PP-YOLOE+ مقابل DAMO-YOLO: مقارنة فنية

يُعد اختيار نموذج الكشف عن العناصر الأمثل خطوة محورية في تطوير تطبيقات رؤية حاسوبية فعالة. وهو ينطوي على التنقل في المقايضات المعقدة بين الدقة وزمن الوصول للاستدلال وقيود الأجهزة. تستكشف هذه المقارنة الفنية نموذجين بارزين من عمالقة التكنولوجيا الآسيوية: PP-YOLOE+، الذي طوره فريق PaddlePaddle التابع لـ Baidu، و DAMO-YOLO، الذي صممته مجموعة Alibaba. يمثل كلا النموذجين خطوات كبيرة في تطور الكاشفات في الوقت الفعلي، حيث يقدمان ابتكارات معمارية فريدة وملفات تعريف أداء.

أثناء تحليل هذه النماذج، من المفيد مراعاة المشهد الأوسع لرؤية الذكاء الاصطناعي. تقدم حلول مثل Ultralytics YOLO11 بديلاً مقنعًا، حيث تقدم أحدث أداء مع التركيز على سهولة الاستخدام ونظام بيئي قوي ومستقل عن الإطار.

مقارنة مقاييس الأداء

يعرض الجدول التالي مقارنة مباشرة لمقاييس الأداء الرئيسية، بما في ذلك متوسط الدقة (mAP)، وسرعة الاستدلال على وحدات معالجة الرسوميات T4 باستخدام TensorRT، وعدد المعلمات، والتعقيد الحسابي (FLOPs).

PP-YOLOE+: دقة مُحسَّنة في بيئة Paddle

PP-YOLOE+ هو إصدار متطور من PP-YOLOE، ويمثل الكاشف الرئيسي الخالي من المرساة من مرحلة واحدة من Baidu. تم إصداره في عام 2022 كجزء من مجموعة PaddleDetection، وهو يؤكد على الاكتشاف عالي الدقة ومُحسَّن بعمق لإطار عمل التعلم العميق PaddlePaddle.

تفاصيل فنية:

• المؤلفون: مؤلفو PaddlePaddle
• المؤسسة:بايدو
• التاريخ: 2022-04-02
• Arxiv:https://arxiv.org/abs/2203.16250
• GitHub:https://github.com/PaddlePaddle/PaddleDetection/
• الوثائق:وثائق PP-YOLOE+‎

الهندسة المعمارية والتقنيات الأساسية

يدمج PP-YOLOE+ العديد من المكونات المتقدمة لتبسيط خط أنابيب الـ detect مع تعزيز الدقة.

• آلية خالية من المرتكزات (Anchor-Free Mechanism): من خلال إزالة مربعات الارتكاز المحددة مسبقًا، يقلل النموذج من تعقيد ضبط المعلمات الفائقة ويسرع تقارب التدريب، وهو اتجاه يظهر في العديد من البنى الحديثة.
• العمود الفقري CSPRepResNet: يستخدم النموذج عمودًا فقريًا CSPRepResNet، والذي يجمع بين فوائد تدفق التدرج لشبكات Cross Stage Partial (CSP) وكفاءة الاستدلال لكتل ResNet المعاد تحديدها.
• تعلم محاذاة المهام (TAL): لحل التباين بين ثقة التصنيف وجودة تحديد الموقع، يستخدم PP-YOLOE+ تقنية TAL. تضمن استراتيجية تعيين التصنيفات الديناميكية هذه إعطاء الأولوية للتنبؤات الأعلى جودة أثناء التدريب.
• رأس فعال مُحاذي للمهام (ET-Head): رأس الاكتشاف المفصول يفصل بين ميزات التصنيف والانحدار، مما يسمح بتحسين كل مهمة بشكل مستقل دون تدخل.

نقاط القوة والضعف

نقاط القوة: يتألق PP-YOLOE+ في السيناريوهات التي تعطي الأولوية للدقة الأولية. تُظهر المتغيرات 'المتوسطة' و 'الكبيرة' و 'الكبيرة جدًا' درجات mAP قوية على مجموعة بيانات COCO، مما يجعلها مناسبة لمهام الفحص التفصيلي مثل مراقبة الجودة الصناعية.

نقاط الضعف: القيد الأساسي هو اقترانه بالإطار. تركز الأدوات ومسارات النشر وموارد المجتمع في الغالب حول PaddlePaddle، والتي يمكن أن تكون نقطة احتكاك للفرق العاملة في أنظمة PyTorch أو TensorFlow. بالإضافة إلى ذلك، فإن عدد المعلمات لنماذجها الأصغر (مثل s) فعال بشكل ملحوظ، ولكن نماذجه الأكبر يمكن أن تكون ثقيلة من الناحية الحسابية.

تعرف على المزيد حول PP-YOLOE+

DAMO-YOLO: ابتكار مُوجَّه نحو السرعة من Alibaba

يستهدف DAMO-YOLO، الذي قدمته مجموعة Alibaba في أواخر عام 2022، النقطة المثالية بين الكمون المنخفض والأداء العالي. إنه يستفيد من البحث في الهندسة المعمارية العصبية (NAS) المكثف لاكتشاف الهياكل الفعالة تلقائيًا.

تفاصيل فنية:

• المؤلفون: شيانزه شو، يي تشي جيانغ، وي هوا تشن، ييلون هوانغ، يوان تشانغ، وشيو يو صن
• المؤسسة:مجموعة علي بابا
• التاريخ: 2022-11-23
• Arxiv:https://arxiv.org/abs/2211.15444
• GitHub:https://github.com/tinyvision/DAMO-YOLO
• الوثائق:توثيق DAMO-YOLO

البنية والميزات الرئيسية

يتميز DAMO-YOLO بالتحسين القوي لـ سرعة الاستدلال.

• العمود الفقري MAE-NAS: بدلاً من تصميم مستخرج الميزات يدويًا، استخدم المؤلفون كفاءة واعية بالطريقة NAS لإنشاء أعمدة فقرية بأعماق وعرض متفاوتين، وتحسينها لميزانيات حسابية محددة.
• RepGFPN الفعال: تستخدم بنية "الرقبة"، وهي شبكة هرم الميزات المعممة (GFPN)، إعادة التهيئة لزيادة كفاءة دمج الميزات مع تقليل زمن الانتقال على الأجهزة.
• ZeroHead Technology: إحدى الميزات البارزة هي "ZeroHead"، التي تعمل على تبسيط طبقات التوقع النهائية لتقليل FLOPs بشكل كبير، مما يترك الرفع الثقيل للعمود الفقري والعنق.
• AlignedOTA: تعمل إستراتيجية إسناد الملصقات هذه على محاذاة أهداف التصنيف والانحدار، مما يضمن أن العينات "الإيجابية" المحددة أثناء التدريب تساهم بشكل أكثر فعالية في الخسارة النهائية.

نقاط القوة والضعف

نقاط القوة: DAMO-YOLO سريع بشكل استثنائي. توفر نماذجه 'الصغيرة' و 'الصغيرة جدًا' قيم mAP رائعة لسرعتها، متفوقة على العديد من المنافسين في سيناريوهات الاستدلال في الوقت الفعلي. هذا يجعله مثاليًا لتطبيقات الذكاء الاصطناعي المتطورة حيث يهم زمن الوصول بالمللي ثانية، مثل الطائرات بدون طيار ذاتية القيادة أو مراقبة حركة المرور.

نقاط الضعف: باعتباره إصدارًا يركز على البحث، قد يفتقر DAMO-YOLO إلى أدوات النشر المصقولة والوثائق الشاملة الموجودة في المشاريع الأكثر نضجًا. يمكن أن يجعل اعتماده على هياكل NAS معينة التخصيص و الضبط الدقيق أكثر تعقيدًا للمستخدمين الذين يرغبون في تعديل البنية.

تعرف على المزيد حول DAMO-YOLO

ميزة Ultralytics: لماذا YOLO11 هو الخيار الأفضل

بينما يقدم PP-YOLOE+ و DAMO-YOLO ميزات تنافسية في مجالاتهما المتخصصة، يبرز Ultralytics YOLO11 باعتباره الحل الأكثر توازنًا وتنوعًا وسهولة في الاستخدام للمطورين لرؤية الكمبيوتر الحديثة.

سهولة استخدام ونظام بيئي لا مثيل لهما

لقد أضفت Ultralytics طابعًا ديمقراطيًا على الذكاء الاصطناعي من خلال إعطاء الأولوية لتجربة المستخدم. على عكس مستودعات الأبحاث التي قد تتطلب إعدادًا معقدًا، يمكن الوصول إلى YOLO11 عبر تثبيت pip بسيط و Python API بديهي. يتم الحفاظ على النظام الإيكولوجي لـ Ultralytics بنشاط، مما يضمن التوافق مع أحدث الأجهزة (مثل NVIDIA Jetson ورقائق Apple M-series) ومكتبات البرامج.

توازن الأداء الأمثل

تم تصميم YOLO11 لتقديم أحدث دقة دون المساومة على السرعة. غالبًا ما يطابق أو يتجاوز دقة نماذج مثل PP-YOLOE+ مع الحفاظ على كفاءة الاستدلال المطلوبة للتطبيقات في الوقت الفعلي. هذا التوازن ضروري لعمليات النشر في العالم الحقيقي حيث تكون كل من الدقة والإنتاجية غير قابلة للتفاوض.

الكفاءة والتنوع

تتمثل إحدى المزايا الرئيسية لنماذج Ultralytics في تنوعها. في حين أن DAMO-YOLO و PP-YOLOE+ يركزان بشكل أساسي على اكتشاف الكائنات، فإن بنية نموذج YOLO11 واحد تدعم:

• الكشف عن الكائنات
• تجزئة المثيل
• تصنيف الصور
• تقدير الوضع
• مربعات الإحاطة الموجهة (OBB)

علاوة على ذلك، تم تحسين YOLO11 لـ متطلبات ذاكرة أقل أثناء كل من التدريب والاستدلال مقارنة بالعديد من البدائل القائمة على المحولات أو إصدارات YOLO الأقدم. تتيح هذه الكفاءة للمطورين تدريب أحجام دفعات أكبر على وحدات معالجة الرسومات القياسية والنشر على المزيد من الأجهزة الطرفية المقيدة.

كفاءة التدريب

مع الأوزان المدربة مسبقًا المتاحة بسهولة وخطوط تدريب محسّنة، يمكن للمستخدمين تحقيق أداء عالٍ على مجموعات البيانات المخصصة بأقل وقت تدريب.

مثال: تشغيل YOLO11

يعد نشر إمكانات الرؤية المتقدمة أمرًا سهلاً مع Ultralytics.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Perform object detection on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

تعرف على المزيد حول YOLO11

الخلاصة

تعتبر كل من PP-YOLOE+ و DAMO-YOLO مساهمات هائلة في مجال رؤية الكمبيوتر. يعتبر PP-YOLOE+ مرشحًا قويًا للمستخدمين المدمجين بعمق في نظام PaddlePaddle البيئي الذين يحتاجون إلى دقة عالية. يقدم DAMO-YOLO خيارات معمارية مبتكرة لزيادة السرعة إلى أقصى حد على الأجهزة الطرفية.

ومع ذلك، بالنسبة للغالبية العظمى من المطورين والمؤسسات، يظل Ultralytics YOLO11 هو الخيار الموصى به. إن جمعه بين الدعم الأصلي لـ PyTorch وتعدد استخدامات المهام المتعددة والوثائق الفائقة ودعم المجتمع النشط يقلل بشكل كبير من الوقت اللازم لطرح حلول الذكاء الاصطناعي في السوق. سواء كنت تقوم ببناء نظام إنذار أمني أو خط أنابيب مراقبة جودة التصنيع، فإن YOLO11 يوفر الموثوقية والأداء اللازمين للنجاح.

تعليقات