ابدأ

YOLOX مقابل EfficientDet

كان السعي المستمر إلى الموازنة بين السرعة والدقة والكفاءة الحاسوبية محركًا لتطور كشف الكائنات. ومن النماذج البارزة التي أثرت في هذا المسار YOLOX وEfficientDet. فبينما أدخل YOLOX تصميمًا خاليًا من المراسي إلى عائلة YOLO، ركز EfficientDet على بنية قابلة للتوسع تستخدم التحجيم المركب وBiFPN. يقدم هذا الدليل مقارنة تقنية مفصلة لبنيتيهما ومقاييس أدائهما ومنهجيات تدريبهما، ويعرّف ببدائل أحدث مثل نموذج Ultralytics YOLO26.

أصول النماذج والتفاصيل التقنية#

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

تفاصيل YOLOX:

تعرّف على المزيد حول YOLOX

تفاصيل 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#

نقل YOLOX سلسلة YOLO من كاشف قائم على المراسي إلى تصميم خالٍ من المراسي. وقد قلل هذا الانتقال عدد معلمات التصميم بدرجة كبيرة وبسّط مسار التدريب.

تشمل الميزات المعمارية الأساسية رأسًا مفككًا يفصل مهام التصنيف والانحدار. ويعالج ذلك التعارض بين تحديد ماهية الكائن والتنبؤ بدقة بموقعه. علاوة على ذلك، يستخدم YOLOX استراتيجيات متقدمة لإسناد التسميات مثل SimOTA، التي تسند العينات الإيجابية ديناميكيًا إلى الكائنات الحقيقية أثناء التدريب، ما يؤدي إلى تقارب أسرع وتوازن أفضل بين السرعة والدقة.

EfficientDet: التوسع المركب وBiFPN#

يتناول EfficientDet كشف الكائنات من منظور الكفاءة وقابلية التوسع. وقد طورته Google، ويعتمد على العمود الفقري EfficientNet لاستخراج السمات.

تتمثل ميزته المحددة في شبكة هرم السمات ثنائية الاتجاه (BiFPN). فعلى عكس شبكات FPN التقليدية، تتيح BiFPN دمج السمات متعددة المقاييس بسهولة وسرعة، من خلال إدخال أوزان قابلة للتعلم لتحديد أهمية سمات الإدخال المختلفة. وبالاقتران مع أسلوب التحجيم المركب الذي يوسّع الدقة والعمق والعرض بانتظام في جميع شبكات العمود الفقري والسمات والتنبؤ بالمربعات والفئات، يمكن لـ EfficientDet التوسع من نماذج بحجم الأجهزة المحمولة (d0) إلى نماذج كبيرة للخوادم (d7).

التعقيد المعماري

مع أن التوسيع المركّب في EfficientDet يوفّر مسارًا متوقعًا نحو دقة أعلى، فإنه غالبًا ما يؤدي إلى مخططات حسابية معقدة يصعب تحسينها للحوسبة الطرفية في الزمن الحقيقي، مقارنةً بالتصميم المبسّط الخالي من المراسي في YOLOX.

تحليل الأداء والمقاييس#

عند تقييم هذه النماذج لتطبيقات الرؤية الحاسوبية في العالم الفعلي، تُعد مقاييس مثل متوسط الدقة وسرعة الاستدلال وعدد المعلمات أساسية.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

تحليل المفاضلات#

تُبرز البيانات تباينًا واضحًا في فلسفة التصميم. يحقق EfficientDet-d7 أعلى دقة إجمالية، إذ تبلغ قيمة mAP لديه 53.7%، لكن ذلك يأتي بتكلفة كبيرة على صعيد سرعة الاستدلال (128.07 ms على وحدة GPU من طراز T4). وفي المقابل، يحقق YOLOXx قيمة mAP تنافسية تبلغ 51.1% في 16.1 ms، ما يجعله أنسب بكثير لـفهم الفيديو في الزمن الحقيقي والروبوتات.

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: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
  • 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)#

يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:

  • النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
  • البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

البديل الحديث: Ultralytics YOLO26#

على الرغم من أهمية YOLOX وEfficientDet بوصفهما محطتين بارزتين، فقد شهد مجال التعلم الآلي تطورًا سريعًا. وبالنسبة إلى المطورين الذين ينشرون أنظمة الرؤية اليوم، فإن الخيار الموصى به هو YOLO26، أحدث نماذج Ultralytics، الذي صدر في يناير 2026.

يوفر YOLO26 منظومة جيدة الصيانة وتحسينات كبيرة في السرعة وسهولة الاستخدام مقارنةً بالبنى الأقدم:

أبرز ابتكارات YOLO26#

  • تصميم خالٍ من NMS يعمل من البداية إلى النهاية: يُلغي الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) الحاجة إلى المعالجة اللاحقة باستخدام NMS. هذا النهج المتكامل بطبيعته من البداية إلى النهاية، الذي قدّمه YOLOv10 إلى نماذج YOLO، يبسّط عملية التصدير ويقلّل زمن الاستجابة عند النشر.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة NMS وDistribution Focal Loss (DFL)، يعمل YOLO26n على CPU بسرعة أعلى تصل إلى 43% مقارنةً بـ YOLO11n، ما يلائم الأجهزة الطرفية التي لا تحتوي على وحدات GPU منفصلة.
  • محسّن MuSGD: ينقل YOLO26 ابتكارات نماذج اللغة الكبيرة (LLM) إلى مجال الرؤية، إذ يستخدم محسّن MuSGD (مزيجًا من SGD وMuon) لتحقيق تدريب مستقر وتقارب سريع، ما يحسّن كفاءة التدريب.
  • ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) كشف الكائنات الصغيرة، وهو أمر أساسي لحالات استخدام مثل عمليات الطائرات المسيّرة وتحليل الصور الجوية.
  • تعدد الاستخدامات: على عكس YOLOX الذي يقتصر على كشف الكائنات، يدعم YOLO26 مباشرةً مجموعة واسعة من المهام، بما في ذلك تجزئة الكائنات الفردية وتصنيف الصور وتقدير الوضعية وكشف مربعات الإحاطة الموجّهة (OBB).

سهولة الاستخدام مع واجهة Ultralytics البرمجية#

تُعد تجربة الاستخدام المبسطة إحدى أهم مزايا نماذج Ultralytics. ويتطلب تدريب نموذج YOLO26 ونشره ذاكرة أقل من نماذج Transformer المعقدة، ولا يستلزم سوى بضعة أسطر من تعليمات Python البرمجية:

from ultralytics import YOLO

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

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

# ⁨صدّر النموذج المدرّب إلى TensorRT للاستدلال على GPU⁩
model.export(format="engine", dynamic=True)

للمستخدمين الذين يفضلون الواجهات المرئية، توفر منصة Ultralytics أدوات لإضافة التعليقات التوضيحية إلى مجموعات البيانات والتدريب السحابي والنشر.

حالات الاستخدام في العالم الحقيقي#

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

متى تختار EfficientDet#

لا يزال EfficientDet موضع اهتمام أكاديمي في البيئات التي تقل فيها أهمية سرعة الاستدلال عن الدقة على الصور عالية الدقة. كما قد يلائم تطبيقه ضمن منظومة TensorFlow الفرق التي تصون البنية التحتية الأقدم لـ 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 تختار YOLO26#

بالنسبة إلى معظم التطبيقات الحديثة، يُعد YOLO26 الأنسب. ويوفر تصميمه الخالي من NMS زمن استجابة يمكن التنبؤ به، ما يجعله مرشحًا قويًا للقيادة الذاتية، وأنظمة إنذار أمني سريعة الاستجابة، وعمليات النشر في المدن الذكية. كما يساعد دعم المجتمع النشط والتحديثات المتكررة من Ultralytics المطورين على تجنب التبعيات المتقادمة.

ينبغي للمطورين الذين يستكشفون الرؤية الحاسوبية المتقدمة الاطلاع أيضًا على بنى أخرى ضمن منظومة Ultralytics، مثل YOLO11 للنشرات الحالية المختبرة جيدًا، أو نماذج متخصصة مثل FastSAM لمهام التجزئة القائمة على المطالبات.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.