التفكير في EfficientDet

يظل EfficientDet موضوعًا محل اهتمام أكاديمي في البيئات التي لا تهم فيها سرعة الاستدلال على الإطلاق، ويكون الهدف الوحيد فيها هو تحقيق أقصى دقة نظرية على الصور عالية الدقة. كما أن تطبيقه في TensorFlow يمكن أن يجذب الفرق التي تحتفظ Google القديمة Google .

متى تفكر في YOLOX

YOLOX مناسب للتطبيقات التي تتطلب توازنًا بين السرعة والدقة دون تعقيدات صناديق التثبيت. وقد أظهر أداءً جيدًا على مر التاريخ في سيناريوهات التصنيع الصناعي التي تتطلب الكشف السريع عن العيوب على سيور النقل.

لماذا YOLO26 هو الخيار الأفضل

يوفر YOLO26 الحل الأمثل لجميع التطبيقات الحديثة تقريبًا. يضمن تصميمه NMS زمن انتقال حتمي، مما يجعله الخيار المثالي للقيادة الذاتية وأنظمة الإنذار الأمني السريعة ونشر المدن الذكية. علاوة على ذلك، Ultralytics الدعم القوي من المجتمع والتحديثات المتكررة من Ultralytics أن المطورين لن يضطروا أبدًا إلى التعامل مع التبعيات المهملة.

يجب على المطورين الذين يستكشفون الرؤية الحاسوبية المتقدمة أن يبحثوا أيضًا في هياكل أخرى متعددة الاستخدامات ضمن Ultralytics ، مثل YOLO11 للنشرات القديمة المستقرة أو النماذج المتخصصة مثل FastSAM لمهام التجزئة القائمة على المطالبات. يضمن استخدام المجموعة الكاملة من Ultralytics توفير خط أنابيب رؤية AI مستقبلي ومُحسّن للغاية.