YOLOX مقابل EfficientDet#

كان السعي المتواصل إلى تحقيق التوازن بين السرعة والدقة والكفاءة الحسابية محركًا لتطور اكتشاف الكائنات. ومن أبرز النماذج التي أثرت في هذا المسار YOLOX وEfficientDet. قدّم YOLOX تصميمًا خاليًا من المراسي ومحسّنًا بدرجة كبيرة إلى عائلة YOLO، بينما ركّز EfficientDet على بنية قابلة للتوسع تستخدم التوسيع المركّب وBiFPN. يقدّم هذا الدليل مقارنة تقنية مفصلة لبنيتيهما، ومقاييس أدائهما، ومنهجيات تدريبهما، كما يعرّف ببدائل حديثة مثل نموذج Ultralytics YOLO26 المتطور.

أصول النماذج والتفاصيل التقنية#

قبل التعمق في الاختلافات البنيوية بينهما، من المهم فهم أصول النموذجين والأبحاث التأسيسية التي استندا إليها.

تفاصيل YOLOX:

• المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
• المؤسسة: Megvii
• التاريخ: 18 يوليو 2021
• arXiv: YOLOX: تجاوز سلسلة YOLO في عام 2021
• GitHub: Megvii-BaseDetection/YOLOX
• الوثائق: الوثائق الرسمية لـ YOLOX

تعرّف على المزيد حول YOLOX

تفاصيل EfficientDet:

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• الجهة: Google Brain
• التاريخ: 20 نوفمبر 2019
• arXiv: EfficientDet: اكتشاف كائنات قابل للتوسع وفعّال
• GitHub والوثائق: Google AutoML EfficientDet

تعرّف على المزيد عن EfficientDet

مقارنة البنى#

يكمن الفرق الأساسي بين YOLOX وEfficientDet في طريقة استخراجهما للسمات والتنبؤ بصناديق الإحاطة. ويُعد فهم معماريات اكتشاف الكائنات هذه أمرًا أساسيًا لاختيار النموذج المناسب لبيئة النشر.

YOLOX: الابتكار الخالي من المراسي#

أحدث YOLOX تحولًا في سلسلة YOLO بانتقاله من كاشف قائم على المراسي إلى تصميم خالٍ منها. وقد قلّل هذا الانتقال عدد معلمات التصميم بدرجة كبيرة، وبسّط مسار التدريب.

تشمل الميزات المعمارية الرئيسية رأسًا مفصولًا يفصل مهمتي التصنيف والانحدار. ويعالج ذلك التعارض بين تحديد ما هو الكائن والتنبؤ بدقة بمكانه. علاوة على ذلك، يستخدم YOLOX استراتيجيات متقدمة لتعيين التسميات، مثل SimOTA، التي تعيّن العينات الإيجابية ديناميكيًا إلى الكائنات المرجعية أثناء التدريب، ما يؤدي إلى تقارب أسرع وتوازن أفضل للأداء.

EfficientDet: التوسع المركب وBiFPN#

يتعامل EfficientDet مع اكتشاف الكائنات من منظور الكفاءة وقابلية التوسع. وقد طوّرته Google، ويعتمد اعتمادًا كبيرًا على الشبكة الأساسية EfficientNet لاستخراج السمات.

تتمثل ميزته الأساسية في شبكة هرم السمات ثنائية الاتجاه (BiFPN). وعلى عكس شبكات FPN التقليدية، تتيح BiFPN دمج السمات متعددة المقاييس بسهولة وسرعة من خلال إدخال أوزان قابلة للتعلّم لتحديد أهمية سمات الإدخال المختلفة. وبالاقتران مع طريقة التوسيع المركّب، التي توسّع الدقة والعمق والعرض بانتظام في الشبكة الأساسية وشبكة السمات وشبكات التنبؤ بالصناديق والفئات، يستطيع EfficientDet التدرج من نماذج بحجم الهواتف المحمولة (d0) إلى نماذج خوادم ضخمة (d7).

تحليل الأداء والمقاييس#

عند تقييم هذه النماذج لتطبيقات الرؤية الحاسوبية في العالم الحقيقي، تكون مقاييس مثل متوسط الدقة الوسطي، وسرعة الاستدلال، وعدد المعلمات بالغة الأهمية.

تحليل المفاضلات#

تُبرز البيانات تباينًا واضحًا في فلسفة التصميم. يحقق EfficientDet-d7 أعلى دقة إجمالية، إذ يبلغ mAP لديه 53.7%، لكن ذلك يأتي على حساب كبير في سرعة الاستدلال (128.07 مللي ثانية على GPU من طراز T4). وعلى النقيض، يحقق YOLOXx نسبة mAP تنافسية جدًا تبلغ 51.1%، مع الحفاظ على سرعة استدلال تبلغ 16.1 مللي ثانية، ما يجعله متفوقًا كثيرًا في فهم الفيديو والروبوتات في الزمن الحقيقي.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX وEfficientDet على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات المنظومة.

متى تختار YOLOX#

يُعد YOLOX خيارًا قويًا لـ:

• أبحاث الاكتشاف دون مراسي: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة والخالية من المراسي أساسًا لتجربة رؤوس اكتشاف أو دوال خسارة جديدة.
• الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
• دراسات إسناد التسميات باستخدام SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.

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.

البديل الحديث: Ultralytics YOLO26#

على الرغم من أن YOLOX وEfficientDet شكّلا محطتين مهمتين، فقد تطور مجال التعلم الآلي بسرعة. وبالنسبة إلى المطورين الذين يرغبون في نشر أنظمة رؤية متطورة اليوم، فإن الخيار الموصى به بشدة هو YOLO26، أحدث نموذج رائد من Ultralytics، الذي أُطلق في يناير 2026.

يوفّر YOLO26 منظومة تحظى بصيانة جيدة وقفزة هائلة إلى الأمام في السرعة وسهولة الاستخدام، متفوقًا على المعماريات القديمة في عدة جوانب رئيسية:

أبرز ابتكارات YOLO26#

• تصميم شامل خالٍ من NMS: يزيل الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) الحاجة إلى المعالجة اللاحقة باستخدام كبت غير الأعظم (NMS). يبسّط هذا النهج الشامل والأصيل، الذي طُوّر في أجيال سابقة، عملية التصدير ويقلل زمن استجابة النشر بدرجة كبيرة.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل التحسينات المعمارية العميقة وإزالة خسارة التوزيع البؤرية (DFL)، يتميز YOLO26 بسرعة فائقة على الأجهزة الطرفية التي لا تحتوي على وحدات GPU منفصلة، متفوقًا كثيرًا على إصدارات EfficientDet الثقيلة.
• مُحسِّن MuSGD: ينقل YOLO26 ابتكارات نماذج اللغة الكبيرة (LLM) إلى مجال الرؤية، مستخدمًا مُحسِّن MuSGD، وهو مزيج هجين من SGD وMuon، لتحقيق تدريب مستقر للغاية وتقارب سريع، ما يفضي إلى كفاءة تدريب ممتازة.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لحالات استخدام مثل عمليات الطائرات المسيّرة وتحليل الصور الجوية.
• تعدد استخدامات لا يُضاهى: على عكس YOLOX، الذي يقتصر على اكتشاف الكائنات، يدعم YOLO26 أصليًا طيفًا واسعًا من المهام، بما يشمل تجزئة الكائنات، وتصنيف الصور، وتقدير الوضعية، واكتشاف صناديق الإحاطة الموجّهة (OBB).

سهولة الاستخدام مع واجهة Ultralytics البرمجية#

تُعد تجربة المستخدم المبسّطة من أبرز مزايا نماذج Ultralytics. ويتطلب تدريب نموذج YOLO26 ونشره متطلبات ذاكرة أقل بكثير من نماذج Transformer المعقدة، ولا يحتاج إلا إلى بضعة أسطر من شيفرة Python:

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLO26 الشامل أصليًا⁩
model = YOLO("yolo26n.pt")

# ⁨درّب النموذج بسهولة على مجموعة بياناتك المخصصة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨صدّر النموذج المدرّب إلى TensorRT لاستدلال فائق السرعة⁩
model.export(format="engine", dynamic=True)

للمستخدمين الذين يفضّلون الواجهات المرئية، توفّر منصة Ultralytics أدوات قوية لتعليق مجموعات البيانات، وضبط المعلمات الفائقة، والنشر السلس.

حالات الاستخدام في العالم الحقيقي#

يعتمد اختيار المعمارية المناسبة بدرجة كبيرة على قيود النشر الخاصة بك.

متى تختار EfficientDet#

يظل EfficientDet موضع اهتمام أكاديمي في البيئات التي لا تكون فيها سرعة الاستدلال مهمة إطلاقًا، ويكون الهدف الوحيد هو تحقيق أقصى دقة نظرية على الصور عالية الدقة. كما قد يجذب تنفيذه ضمن منظومة TensorFlow الفرق التي تتولى صيانة البنى التحتية القديمة والموروثة من Google.

متى ينبغي التفكير في YOLOX#

يناسب YOLOX التطبيقات التي تتطلب توازنًا بين السرعة والدقة دون تعقيدات مربعات المراسي. وقد حقق تاريخيًا أداءً جيدًا في سيناريوهات التصنيع الصناعي التي تتطلب اكتشاف العيوب بسرعة على السيور الناقلة.

لماذا يُعد YOLO26 الخيار الأفضل#

يوفّر YOLO26 أفضل حل لمعظم التطبيقات الحديثة. ويضمن تصميمه الخالي من NMS زمن استجابة حتميًا، ما يجعله خيارًا مثاليًا للقيادة الذاتية، وأنظمة الإنذار الأمني السريعة، وعمليات النشر في المدن الذكية. وإضافةً إلى ذلك، يضمن دعم المجتمع القوي والتحديثات المتكررة من Ultralytics ألا يضطر المطورون أبدًا إلى التعامل مع تبعيات مهجورة.

ينبغي للمطورين الذين يستكشفون الرؤية الحاسوبية المتقدمة الاطلاع أيضًا على معماريات متنوعة أخرى ضمن منظومة Ultralytics، مثل YOLO11 لعمليات النشر القديمة المستقرة، أو النماذج المتخصصة مثل FastSAM لمهام التجزئة القائمة على المطالبات. ويضمن استخدام مجموعة أدوات Ultralytics كاملةً مسار عمل لذكاء اصطناعي للرؤية محسّنًا للغاية ومهيأً للمستقبل.