تخطي إلى المحتوى

PP-YOLOE+ مقابل YOLOv10: مقارنة فنية

يُعد اختيار نموذج الكشف عن الكائنات الأمثل قرارًا بالغ الأهمية يوازن بين الدقة والسرعة والموارد الحسابية لأي مشروع رؤية حاسوبية. تقدم هذه الصفحة مقارنة فنية مفصلة بين PP-YOLOE+، الذي طورته Baidu، و YOLOv10، وهو نموذج حديث من جامعة Tsinghua مدمج بالكامل في نظام Ultralytics البيئي. سنقوم بتحليل هياكلها ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اتخاذ خيار مستنير.

PP-YOLOE+: دقة عالية في نظام PaddlePaddle البيئي

PP-YOLOE+‎ (Practical PaddlePaddle You Only Look One-level Efficient Plus)‎‏ هو نموذج لاكتشاف الكائنات أحادي المرحلة وخالي من المرساة من إطار عمل PaddleDetection الخاص بـ Baidu. تم تقديمه في عام 2022، وينصب تركيزه الأساسي على تقديم دقة عالية مع الحفاظ على الكفاءة، خاصةً للمستخدمين داخل بيئة التعلم العميق PaddlePaddle.

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
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

يعزز PP-YOLOE+‎‏ بنية YOLO القياسية مع العديد من التعديلات الرئيسية لتعزيز الأداء.

  • تصميم بدون نقاط ارتكاز: من خلال إلغاء مربعات الارتكاز المعرفة مسبقًا، يعمل PP-YOLOE+ على تبسيط مسار الاكتشاف ويقلل من تعقيد ضبط المعلمات الفائقة. هذا النهج شائع في العديد من أجهزة الكشف الحديثة الخالية من نقاط الارتكاز.
  • مكونات فعالة: يستخدم عمودًا فقريًا من نوع ResNet ورقبة Path Aggregation Network (PAN) لدمج الميزات بشكل فعال، وهو مزيج مُثبت لتحقيق التوازن بين السرعة والدقة.
  • رأس منفصل: يفصل النموذج مهام التصنيف والانحدار داخل رأس الاكتشاف، وهي تقنية معروفة بتحسين دقة الاكتشاف عن طريق منع تداخل المهام.
  • تعلم محاذاة المهام (TAL): يستخدم دالة فقدان متخصصة مصممة لتحسين مواءمة مهام التصنيف والتوطين، مما يؤدي إلى تنبؤات أكثر دقة.

نقاط القوة والضعف

أظهر PP-YOLOE+‎‏ أداءً قويًا، لكنه يأتي مع بعض المقايضات.

  • نقاط القوة: يمكن للنموذج تحقيق دقة عالية جدًا، خاصة مع متغيراته الأكبر. تصميمه الخالي من الارتكازات فعال، وهو مُحسَّن للغاية للمستخدمين المستثمرين بالفعل في إطار عمل PaddlePaddle.
  • نقاط الضعف: عيبه الأساسي هو اقترانه الوثيق بنظام PaddlePaddle البيئي. يمكن أن يؤدي ذلك إلى صعوبة في التعلم وتحديات في التكامل للمطورين الذين يعملون مع أطر عمل أكثر شيوعًا مثل PyTorch. علاوة على ذلك، قد يكون دعم المجتمع والموارد المتاحة أقل شمولاً مقارنة بالنماذج الموجودة داخل نظام Ultralytics البيئي.

حالات الاستخدام

يُعد PP-YOLOE+ مناسبًا تمامًا للتطبيقات التي تكون فيها الدقة العالية أولوية وتعتمد بيئة التطوير على PaddlePaddle.

  • فحص الجودة الصناعية: الكشف عن العيوب الصغيرة في عمليات التصنيع.
  • البيع بالتجزئة الذكي: تشغيل تطبيقات مثل أنظمة الدفع الآلي و إدارة المخزون.
  • أتمتة إعادة التدوير: تحديد المواد المختلفة لـ أنظمة الفرز الآلية.

تعرف على المزيد حول PP-YOLOE+

YOLOv10: كفاءة شاملة في الوقت الفعلي

Ultralytics YOLOv10 هو أحدث تطور في سلسلة YOLO، تم تطويره بواسطة باحثين في جامعة Tsinghua. تم إصداره في مايو 2024، ويقدم تغييرات معمارية رائدة لتحقيق كشف حقيقي عن الأجسام في الوقت الفعلي من طرف إلى طرف عن طريق إزالة الاختناقات في مرحلة ما بعد المعالجة وتحسين النموذج لتحقيق كفاءة فائقة.

المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
المنظمة: جامعة Tsinghua
التاريخ: 2024-05-23
ArXiv: https://arxiv.org/abs/2405.14458
GitHub: https://github.com/THU-MIG/yolov10
المستندات: https://docs.ultralytics.com/models/yolov10/

البنية والميزات الرئيسية

تتمحور فلسفة تصميم YOLOv10 حول الكفاءة والأداء الشاملين، مما يجعله خيارًا متميزًا لمجموعة واسعة من التطبيقات.

  • تدريب بدون NMS: الابتكار الأهم في YOLOv10 هو استخدامه لتعيينات ثنائية متسقة أثناء التدريب. هذا يلغي الحاجة إلى تثبيط غير الأقصى (NMS) أثناء المعالجة اللاحقة، مما يقلل بشكل كبير من زمن الوصول للاستدلال ويبسط مسار النشر.
  • تصميم شامل للكفاءة والدقة: يتميز النموذج بتحسين شامل لعموده الفقري ورقبته ورأسه. تعمل الابتكارات مثل رأس التصنيف خفيف الوزن وتقليل الأبعاد المفصول مكانيًا وقنواتيًا على تقليل الحمل الحسابي مع الحفاظ على معلومات الميزات الغنية.
  • كفاءة وقابلية توسع فائقتان: يقدم YOLOv10 مجموعة واسعة من النماذج القابلة للتطوير، من Nano (N) إلى Extra-large (X). تتفوق هذه النماذج باستمرار على المنافسين من خلال توفير دقة أعلى مع عدد أقل من المعلمات وتكلفة حسابية أقل (FLOPs).
  • ميزة نظام Ultralytics البيئي: تم دمج YOLOv10 بسلاسة في نظام Ultralytics البيئي. يوفر هذا للمستخدمين تجربة لا مثيل لها، تتميز بسهولة الاستخدام من خلال Python API و CLI بسيطين، و وثائق شاملة، و تدريب فعال مع أوزان مُدرَّبة مسبقًا متاحة بسهولة، و متطلبات ذاكرة أقل. النموذج مدعوم من قبل مجتمع قوي وتطوير نشط عبر Ultralytics HUB.

نقاط القوة والضعف

يضع YOLOv10 معيارًا جديدًا لكاشفات الكائنات في الوقت الفعلي.

  • نقاط القوة: أحدث ما توصلت إليه التكنولوجيا في السرعة والدقة، وتصميم NMS-free حقيقي من طرف إلى طرف، وكفاءة حسابية استثنائية، وقابلية توسع ممتازة. إن تكامله في نظام Ultralytics البيئي الذي تتم صيانته جيدًا يجعله سهل التدريب والنشر والصيانة بشكل لا يصدق.
  • نقاط الضعف: كنموذج أحدث، لا يزال المجتمع وأدوات الطرف الثالث في طور النمو مقارنة بالنماذج الراسخة مثل YOLOv8.

حالات الاستخدام

تجعل كفاءة وتصميم YOLOv10 الشامل منه الخيار المثالي للتطبيقات التي تكون فيها السرعة وقيود الموارد بالغة الأهمية.

تعرف على المزيد حول YOLOv10

تحليل الأداء: PP-YOLOE+ مقابل YOLOv10

توضح معايير الأداء بوضوح مزايا بنية YOLOv10 الحديثة. في حين أن PP-YOLOE+x تحقق أعلى قيمة mAP بهامش صغير، إلا أن YOLOv10 تقدم باستمرار توازنًا أفضل بين السرعة والدقة والكفاءة عبر جميع أحجام النماذج.

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
YOLOv10n 640 39.5 - 1.56 2.3 6.7
YOLOv10s 640 46.7 - 2.66 7.2 21.6
YOLOv10m 640 51.3 - 5.48 15.4 59.1
YOLOv10b 640 52.7 - 6.54 24.4 92.0
YOLOv10l 640 53.3 - 8.33 29.5 120.3
YOLOv10x 640 54.4 - 12.2 56.9 160.4

على سبيل المثال، يحقق YOLOv10m خريطة mAP أعلى من PP-YOLOE+m مع كونه أسرع ولديه عدد أقل بكثير من المعلمات (15.4 مليون مقابل 23.43 مليون). وبالمثل، يتفوق YOLOv10l على PP-YOLOE+l في الدقة مع ما يقرب من نصف المعلمات. حتى في الطرف الأعلى، يعتبر YOLOv10x أكثر كفاءة من PP-YOLOE+x، حيث يقدم دقة مماثلة مع زمن انتقال ومتطلبات حسابية أقل بكثير.

الخلاصة: أي نموذج يجب أن تختاره؟

في حين أن PP-YOLOE+ هو نموذج قوي للمستخدمين الملتزمين بإطار PaddlePaddle، فإن YOLOv10 هو التوصية الواضحة للغالبية العظمى من المطورين والباحثين.

تجعل كفاءة YOLOv10 الفائقة، وهندسته المبتكرة الخالية من NMS، وأدائه الحديث، منه الخيار الأكثر تنوعًا والمقاوم لمستقبل التطورات. إن تكامله السلس في نظام Ultralytics البيئي يزيل الحواجز أمام الدخول، مما يوفر حلاً سهل الاستخدام ومدعومًا جيدًا وعالي القدرات لمجموعة واسعة من التطبيقات الواقعية، من الأجهزة الطرفية إلى خوادم السحابة عالية الأداء.

استكشف نماذج أخرى

إذا كنت تستكشف خيارات أخرى، ففكر في إلقاء نظرة على نماذج أخرى حديثة في نظام Ultralytics البيئي. يمكنك العثور على مقارنات تفصيلية مثل YOLOv10 مقابل YOLOv9 و YOLOv10 مقابل YOLOv8. بالنسبة لأولئك الذين يبحثون عن أحدث التطورات، تحقق من Ultralytics YOLO11 الجديد.



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد
glenn-jocher

تعليقات