PP-YOLOE+ مقابل EfficientDet#
يُعد اختيار البنية المناسبة خطوة حاسمة في بناء تطبيقات الرؤية الحاسوبية المتينة. يستعرض هذا الدليل التقني المفاضلات بين نموذجي كشف الأجسام المعروفين PP-YOLOE+ وEfficientDet. سنحلل بنيتيهما، ونقيّم مقاييس الأداء، ونستكشف سيناريوهات النشر المثلى لكل منهما.
مع أن كلا النموذجين قد أسهم إسهامًا كبيرًا في هذا المجال، سنناقش أيضًا كيف توفر البدائل الحديثة مثل Ultralytics YOLO26 كفاءة أعلى بكثير في استخدام الذاكرة، واستدلالًا أسرع، وتجربة مطورين مبسطة للغاية.
نظرة عامة على البنية: PP-YOLOE+#
PP-YOLOE+ إصدار مطوّر من PP-YOLO الأصلي، صُمم خصيصًا لتحسين الأداء على وحدات GPU الخادمة ضمن منظومة PaddlePaddle. ويقدم تحسينات متعددة على البنية الأساسية، مع التركيز على نهج خالٍ من 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 مواءم للمهام الفعالة (ET-head)، ويعتمد بدرجة كبيرة على خسارة varifocal للتصنيف، إلى جانب خسارة البؤرة التوزيعية لانحدار مربعات الإحاطة. وقد ساعد انتقاله إلى تصميم كاشف خالٍ من المراسي على تبسيط مسار المعالجة اللاحقة، ما جعله منافسًا قويًا عند إطلاقه.
غالبًا ما تجد الفرق المستثمرة بعمق في إطار عمل PaddlePaddle من Baidu أن اعتماد PP-YOLOE+ أسهل لمهام مثل تقسيم الكائنات، رغم افتقاره إلى دعم أوسع لأطر العمل المتعددة، كما هو متاح في الأدوات الأحدث.
نظرة عامة على البنية: EfficientDet#
يتبع EfficientDet نهجًا مختلفًا جذريًا في كشف الأجسام، إذ يعتمد بدرجة كبيرة على البحث عن 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 الخاص بـBrain AutoML
تعرّف على المزيد عن EfficientDet
تتمثل الركيزة الأساسية لـEfficientDet في شبكة هرمية ثنائية الاتجاه للميزات (BiFPN). وعلى عكس شبكات FPN التقليدية، تتيح BiFPN دمج الميزات متعددة المقاييس بسهولة وسرعة، من خلال إدخال أوزان قابلة للتعلم لتحديد أهمية ميزات الإدخال المختلفة. وبالاقتران مع العمود الفقري EfficientNet، يوسّع EfficientDet عرض الشبكة وعمقها ودقتها بالتزامن وبطريقة منهجية.
على الرغم من كفاءتها النظرية العالية من حيث FLOPs، قد تواجه نماذج EfficientDet صعوبة أحيانًا في تحويل الكفاءة النظرية إلى سرعة فعلية على الأجهزة الطرفية، بسبب أنماط الوصول المعقدة إلى الذاكرة، على عكس متطلبات الذاكرة الأقل بكثير في النماذج القائمة على YOLO.
تحليل الأداء والمعايير#
يقارن الجدول أدناه المقاييس الرئيسية على مجموعات بيانات معيارية مثل COCO. وتوفر مقارنة متوسط الدقة المتوسطة (mAP) بسرعة الاستدلال صورة واضحة لجبهة باريتو.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 | 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 |
كما هو موضح، يحقق PP-YOLOE+ عمومًا توسعًا أفضل في mAP الخام على وحدات GPU المتطورة، بينما يسعى EfficientDet إلى تقليل عدد المعاملات. ومع ذلك، يتخلف كلاهما عن قدرات المعالجة الآنية الحديثة المطلوبة لـالذكاء الاصطناعي الطرفي المتقدم.
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: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
- 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)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- 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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- 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 تاريخيتين مهمتين، ينبغي للمطورين الساعين إلى دقة متطورة واستهلاك أقل للذاكرة وتجربة استخدام مبسطة التوجه إلى Ultralytics YOLO26.
يمثل YOLO26 قفزة هائلة إلى الأمام في كشف الأجسام، إذ يقدم عدة ابتكارات جوهرية:
- تصميم شامل من البداية إلى النهاية بلا NMS: استنادًا إلى الإنجازات التي حققها YOLOv10، يزيل الرأس الاختياري الشامل من البداية إلى النهاية في YOLO26 (
nms=False) كبح غير الأقصى (NMS) أثناء الاستدلال. ويؤدي ذلك إلى خفض زمن الاستجابة بدرجة كبيرة وإزالة اختناقات المعالجة اللاحقة المعقدة. - محسّن MuSGD: استلهامًا من ابتكارات تدريب نماذج اللغة الكبيرة، يستخدم YOLO26 محسّنًا هجينًا يجمع SGD وMuon. وهذا يعزز استقرار التدريب بدرجة كبيرة ويقلل 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 العاملة بالبطارية أو المعتمدة على CPU فقط.
- دوال خسارة متقدمة: يعزز دمج ProgLoss وSTAL التعرّف على الأجسام الصغيرة بدرجة كبيرة، وهو أمر ضروري لمهام مثل تحليلات الطائرات المسيّرة والروبوتات.
على عكس EfficientDet الذي يركز حصرًا على الكشف، يتعامل YOLO26 أصليًا مع تصنيف الصور، وتقدير الوضعية، ومربعات الإحاطة الموجّهة (OBB)، وكل ذلك ضمن المنظومة نفسها التي تحظى بصيانة جيدة.
سهولة الاستخدام والتكامل مع المنظومة#
من أبرز عيوب النماذج القديمة مثل EfficientDet تعقيد مسارات التدريب وإعدادات التعلم الآلي الآلي. وعلى النقيض من ذلك، توفر منصة Ultralytics تجربة مطورين لا مثيل لها.
لا يتطلب نشر نموذج باستخدام Ultralytics سوى بضعة أسطر من التعليمات البرمجية، وهو ما يشكل تباينًا واضحًا مع 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)تتوفر أيضًا بنيات بديلة أخرى ضمن منظومة Ultralytics لمن يستكشفون خيارات أخرى، مثل RT-DETR أو YOLOv8 القديم، ما يتيح التبديل والاختبار بسلاسة.
الخلاصة#
يظل PP-YOLOE+ خيارًا قويًا لبعض عمليات النشر على الخوادم ضمن منظومة Paddle، ويظل EfficientDet موضوعًا مثيرًا للاهتمام لدراسة تصميم البنى آليًا. لكن Ultralytics YOLO26 يقدم أفضل توازن للأداء للتطبيقات الحديثة التي تتطلب استدلالًا آنيًا وسهولة النشر والحد الأدنى من متطلبات الذاكرة. ويجعل تصميمه الاختياري الخالي من NMS وأداؤه فائق السرعة على CPU منه الخيار الحاسم لتجهيز بنية الذكاء الاصطناعي لديك للمستقبل.