في عالم الذكاء الاصطناعي، تتخذ الشبكات العصبية (Neural Networks) خفيفة الوزن (Lightweight) مكانة بارزة، ولكن هل حقاً تحقق الأداء الأفضل عند مواجهة قيود الموارد؟ دراسة جديدة تحاول الإجابة عن هذا السؤال بشكل منهجي.

تتناول الدراسة مقارنة تسعة نماذج خفيفة من شبكات CNN عبر مجموعة بيانات CIFAR-10 وCIFAR-100 وTiny ImageNet، باستخدام بروتوكول موحد لفهم كيفية أدائها تحت ظروف مشابهة. تم تسجيل العديد من المؤشرات المهمة، من بينها دقة التصنيف الأعلى (Top-1 Accuracy) وF1 Macro، بالإضافة إلى قياس الوقت المستغرق والموارد المستخدمة.

أظهرت النتائج أن النموذج EfficientNetV2-S حقق أعلى دقة على مجموعة بيانات CIFAR-10 وCIFAR-100، مسجلاً 97.57% و86.98% على التوالي. بينما تفوق نموذج RepViT-M1.0 على Tiny ImageNet بمعدل 79.87%. في سياق مماثل، أبقى نموذج EfficientNet-B0 على متسوى تنافسي مرتفع، مستخدماً حوالي 79% أقل من المعلمات و86% أقل من GMACs مقارنة بـ EfficientNetV2-S.

على ناحية السرعة، كان MobileNetV3-Small النموذج الأسرع، مع أدنى إجمالي GMACs، مما يعني كفاءة عالية في الأداء. وقد حقق دقة أفضل من MobileNetV4-Conv-S عبر جميع مجموعات البيانات.

إحدى النقاط المثيرة في الدراسة هي أن أداء الشبكات العصبية قد يختلف بشكل حاد بين بيئات L4 وCPU، مما يشير إلى أن مقدار GMACs لا يمكنه وحده التنبؤ بالأداء الفعلي.

بإيجاز، هذه الدراسة تسلط الضوء على أن التصميمات الجديدة توفر فوائد انتقائية بدلاً من مكاسب شاملة.

في ختام هذه المناقشة حول الشبكات العصبية الخفيفة، يُطرح سؤال: هل تعتبر هذه النماذج فعلاً الحل الأمثل لقيود الموارد التي تواجهها في مشروعات الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!