PP-YOLOE+ مقابل YOLOv5
عند اختيار إطار تعلم عميق للرؤية الحاسوبية، كثيرًا ما يقارن المطورون بين البنى المختلفة لإيجاد التوازن المناسب بين السرعة والدقة وسهولة النشر. تتناول هذه المقارنة الفروق التقنية بين PP-YOLOE+ وYOLOv5 في كشف الأجسام. ومن خلال تحليل بنيتيهما ومقاييس الأداء وسيناريوهات النشر الأنسب، يمكنك اتخاذ قرار مدروس لمشروعك التالي، سواء أكان يشمل الروبوتات الفورية أم النشر الطرفي أم تحليلات الفيديو السحابية.
أصول النماذج وبياناتها الوصفية#
ينتمي كلا النموذجين إلى فريقين هندسيين متمكنين، لكنهما يستهدفان منظومتين مختلفتين بعض الشيء. ويوفر فهم أصولهما سياقًا مفيدًا لخيارات تصميمهما المعماري.
تفاصيل PP-YOLOE+ :
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- الوثائق: الملف التمهيدي لـPaddleDetection
تعرّف على المزيد حول PP-YOLOE+
تفاصيل YOLOv5:
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- الوثائق: https://docs.ultralytics.com/models/yolov5
مقارنة البنى#
بنية PP-YOLOE+#
يمثل PP-YOLOE+ تطورًا ضمن منظومة Baidu، وقد بُني على أساس نماذج سابقة مثل PP-YOLOv2. ويقدم عمودًا فقريًا محسّنًا CSPRepResNet يعزز استخراج السمات من خلال الجمع بين مبادئ شبكات الأجزاء الجزئية المتقاطعة (CSP) وتقنيات إعادة المعلمة. وهذا يمكّن النموذج من الحفاظ على دقة عالية أثناء التدريب، مع التحول إلى بنية أكثر انسيابية لتسريع الاستدلال.
إضافةً إلى ذلك، يستخدم PP-YOLOE+ تعلم محاذاة المهام (TAL) ورأسًا متوافقًا مع المهام بكفاءة (ET-head). ويهدف هذا المزيج إلى معالجة عدم المحاذاة بين مهام التصنيف وتحديد المواقع، وهو اختناق شائع في كواشف الأجسام الكثيفة. ورغم جودة تصميم البنية، فإنها مرتبطة ارتباطًا وثيقًا بـإطار PaddlePaddle، ما قد يطرح تحديات تكامل للفرق التي تعتمد مكتبات تعلم آلي رئيسية أخرى.
بنية YOLOv5#
في المقابل، صُمم YOLOv5 أصليًا ضمن PyTorch، المعيار الصناعي للأبحاث الأكاديمية والإنتاج المؤسسي على حد سواء. ويستخدم عمودًا فقريًا معدلًا من CSPDarknet53، معروفًا بتدفق التدرجات القوي وكفاءة المعلمات.
من السمات المميزة لـYOLOv5 خوارزمية AutoAnchor، التي تتحقق ديناميكيًا من أحجام مربعات المراسي وتضبطها استنادًا إلى مجموعة بياناتك المخصصة، قبل التدريب. وهذا يلغي الضبط اليدوي للمعلمات الفائقة لمربعات الإحاطة. كما تضمن شبكة PANet في عنق النموذج دمجًا قويًا للسمات متعددة المقاييس، ما يجعله فعّالًا للغاية في اكتشاف الأجسام ذات الأحجام المتفاوتة.
بما أن YOLOv5 مبني مباشرةً على PyTorch، فإن تصديره إلى صيغ محسّنة مثل ONNX وTensorRT يتطلب إعدادًا وسيطًا أقل بكثير من النماذج المقيدة بسلاسل أدوات خاصة بأطر عمل محددة.
تحليل الأداء#
يتطلب تقييم هذه النماذج النظر في الموازنة بين متوسط الدقة (mAP) وزمن الاستجابة. يعرض الجدول التالي المقاييس لأحجام النماذج المختلفة.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
رغم أن PP-YOLOE+ يحقق نتائج mAP تنافسية جدًا عند الأحجام الأكبر، مثل الإصدار X، فإن YOLOv5 يوفر سرعة أعلى وعددًا أقل من المعلمات في الطرف الأصغر من نطاق الأحجام. ولا يتطلب YOLOv5 Nano (YOLOv5n) سوى 1.9 مليون معلمة، ما يجعله مناسبًا جدًا للأجهزة الطرفية المحدودة التي تفرض قيودًا صارمة على الذاكرة. إضافةً إلى ذلك، يستهلك تدريب نماذج YOLO عادةً ذاكرة CUDA أقل مقارنةً بالبدائل الثقيلة القائمة على Transformer مثل RT-DETR.
ميزة Ultralytics#
عند اختيار بنية ما، لا تمثل المقاييس الخام سوى جزء من المعادلة. فكثيرًا ما تحدد تجربة المطور ودعم المنظومة ومسارات النشر النجاح الفعلي للمشروع. وهنا تتميز نماذج Ultralytics.
سهولة الاستخدام#
تخفي Python API الخاصة بـUltralytics تعقيدات الشيفرات التمهيدية. ويمكن للمطورين بدء التدريب والتحقق من الأداء ونشر النماذج بأقل قدر من الشيفرة. كما أن الوثائق شاملة وتخضع لصيانة نشطة، ويدعمها مجتمع عالمي كبير مفتوح المصدر.
التنوع عبر المهام#
رغم أن PP-YOLOE+ كاشف أجسام متخصص، تتيح منظومة Ultralytics للمستخدمين تنفيذ مهام متعددة في الرؤية الحاسوبية عبر API موحدة واحدة. وباستخدام YOLOv5 وخلفائه، يمكنك الانتقال بسهولة من مربعات الحدود التقليدية إلى مسارات عمل تقسيم الكائنات والتصنيف.
مثال على التعليمات البرمجية: تدريب YOLOv5#
لا يتطلب البدء سوى بضعة أسطر من التعليمات البرمجية. وتسرّع هذه البساطة دورات البحث والتطوير بدرجة كبيرة.
from ultralytics import YOLO
# تحميل نموذج YOLOv5 صغير مدرّب مسبقًا
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل استدلال سريع على صورة
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()حالات الاستخدام في العالم الحقيقي#
متى تختار PP-YOLOE+: إذا كانت مؤسستك مندمجة بعمق في حزمة برامج Baidu أو تعتمد بشدة على أجهزة متخصصة تفرض استخدام إطار PaddlePaddle، فإن PP-YOLOE+ يقدم أداءً موثوقًا. وغالبًا ما يُستخدم في مسارات التصنيع المتخصصة ذات التكامل القائم مع Paddle.
متى تختار YOLOv5: بالنسبة إلى معظم المطورين والباحثين والمؤسسات، يظل YOLOv5 خيارًا قويًا. ويعني اعتماده على PyTorch أنه متوافق فورًا مع أدوات مثل Weights & Biases للتتبّع، كما يُصدّر بسلاسة إلى TensorRT لتسريع المعالجة باستخدام GPU من NVIDIA أو إلى CoreML لأجهزة Apple. ويحقق أداءً جيدًا في مجالات متنوعة، من مراقبة المحاصيل الزراعية إلى ملاحة الطائرات المسيّرة عالية السرعة.
مستقبل الاكتشاف: Ultralytics YOLO26#
رغم أن YOLOv5 نموذج بارز، فقد تطورت الرؤية الحاسوبية. ولجميع التطويرات الجديدة، يُوصى باستخدام YOLO26 الذي أُطلق في يناير 2026. يتوفر YOLO26 عبر منصة Ultralytics، ويرسي معيارًا جديدًا للكفاءة.
الابتكارات الرئيسية في YOLO26:
- تصميم شامل من البداية إلى النهاية بلا NMS: يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) المعالجة اللاحقة لخوارزمية قمع الصناديق المتداخلة (NMS) بالكامل. يقلل ذلك تباين زمن الاستجابة ويبسط مسار النشر إلى حد كبير. - استدلال أسرع على CPU بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يزيد YOLO26 السرعة بدرجة كبيرة على الأجهزة الطرفية التي لا تحتوي على GPU، حيث يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n.
- مُحسِّن MuSGD: استلهامًا من تقنيات تدريب النماذج اللغوية الكبيرة (LLM)، يحقق هذا المُحسِّن الهجين استقرارًا لديناميكيات التدريب ويتيح تقاربًا أسرع على مجموعات البيانات المخصصة.
- تحسينات خاصة بالمهام: يتضمن ProgLoss وSTAL (خسارة تدريجية وإسنادًا للتسميات يراعي الأهداف الصغيرة)، ما يحسن الدقة للأجسام الدقيقة. كما يدعم أصليًا اكتشاف الصناديق المحيطة الموجّهة (OBB) للصور الجوية.
إذا كنت تستكشف نماذج الرؤية الحديثة، فقد يهمك أيضًا مقارنة الجيل السابق YOLO11 أو الأساليب القائمة على Transformer مثل RT-DETR. ويجعل النظام البيئي المتين، إلى جانب التطورات المعمارية المستمرة، من Ultralytics خيارًا قويًا لمهام الرؤية الحاسوبية الحديثة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.