PP-YOLOE+ مقابل EfficientDet#
يُعد اختيار البنية المناسبة خطوة بالغة الأهمية في بناء تطبيقات متينة لـالرؤية الحاسوبية. يستكشف هذا الدليل التقني المفاضلات بين نموذجين معروفين لاكتشاف الأجسام: PP-YOLOE+ وEfficientDet. وسنحلل بنيتهما، ونفحص مقاييس الأداء لديهما، ونستكشف سيناريوهات النشر المثالية لكل منهما.
مع أن كلا النموذجين قدّما إسهامات مهمة في هذا المجال، سنناقش أيضًا كيف توفر البدائل الحديثة مثل Ultralytics YOLO26 كفاءة فائقة بكثير في استخدام الذاكرة، واستدلالًا أسرع، وتجربة مطورين أكثر انسيابية.
نظرة عامة على البنية: PP-YOLOE+#
PP-YOLOE+ هو إصدار مطوّر من PP-YOLO الأصلي، صُمم خصيصًا لتحسين الأداء على وحدات GPU من جانب الخادم ضمن منظومة PaddlePaddle. ويقدم عدة تحسينات على البنية الأساسية، مع التركيز على نهج خالٍ من المراسي.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- الوثائق: ملف README لمشروع PaddleDetection
تعرّف على المزيد حول PP-YOLOE+
يتميز PP-YOLOE+ بجذع CSPRepResNet، ورأس متوافق مع المهام بكفاءة (ET-head)، ويعتمد بدرجة كبيرة على خسارة varifocal للتصنيف، إلى جانب خسارة بؤرية توزيعية لانحدار مربعات الإحاطة. وقد ساعد انتقاله إلى تصميم كاشف خالٍ من المراسي على تبسيط مسار المعالجة اللاحقة، ما جعله منافسًا قويًا عند إصداره.
غالبًا ما تجد الفرق المستثمرة بعمق في إطار PaddlePaddle من Baidu أن اعتماد PP-YOLOE+ أسهل في مهام مثل تجزئة المثيلات، رغم افتقاره إلى الدعم الواسع لأطر العمل المتعددة الذي توفره الأدوات الأحدث.
نظرة عامة على البنية المعمارية: EfficientDet#
يتبع EfficientDet نهجًا مختلفًا جذريًا في اكتشاف الأجسام، إذ يعتمد بدرجة كبيرة على البحث في البنى العصبية ومبادئ التحجيم المركب.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 2019-11-20
- Arxiv: 1911.09070
- الوثائق: ملف README لمشروع Brain AutoML
تعرّف على المزيد حول EfficientDet
تتمثل الركيزة الأساسية في EfficientDet في شبكة هرمية للميزات ثنائية الاتجاه (BiFPN). وعلى خلاف شبكات FPN التقليدية، تتيح BiFPN دمج الميزات متعددة المقاييس بسهولة وسرعة، من خلال تقديم أوزان قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة. وبالاقتران مع جذع EfficientNet، يعمل EfficientDet على تحجيم عرض الشبكة وعمقها ودقتها في الوقت نفسه وبطريقة منهجية.
رغم أن نماذج EfficientDet تتمتع نظريًا بكفاءة عالية جدًا من حيث FLOPs، فإنها قد تواجه أحيانًا صعوبة في تحويل الكفاءة النظرية إلى سرعة فعلية على الأجهزة الطرفية، بسبب أنماط الوصول المعقدة إلى الذاكرة، وهو ما يتباين بشدة مع متطلبات الذاكرة الأقل للنماذج القائمة على YOLO.
تحليل الأداء والمعايير المرجعية#
يقارن الجدول أدناه المقاييس الرئيسية على مجموعات بيانات قياسية مثل COCO. وتوفر مقارنة متوسط الدقة (mAP) بسرعة الاستدلال صورة واضحة عن جبهة باريتو.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (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 |
وكما يتضح، يتوسع PP-YOLOE+ عمومًا بصورة أفضل من حيث mAP الخام على وحدات GPU المتطورة، بينما يحاول EfficientDet تقليل عدد المعلمات. ومع ذلك، يتخلف كلاهما عن القدرات الحديثة اللازمة للذكاء الاصطناعي الآني على الأجهزة الطرفية.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين PP-YOLOE+ وEfficientDet على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.
متى تختار PP-YOLOE+#
يُعد PP-YOLOE+ خيارًا قويًا من أجل:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة على إطار عمل وأدوات PaddlePaddle الخاصة بـBaidu.
- النشر الطرفي باستخدام Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة كبيرة خصيصًا لمحرك Paddle Lite أو محرك Paddle للاستدلال.
- الاكتشاف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يمثل الاعتماد على إطار العمل مصدر قلق.
متى تختار EfficientDet#
يوصى باستخدام EfficientDet في الحالات التالية:
- مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
- أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
- النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة Android أو أجهزة Linux المضمنة.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
- البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.
البديل الحديث: Ultralytics YOLO26#
مع أن PP-YOLOE+ وEfficientDet يمثلان محطات تاريخية مهمة، فإن المطورين الذين يبحثون عن دقة متقدمة، واستهلاك أقل للذاكرة، وتجربة مستخدم انسيابية، ينبغي لهم التوجه إلى Ultralytics YOLO26.
يمثل YOLO26 قفزة هائلة إلى الأمام في اكتشاف الأجسام، إذ يقدم عدة ابتكارات مهمة:
- تصميم شامل من البداية وخالٍ من NMS: استنادًا إلى إنجازات YOLOv10، يلغي YOLO26 أصيلًا قمع غير الأقصى (NMS) أثناء الاستدلال. وينتج عن ذلك زمن استجابة أقل بكثير، مع إزالة الاختناقات المعقدة في المعالجة اللاحقة.
- مُحسِّن MuSGD: مستفيدًا من ابتكارات تدريب نماذج اللغة الكبيرة، يستخدم YOLO26 مُحسِّنًا هجينًا يجمع بين SGD وMuon. ويؤدي ذلك إلى تحسين استقرار التدريب بدرجة كبيرة وتقليل زمن التقارب.
- سرعة فائقة: يوفر YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال الأقدم مثل YOLO11، ما يجعله الخيار الأفضل على الإطلاق للأجهزة الطرفية التي تعمل بالبطاريات أو المعتمدة على CPU فقط.
- دوال خسارة متقدمة: يؤدي دمج ProgLoss وSTAL إلى تحسين التعرف على الأجسام الصغيرة بدرجة كبيرة، وهو أمر ضروري لمهام مثل تحليلات الطائرات المسيّرة والروبوتات.
وعلى خلاف EfficientDet الذي يركز على الاكتشاف فقط، يتعامل YOLO26 أصيلًا مع تقدير الوضعية، وتصنيف الصور، ومربعات الإحاطة الموجهة (OBB)، وكل ذلك ضمن المنظومة نفسها التي تحظى بصيانة جيدة.
سهولة الاستخدام والتكامل مع المنظومة#
تتمثل إحدى أكبر سلبيات النماذج القديمة مثل EfficientDet في تعقيد مسارات التدريب وإعدادات التعلم الآلي الآلي. وعلى النقيض، توفر منصة Ultralytics تجربة مطورين لا مثيل لها.
لا يتطلب نشر نموذج باستخدام Ultralytics سوى بضعة أسطر من التعليمات البرمجية، في تناقض واضح مع إعدادات التهيئة المطولة التي تتطلبها أطر العمل الأقدم.
from ultralytics import YOLO
# Load a pretrained YOLO26 model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100)
# Run inference on a test image natively without NMS overhead
predictions = model("https://ultralytics.com/images/bus.jpg")وبالنسبة إلى من يستكشفون بدائل أخرى، تتوفر أيضًا بنيات مثل RT-DETR أو YOLOv8 القديم ضمن منظومة Ultralytics، ما يتيح التبديل والاختبار بسلاسة.
الخلاصة#
يظل PP-YOLOE+ خيارًا قويًا لعمليات نشر معينة على الخوادم ضمن منظومة Paddle، ويظل EfficientDet دراسة مثيرة للاهتمام في التصميم الآلي للبنى. ومع ذلك، بالنسبة إلى التطبيقات الحديثة التي تتطلب استدلالًا آنيًا، وسهولة النشر، ومتطلبات ذاكرة محدودة، يوفر Ultralytics YOLO26 أفضل توازن أداء مقنع. ويجعله تصميمه الأصلي الخالي من NMS وأداؤه فائق السرعة على CPU الخيار الحاسم لتحصين البنية التحتية للذكاء الاصطناعي مستقبلًا.