PP-YOLOE+ مقابل YOLOv5: استكشاف هياكل الكشف عن الكائنات

عند اختيار إطار العمل المناسب للتعلم العميق للرؤية الحاسوبية، غالبًا ما يجد المطورون أنفسهم يقارنون بين قدرات البنى المختلفة لإيجاد التوازن المثالي بين السرعة والدقة وسهولة النشر. في هذا التحليل المتعمق، سوف نستكشف الفروق الفنية الدقيقة بين PP-YOLOE+ و YOLOv5. من خلال تحليل هياكلهما ومقاييس الأداء وسيناريوهات النشر المثالية، يمكنك اتخاذ قرار مستنير لمشروعك التالي، سواء كان يتعلق بالروبوتات في الوقت الفعلي أو النشر المتطور أو تحليلات الفيديو المستندة إلى السحابة.

أصول النموذج والبيانات الوصفية

ينبع كلا النموذجين من فرق هندسية عالية الكفاءة لكنهما يستهدفان أنظمة بيئية مختلفة قليلاً. يوفر فهم أصولهما سياقًا قيمًا لخيارات تصميمهما المعماري.

تفاصيل PP-YOLOE+:

• المؤلفون: PaddlePaddle Authors
• المنظمة: Baidu
• التاريخ: 2022-04-02
• أرشيف: https://arxiv.org/abs/2203.16250
• GitHub: PaddlePaddle
• المستندات: PaddleDetection README

تعرف على المزيد حول PP-YOLOE+

YOLOv5 :

• المؤلفون: غلين جوشر
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: yolov5
• المستندات: yolov5

تعرف على المزيد حول YOLOv5

مقارنة معمارية

بنية PP-YOLOE+

PP-YOLOE+ هو تطور داخل نظام بايدو البيئي، مبني على أساس النماذج السابقة مثل PP-YOLOv2. وهو يقدم تحسينات كبيرة CSPRepResNet الشبكة الأساسية، التي تعزز استخلاص الميزات من خلال الجمع بين مبادئ شبكات التقسيم الجزئي عبر المراحل (CSP) مع تقنيات إعادة تحديد المعلمات. يسمح هذا للنموذج بالحفاظ على دقة عالية أثناء التدريب مع الاندماج في بنية أكثر انسيابية لاستنتاج أسرع.

بالإضافة إلى ذلك، يستخدم PP-YOLOE+ تعلم محاذاة المهام (TAL) ورأسًا فعالًا لمحاذاة المهام (ET-head). يهدف هذا المزيج إلى حل عدم التوافق بين مهام التصنيف والتحديد، وهو عنق الزجاجة الشائع في كاشفات الكائنات الكثيفة. على الرغم من كونها رائعة من الناحية الهيكلية، إلا أن البنية مرتبطة ارتباطًا وثيقًا بـ إطار عمل PaddlePaddle، مما قد يثير تحديات تكامل للفرق التي تعتمد على مكتبات التعلم الآلي السائدة الأخرى.

بنية YOLOv5

في المقابل، YOLOv5 تصميم YOLOv5 أصلاً في PyTorch، وهو المعيار الصناعي لكل من البحث الأكاديمي والإنتاج المؤسسي. ويستخدم هذا البرنامج العمود الفقري CSPDarknet53 المعدل، المعروف بتدفقه التدرجي الاستثنائي وكفاءة معلماته.

من السمات المميزة لـ YOLOv5 هي خوارزمية AutoAnchor الخاصة به، والتي تتحقق ديناميكيًا من أحجام مربعات الارتساء وتعدلها بناءً على مجموعة البيانات المخصصة الخاصة بك قبل التدريب. هذا يزيل الضبط اليدوي للمعلمات الفائقة لمربعات الإحاطة. تضمن رقبة شبكة تجميع المسار (PANet) للنموذج دمجًا قويًا للميزات متعددة المقاييس، مما يجعله فعالاً للغاية في اكتشاف الكائنات بأحجام مختلفة.

تحليل الأداء

يتطلب تقييم هذه النماذج النظر في المفاضلة بين متوسط الدقة (mAP) والكمون. يعرض الجدول التالي المقاييس عبر أحجام النماذج المختلفة.

بينما يحقق PP-YOLOE+ mAP تنافسية للغاية على نطاقات أكبر (مثل المتغير X)، YOLOv5 سرعة فائقة وعدد أقل من المعلمات في الطرف الأصغر من الطيف. الـ YOLOv5 Nano (YOLOv5n) يتطلب 2.6 مليون معلمة فقط، مما يجعله مناسبًا للغاية للأجهزة الطرفية المقيدة حيث تكون متطلبات الذاكرة صارمة. علاوة على ذلك، يستهلك تدريب نماذج YOLO عادةً ذاكرة CUDA أقل مقارنة بالبدائل الثقيلة القائمة على المحولات مثل RT-DETR.

ميزة Ultralytics

عند اختيار بنية معمارية، لا تمثل المقاييس الأولية سوى جزء من المعادلة. غالبًا ما تحدد تجربة المطور ودعم النظام البيئي وخطوط أنابيب النشر نجاح المشروع في العالم الواقعي. وهنا تبرز Ultralytics .

سهولة استخدام لا مثيل لها

Ultralytics Python لـ Ultralytics الكود النمطي المعقد. يمكن للمطورين بدء التدريب والتحقق من الأداء ونشر النماذج بسلاسة. الوثائق شاملة ومحفوظة بشكل جيد ومدعومة من قبل مجتمع مفتوح المصدر عالمي ضخم.

تعدد الاستخدامات عبر المهام

في حين أن PP-YOLOE+ هو كاشف كائنات مخصص، فإن Ultralytics يتيح للمستخدمين التعامل مع مهام رؤية حاسوبية متعددة في إطار واجهة برمجة تطبيقات موحدة واحدة. باستخدام YOLOv5 وخلفائه، يمكنك الانتقال بسهولة من مربعات الحدود القياسية إلى سير عمل تقسيم الصور وتصنيفها.

مثال برمجي: تدريب YOLOv5

لا يتطلب البدء سوى بضع أسطر من التعليمات البرمجية. هذه البساطة تسرع بشكل كبير من دورات البحث والتطوير.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

حالات الاستخدام في العالم الحقيقي

متى تختار PP-YOLOE+: إذا كانت مؤسستك مدمجة بعمق ضمن حزمة برامج Baidu أو تعتمد بشكل كبير على أجهزة متخصصة تتطلب إطار عمل PaddlePaddle، فإن PP-YOLOE+ يُعد أداءً قويًا. يُستخدم بشكل متكرر في خطوط إنتاج متخصصة عبر آسيا حيث يوجد تكامل قديم مع Paddle.

متى تختار YOLOv5: بالنسبة للغالبية العظمى من المطورين والباحثين والمؤسسات الدولية، يظل YOLOv5 قوة دافعة. تعني جذوره في PyTorch أنه متوافق فورًا مع أدوات مثل Weights & Biases لـ track، ويتم تصديره بسلاسة إلى TensorRT لتسريع NVIDIA GPU أو CoreML لأجهزة Apple. إنه يتفوق في مجالات متنوعة تتراوح من مراقبة المحاصيل الزراعية إلى الملاحة عالية السرعة للطائرات بدون طيار.

مستقبل الكشف: Ultralytics

على الرغم من أن YOLOv5 نموذج أيقوني، إلا أن حدود الرؤية الحاسوبية قد تطورت. بالنسبة لجميع التطورات الجديدة، نوصي بشدة بالانتقال إلى YOLO26، الذي تم إصداره في يناير 2026. يتوفر YOLO26 بسلاسة عبر Ultralytics وهو يعيد تعريف الكفاءة تمامًا.

تعرف على المزيد حول YOLO26

الابتكارات الرئيسية في YOLO26:

• تصميم شامل خالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة لقمع غير الأقصى (Non-Maximum Suppression) بالكامل. وهذا يقلل من تباين زمن الانتقال ويبسط مسار النشر بشكل كبير.
• سرعة استدلال أسرع بنسبة تصل إلى 43% على الـ CPU: من خلال الإزالة الاستراتيجية لـ Distribution Focal Loss (DFL)، يزيد YOLO26 السرعة بشكل كبير على الأجهزة الطرفية التي لا تحتوي على وحدات GPU.
• مُحسِّن MuSGD: مستوحى من نماذج اللغة الكبيرة الرائدة، يعمل هذا المُحسِّن الهجين على استقرار ديناميكيات التدريب ويسمح بتقارب أسرع بكثير على مجموعات البيانات المخصصة.
• تحسينات خاصة بالمهام: تتميز بدوال فقدان متقدمة مثل ProgLoss و STAL، مما يحقق دقة غير مسبوقة على الكائنات الصغيرة. وهي تدعم بشكل أصلي اكتشاف الصناديق المحيطة الموجهة (OBB) للصور الجوية.

إذا كنت تستكشف أحدث نماذج الرؤية، فقد تكون مهتمًا أيضًا بمقارنة الجيل السابق YOLO11 أو النهج القائمة على المحولات مثل RT-DETR. في النهاية، فإن النظام البيئي القوي، جنبًا إلى جنب مع التطورات المعمارية المتطورة، يعزز مكان Ultralytics يار متميز لمهام الرؤية الحاسوبية الحديثة.

تعليقات