PP-YOLOE+ مقابل EfficientDet
يُعد اختيار البنية المناسبة خطوة أساسية لبناء تطبيقات الرؤية الحاسوبية المتينة. يستكشف هذا الدليل التقني المفاضلات بين نموذجي اكتشاف الأجسام المعروفين PP-YOLOE+ وEfficientDet. ويشرح بنيتيهما، ويحلل مقاييس الأداء، ويتناول سيناريوهات النشر الأنسب لهما.
مع أن كلا النموذجين أسهم إسهامًا كبيرًا في هذا المجال، يناقش هذا الدليل أيضًا كيف توفر البدائل الحديثة مثل Ultralytics YOLO26 كفاءة أفضل في استخدام الذاكرة واستدلالًا أسرع وتجربة مبسّطة للمطورين.
نظرة عامة على البنية: PP-YOLOE+#
PP-YOLOE+ نسخة محسّنة من PP-YOLOE، الذي يمثل بدوره تطورًا لسلسلة PP-YOLO، وقد بُني لتحسين الأداء على GPU الخوادم ضمن منظومة PaddlePaddle. ويقدم عدة تحسينات للبنية الأساسية، مع التركيز على نهج لا يعتمد على المراسي.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: 2203.16250
- الوثائق: الملف التمهيدي لـPaddleDetection
تعرّف على المزيد حول PP-YOLOE+
يتميز PP-YOLOE+ بعمود فقري CSPRepResNet ورأس محاذاة المهام الفعّال (ET-head)، ويعتمد بدرجة كبيرة على خسارة varifocal للتصنيف وخسارة البؤرة التوزيعية لانحدار صناديق الإحاطة. وقد ساعد انتقاله إلى تصميم كاشف لا يعتمد على المراسي في تبسيط مسار المعالجة اللاحقة، ما جعله منافسًا قويًا عند إطلاقه.
غالبًا ما تجد الفرق المستثمرة بعمق في إطار PaddlePaddle من Baidu أن اعتماد PP-YOLOE+ أسهل ضمن مسارات عملها القائمة، لكنه يفتقر إلى دعم الأطر المتعددة الواسع المتوفر في الأدوات الأحدث.
نظرة عامة على البنية: EfficientDet#
يتبع EfficientDet نهجًا مختلفًا في اكتشاف الأجسام، إذ يبني على عمود فقري جرى اكتشافه عبر البحث عن البنية العصبية، ويطبق مبادئ التحجيم المركّب.
- المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
- الجهة: Google
- التاريخ: 2019-11-20
- arXiv: 1911.09070
- الوثائق: ملف README الخاص بـBrain AutoML
تعرّف على المزيد عن EfficientDet
تُعد شبكة هرم الميزات ثنائية الاتجاه (BiFPN) حجر الأساس في EfficientDet. فعلى خلاف شبكات FPN التقليدية، تتيح BiFPN دمج الميزات متعددة المقاييس بسرعة عبر إدخال أوزان قابلة للتعلّم لتعلّم أهمية ميزات الإدخال المختلفة. وبالاقتران مع عمود EfficientNet الفقري، يوسّع EfficientDet عرض الشبكة وعمقها ودقتها بالتزامن وبطريقة منهجية.
على الرغم من كفاءتها العالية من حيث FLOPs، قد تواجه نماذج EfficientDet صعوبة في تحويل الكفاءة النظرية إلى سرعة واقعية على الأجهزة الطرفية بسبب أنماط الوصول المعقدة إلى الذاكرة، على عكس متطلبات الذاكرة الأقل في النماذج القائمة على YOLO.
تحليل الأداء والمعايير#
يقارن الجدول أدناه المقاييس الأساسية على مجموعات البيانات القياسية مثل COCO. وتوضح مقارنة متوسط الدقة (mAP) بسرعة الاستدلال موضع كل نموذج على جبهة باريتو للسرعة والدقة.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | 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 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
كما يتضح، يتوسع PP-YOLOE+ عمومًا بصورة أفضل من حيث mAP الخام على GPU المتطورة، بينما يسعى EfficientDet إلى تقليل عدد المعلمات. لكن كليهما يتخلف عن أداء الوقت الفعلي الذي تتطلبه تطبيقات الذكاء الاصطناعي الطرفي الحديثة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين PP-YOLOE+ وEfficientDet على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار PP-YOLOE+#
يُعد PP-YOLOE+ خيارًا قويًا لـ:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
- النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
- اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.
متى تختار EfficientDet#
يوصى باستخدام EfficientDet في الحالات التالية:
- مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
- أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
- النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة Android أو أجهزة Linux المضمنة.
متى تختار Ultralytics (YOLO26)#
يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
البديل الحديث: Ultralytics YOLO26#
مع أن PP-YOLOE+ وEfficientDet يمثلان محطتين بارزتين، ينبغي للمطورين الساعين إلى دقة عالية واستهلاك أقل للذاكرة وتجربة استخدام مبسّطة التوجه إلى Ultralytics YOLO26.
يمثل YOLO26 خطوة كبيرة إلى الأمام في اكتشاف الأجسام، إذ يقدم عدة ابتكارات مهمة:
- تصميم شامل من البداية إلى النهاية بلا NMS: استنادًا إلى YOLOv10، يلغي الرأس الشامل الاختياري لـYOLO26 (
nms=False) خوارزمية قمع الصناديق المتداخلة (NMS) أثناء الاستدلال. وينتج عن ذلك انخفاض كبير في زمن الاستجابة وإزالة اختناقات المعالجة اللاحقة المعقدة. - مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب LLM، يستخدم YOLO26 مُحسِّنًا هجينًا من SGD وMuon يحسن استقرار التدريب ويقلل زمن التقارب.
- استدلال أسرع على CPU: يوفر YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعله خيارًا قويًا للأجهزة الطرفية العاملة بالبطارية أو التي تعتمد على CPU فقط.
- تقنيات تدريب متقدمة: يحسن ProgLoss وSTAL كثيرًا من التعرف على الأجسام الصغيرة، وهو أمر ضروري لمهام مثل تحليلات الطائرات المسيّرة والروبوتات.
على خلاف EfficientDet الذي يركز حصرًا على الاكتشاف، يتعامل YOLO26 أصليًا مع تقسيم الكائنات وتصنيف الصور وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB)، كل ذلك ضمن المنظومة نفسها التي تحظى بصيانة مستمرة.
سهولة الاستخدام والتكامل مع المنظومة#
من أكبر سلبيات النماذج القديمة مثل EfficientDet تعقيد مسارات التدريب وإعدادات التعلّم الآلي المؤتمت. وعلى النقيض، تقدم منصة Ultralytics تجربة مبسّطة للمطورين.
لا يتطلب تدريب نموذج وتشغيله باستخدام Ultralytics سوى بضعة أسطر من التعليمات البرمجية، على خلاف الإعدادات المطولة التي تتطلبها أطر العمل الأقدم.
from ultralytics import YOLO
# تحميل نموذج YOLO26 مدرّب مسبقًا
model = YOLO("yolo26s.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100)
# تنفيذ الاستدلال بلا NMS على صورة اختبار باستخدام الرأس الشامل من البداية إلى النهاية
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)للمهتمين باستكشاف بدائل أخرى، تتوفر أيضًا بنيات مثل RT-DETR أو YOLOv8 الأسبق ضمن منظومة Ultralytics، ما يسهل تبديل النماذج واختبارها.
الخلاصة#
يظل PP-YOLOE+ خيارًا قويًا لعمليات نشر محددة على الخوادم ضمن منظومة Paddle، ويظل EfficientDet دراسة مهمة في التصميم المؤتمت للبنى. لكن للتطبيقات الحديثة التي تتطلب استدلالًا في الوقت الفعلي وسهولة النشر والحد الأدنى من متطلبات الذاكرة، يقدم Ultralytics YOLO26 أفضل توازن مقنع للأداء. ويجعله تصميمه الاختياري الخالي من NMS وأداؤه السريع على CPU الخيار الموصى به لبنية الذكاء الاصطناعي الحديثة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.