PP-YOLOE+ مقابل EfficientDet: مقارنة فنية للكشف عن الكائنات
يُعد اختيار نموذج الكشف عن الأجسام الأمثل أمرًا بالغ الأهمية لتطبيقات رؤية الكمبيوتر. تقدم هذه الصفحة مقارنة فنية مفصلة بين PP-YOLOE+ و EfficientDet، وهما نموذجان مهمان، لمساعدتك في اتخاذ قرار مستنير بناءً على متطلبات مشروعك. سوف نتعمق في تصميماتهما المعمارية ومعايير الأداء وملاءمة التطبيق. في حين أن كلا النموذجين قد قدما مساهمات مهمة، إلا أنهما يمثلان مراحل مختلفة في تطور كاشفات الأجسام الفعالة.
PP-YOLOE+: مُحسَّن لتحقيق الكفاءة والدقة
PP-YOLOE+، الذي تم تطويره بواسطة مؤلفي PaddlePaddle في Baidu وتم إصداره في 2 أبريل 2022، هو نسخة محسنة من سلسلة PP-YOLOE. وهو يركز على تقديم دقة عالية ونشر فعال، خاصة داخل النظام البيئي PaddlePaddle. إنه يتميز بأنه بدون نقاط ارتكاز، وكاشف أحادي المرحلة مصمم لتحقيق توازن فائق بين الأداء والسرعة في مهام الكشف عن الأجسام.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: بايدو
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- المستندات: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
البنية والميزات الرئيسية
يعتمد PP-YOLOE+ نهجًا خاليًا من المرساة، مما يبسط هيكل النموذج وعملية التدريب عن طريق إزالة الحاجة إلى مربعات مرساة محددة مسبقًا. يتميز هيكله برأس كشف منفصل يفصل مهام التصنيف والتوطين، مما يحسن الدقة الإجمالية. يستخدم النموذج VariFocal Loss، وهي دالة خسارة متخصصة، للتعامل بشكل أفضل مع عدم التوازن بين العينات الإيجابية والسلبية، مما يزيد من تحسين دقة التصنيف والمربع المحيط. يشتمل الهيكل على تحسينات في الهيكل الأساسي والعنق مع شبكة تجميع المسارات (PAN) والرأس لتحسين كل من الدقة وسرعة الاستدلال.
نقاط القوة والضعف
- نقاط القوة: دقة عالية لعدد المعلمات الخاص بها، تصميم خالٍ من الارتكازات يبسط التنفيذ، وهو مدعوم جيدًا داخل إطار عمل PaddlePaddle. يُظهر النموذج سرعات استدلال ممتازة على GPU عند تحسينه باستخدام TensorRT.
- نقاط الضعف: مُحسَّن بشكل أساسي لنظام PaddlePaddle البيئي، مما قد يحد من المرونة لمستخدمي أطر العمل الشائعة الأخرى مثل PyTorch. قد يكون دعم المجتمع والموارد المتاحة أقل شمولاً من تلك الخاصة بالنماذج المعتمدة عالميًا مثل سلسلة Ultralytics YOLO.
حالات الاستخدام
إن الأداء المتوازن والتصميم الحديث الخالي من المرساة يجعل PP-YOLOE+ خيارًا متعدد الاستخدامات لمختلف التطبيقات. إنه مناسب تمامًا لمهام مثل فحص الجودة الصناعية، و أتمتة إعادة التدوير، وتحسين عمليات البيع بالتجزئة الذكية.
EfficientDet: بنية قابلة للتطوير وفعالة
تم تقديم EfficientDet بواسطة فريق Google Brain في نوفمبر 2019. وقد وضعت معيارًا جديدًا للكفاءة في الكشف عن الكائنات من خلال تقديم مجموعة من النماذج التي يمكن أن تتوسع من الأجهزة الطرفية إلى خوادم السحابة الكبيرة. ركزت ابتكاراتها الأساسية على إنشاء بنية عالية الكفاءة وقابلة للتطوير.
- المؤلفون: مينغشينغ تان، رومينغ بانغ، وكوك ف. لي
- المنظمة: Google
- التاريخ: 2019-11-20
- Arxiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
- المستندات: https://github.com/google/automl/tree/master/efficientdet
البنية والميزات الرئيسية
تعتمد بنية EfficientDet على ثلاث أفكار رئيسية:
- EfficientNet Backbone: يستخدم EfficientNet عالي الكفاءة كعمود فقري لاستخراج الميزات، والذي صُمم باستخدام بحث معماري عصبي لتحسين الدقة والعمليات الحسابية (FLOPs).
- BiFPN (شبكة الهرم المميز ثنائية الاتجاه): بدلاً من شبكة FPN القياسية، يقدم EfficientDet شبكة BiFPN، وهي طريقة دمج ميزات متعددة المقاييس أكثر كفاءة. وهي تتيح تدفق معلومات سهل وسريع عبر مستويات الميزات المختلفة مع اتصالات مرجحة.
- التحجيم المركب: طريقة تحجيم جديدة تعمل على توسيع العمق والعرض والدقة بشكل موحد للشبكة الخلفية وشبكة الميزات ورأس الكشف باستخدام معامل مركب بسيط. وهذا يسمح للنموذج بالتوسع من D0 الصغير إلى D7 الكبير بطريقة فعالة ومبدئية.
تحليل الأداء
يقدم الجدول أدناه مقارنة تفصيلية للأداء. في حين أن EfficientDet كانت الأحدث عند إصدارها، إلا أن المعايير القياسية تظهر أن النماذج الأحدث مثل PP-YOLOE+ تقدم أداءً أفضل بكثير، خاصة من حيث سرعة الاستدلال على وحدة معالجة الرسومات GPU. على سبيل المثال، تحقق PP-YOLOE+l درجة mAP أعلى (52.9) من EfficientDet-d5 (51.5) ولكنها أسرع بأكثر من 8 مرات على وحدة معالجة الرسومات T4 مع TensorRT. وهذا يسلط الضوء على التطورات السريعة في بنية النموذج وتقنيات التحسين.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
المعلمات (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| EfficientDet-d0 | 640 | 34.6 | 10.2 | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | 13.5 | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 640 | 43.0 | 17.7 | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 640 | 47.5 | 28.0 | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 640 | 49.7 | 42.8 | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 640 | 51.5 | 72.5 | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 640 | 52.6 | 92.8 | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 640 | 53.7 | 122.0 | 128.07 | 51.9 | 325.0 |
نقاط القوة والضعف
- نقاط القوة: تصميم معماري رائد مع BiFPN وتوسيع نطاق مركب أثر على العديد من النماذج اللاحقة. قابلية عالية للتوسع عبر مجموعة واسعة من الميزانيات الحسابية.
- نقاط الضعف: سرعات استدلال أبطأ مقارنة بالبنى الحديثة. التصميم القائم على المرساة أكثر تعقيدًا من البدائل الخالية من المرساة. التنفيذ الأصلي موجود في TensorFlow، مما قد يكون عقبة أمام مجتمع البحث الذي تهيمن عليه PyTorch.
حالات الاستخدام
لا يزال EfficientDet خيارًا قابلاً للتطبيق للتطبيقات التي يكون فيها توسيع نطاق النموذج أمرًا أساسيًا والأداء في الوقت الفعلي الفائق ليس القيد الأساسي. يمكن استخدامه للمعالجة الدفعية غير المتصلة بالإنترنت للصور، وواجهات برمجة تطبيقات الرؤية المستندة إلى السحابة، وبعض سيناريوهات الذكاء الاصطناعي الطرفي (Edge AI) حيث يمكن أن توفر متغيراته الأصغر (D0-D2) مقايضة جيدة بين الدقة والموارد.
تعرف على المزيد حول EfficientDet
الخلاصة: أي نموذج يجب أن تختاره؟
يعتبر كل من PP-YOLOE+ و EfficientDet من النماذج القوية، لكنهما يلبيان احتياجات مختلفة ويمثلان نقاطًا مختلفة في الجدول الزمني لأبحاث الكشف عن الأجسام.
- PP-YOLOE+ هو خيار قوي إذا كنت تعمل داخل نظام PaddlePaddle البيئي وتحتاج إلى كاشف حديث وسريع ودقيق بدون مرساة.
- EfficientDet لا تزال نموذجًا بارزًا نظرًا لابتكاراتها المعمارية. ومع ذلك، بالنسبة للمشاريع الجديدة، فقد تم تجاوز أدائها إلى حد كبير من قبل النماذج الأحدث.
بالنسبة للمطورين والباحثين الذين يبحثون عن أفضل مزيج من الأداء والتنوع وسهولة الاستخدام، نوصي بالنظر في سلسلة Ultralytics YOLO. تقدم نماذج مثل YOLOv8 وأحدث YOLO11 العديد من المزايا الرئيسية:
- موازنة الأداء: توفر نماذج Ultralytics YOLO توازنًا حديثًا بين السرعة والدقة، مما يجعلها مناسبة لكل من النشر المتطور في الوقت الفعلي وتطبيقات الحوسبة السحابية عالية الدقة.
- تنوع الاستخدامات: إنها نماذج متعددة المهام تدعم ليس فقط اكتشاف الكائنات ولكن أيضًا تقسيم الحالات، وتقدير الوضعيات، والتصنيف، والمزيد، وكل ذلك ضمن إطار عمل واحد وموحد.
- سهولة الاستخدام: تأتي النماذج مع واجهة برمجة تطبيقات Python بسيطة و CLI و وثائق شاملة وعملية تدريب مباشرة.
- نظام بيئي مُدار بشكل جيد: توفر Ultralytics نظامًا بيئيًا قويًا مع تطوير نشط ودعم مجتمعي قوي وتكامل سلس مع أدوات مثل Ultralytics HUB لتبسيط MLOps من إدارة البيانات إلى النشر.
- كفاءة التدريب: تُعرف نماذج Ultralytics YOLO بتدريبها الفعال، حيث تتطلب ذاكرة ووقتًا أقل مقارنة بالعديد من البدائل، وتأتي مع مجموعة واسعة من الأوزان المُدرَّبة مسبقًا لتسريع المشاريع المخصصة.
لمقارنات أكثر تفصيلاً، قد تكون مهتمًا باستكشاف كيفية مقارنة هذه النماذج بالبنى الشائعة الأخرى مثل YOLO11 مقابل EfficientDet أو PP-YOLOE+ مقابل YOLOv10.
