PP-YOLOE+ مقابل YOLOv5#

عند اختيار إطار التعلم العميق المناسب للرؤية الحاسوبية، يجد المطورون أنفسهم غالبًا يقارنون إمكانات معماريات مختلفة للعثور على التوازن المثالي بين السرعة والدقة وسهولة النشر. في هذا التحليل المتعمق، سنستكشف الفروق التقنية الدقيقة بين PP-YOLOE+ وYOLOv5. ومن خلال تحليل معماريتهما ومقاييس أدائهما وسيناريوهات النشر المثالية لهما، يمكنك اتخاذ قرار مستنير لمشروعك التالي، سواء كان يتضمن روبوتات آنية، أو نشرًا على الأجهزة الطرفية، أو تحليلات فيديو قائمة على السحابة.

أصول النماذج وبياناتها الوصفية#

ينحدر كلا النموذجين من فرق هندسية عالية الكفاءة، لكنهما يستهدفان منظومتين مختلفتين قليلًا. ويوفر فهم أصولهما سياقًا قيّمًا لفهم خيارات تصميمهما المعماري.

تفاصيل PP-YOLOE+:

• المؤلفون: مؤلفو PaddlePaddle
• المنظمة: Baidu
• التاريخ: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• الوثائق: ملف README لمشروع PaddleDetection

تعرف على المزيد حول PP-YOLOE+

تفاصيل YOLOv5:

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• الوثائق: https://docs.ultralytics.com/models/yolov5

مقارنة البنى المعمارية#

بنية PP-YOLOE+#

يمثل PP-YOLOE+ تطورًا ضمن منظومة Baidu، وقد بُني على أساس نماذج سابقة مثل PP-YOLOv2. ويقدم عمودًا فقريًا CSPRepResNet محسّنًا بدرجة كبيرة، يعزز استخراج الميزات من خلال الجمع بين مبادئ الشبكات الجزئية عبر المراحل (CSP) وتقنيات إعادة المعلمات. ويتيح ذلك للنموذج الحفاظ على دقة عالية أثناء التدريب، مع التحول إلى معمارية أكثر انسيابية للاستدلال الأسرع.

بالإضافة إلى ذلك، يستخدم PP-YOLOE+ تعلّم محاذاة المهام (TAL) ورأسًا متوافقًا مع المهام عالي الكفاءة (ET-head). ويهدف هذا الدمج إلى حل عدم التوافق بين مهمتَي التصنيف وتحديد الموضع، وهو عنق زجاجة شائع في كاشفات الأجسام الكثيفة. وعلى الرغم من إثارة الإعجاب من الناحية الهيكلية، ترتبط المعمارية ارتباطًا وثيقًا بـ إطار PaddlePaddle، ما قد يفرض تحديات في التكامل على الفرق التي توحّد مكتبات ML الرئيسية الأخرى.

معمارية YOLOv5#

في المقابل، صُمم YOLOv5 أصلًا باستخدام PyTorch، وهو المعيار الصناعي في كل من البحث الأكاديمي والإنتاج المؤسسي. ويستخدم عمودًا فقريًا CSPDarknet53 معدلًا، يشتهر بانسيابية تدرجاته الاستثنائية وكفاءة معلماته.

من السمات المميزة لـ YOLOv5 خوارزمية AutoAnchor، التي تتحقق ديناميكيًا من أحجام مربعات الارتساء وتعدّلها استنادًا إلى مجموعة بياناتك المخصصة قبل التدريب. ويزيل ذلك الحاجة إلى الضبط اليدوي للمعلمات الفائقة لمربعات الإحاطة. وتضمن شبكة تجميع المسارات (PANet) في الجزء الأوسط من النموذج دمجًا قويًا للميزات متعددة المقاييس، ما يجعلها فعالة للغاية في اكتشاف الأجسام ذات الأحجام المتنوعة.

تحليل الأداء#

يتطلب تقييم هذه النماذج النظر في المفاضلة بين متوسط الدقة (mAP) وزمن الاستجابة. ويعرض الجدول التالي المقاييس عبر أحجام نماذج مختلفة.

بينما يحقق PP-YOLOE+ درجات mAP تنافسية للغاية عند المقاييس الأكبر، مثل الإصدار X، يوفر YOLOv5 سرعة أعلى وعددًا أقل من المعلمات عند الطرف الأصغر من الطيف. ولا يتطلب YOLOv5 Nano (YOLOv5n) سوى 2.6 مليون معلمة، ما يجعله مناسبًا للغاية للأجهزة الطرفية محدودة الموارد حيث تكون متطلبات الذاكرة صارمة. وعلاوة على ذلك، يستهلك تدريب نماذج YOLO عادةً قدرًا أقل من ذاكرة CUDA مقارنةً بالبدائل الثقيلة القائمة على Transformer مثل RT-DETR.

ميزة Ultralytics#

عند اختيار معمارية، لا تمثل المقاييس الأولية سوى جزء من المعادلة. فكثيرًا ما تحدد تجربة المطور ودعم المنظومة وخطوط النشر نجاح المشروع في العالم الحقيقي. وهنا تتألق نماذج Ultralytics.

سهولة استخدام لا مثيل لها#

تجرد واجهة Python البرمجية في Ultralytics المطورين من تعقيدات التعليمات البرمجية التمهيدية. ويمكن للمطورين بدء التدريب والتحقق من الأداء ونشر النماذج بسلاسة. كما أن الوثائق شاملة ومحدّثة باستمرار ومدعومة من مجتمع عالمي ضخم مفتوح المصدر.

تعدد الاستخدامات عبر المهام#

بينما يُعد PP-YOLOE+ كاشفًا مخصصًا للأجسام، تتيح منظومة Ultralytics للمستخدمين معالجة مهام متعددة في الرؤية الحاسوبية باستخدام واجهة API موحدة واحدة. ومع YOLOv5 وخلفائه، يمكنك الانتقال بسهولة من مربعات الإحاطة القياسية إلى سير عمل تجزئة الصور والتصنيف.

مثال برمجي: تدريب YOLOv5#

لا يتطلب البدء سوى بضعة أسطر من التعليمات البرمجية. وتسرّع هذه البساطة دورات البحث والتطوير بدرجة كبيرة.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

حالات الاستخدام الواقعية#

متى تختار PP-YOLOE+: إذا كانت مؤسستك مندمجة بعمق في حزمة Baidu البرمجية أو تعتمد اعتمادًا كبيرًا على أجهزة متخصصة تفرض استخدام إطار PaddlePaddle، فإن PP-YOLOE+ يمثل خيارًا قويًا. ويُستخدم كثيرًا في خطوط تصنيع متخصصة في آسيا، حيث يوجد تكامل قديم مع Paddle.

متى تختار YOLOv5: بالنسبة إلى الغالبية العظمى من المطورين والباحثين والمؤسسات الدوليين، يظل YOLOv5 نموذجًا قويًا للغاية. وتعني جذوره القائمة على PyTorch أنه متوافق مباشرةً مع أدوات مثل Weights & Biases للتتبع، كما يُصدّر بسلاسة إلى TensorRT لتسريع GPU من NVIDIA أو إلى CoreML لأجهزة Apple. وهو يتفوق في مجالات متنوعة، بدءًا من مراقبة المحاصيل الزراعية ووصولًا إلى الملاحة عالية السرعة للطائرات المسيّرة.

مستقبل الكشف: Ultralytics YOLO26#

على الرغم من أن YOLOv5 نموذج شهير، فإن طليعة الرؤية الحاسوبية قد تقدمت. ونوصي بشدة، بالنسبة إلى جميع التطويرات الجديدة، بالانتقال إلى YOLO26، الذي أُصدر في يناير 2026. ويتوفر YOLO26 بسلاسة عبر منصة Ultralytics، ويعيد تعريف الكفاءة بالكامل.

الابتكارات الرئيسية في YOLO26:

• تصميم شامل من طرف إلى طرف وخالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة الخاصة بكبت القيم غير العظمى بالكامل. ويقلل ذلك من تباين زمن الاستجابة ويبسط خط النشر بدرجة كبيرة.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: من خلال إزالة خسارة التركيز التوزيعي (DFL) بصورة استراتيجية، يزيد YOLO26 السرعة بدرجة كبيرة على الأجهزة الطرفية التي لا تحتوي على GPU.
• محسّن MuSGD: مستوحى من نماذج اللغة الكبيرة الرائدة، يعمل هذا المحسّن الهجين على استقرار ديناميكيات التدريب ويسمح بتقارب أسرع بكثير على مجموعات البيانات المخصصة.
• تحسينات خاصة بالمهام: يوفر دوال خسارة متقدمة مثل ProgLoss وSTAL، ما يحقق دقة غير مسبوقة على الأجسام الصغيرة جدًا. كما يدعم أصليًا اكتشاف مربع الإحاطة الموجّه (OBB) للصور الجوية.

إذا كنت تستكشف نماذج الرؤية المتطورة، فقد يهمك أيضًا مقارنة الجيل السابق YOLO11 أو الأساليب القائمة على Transformer مثل RT-DETR. وفي نهاية المطاف، ترسّخ المنظومة القوية، إلى جانب التطورات المعمارية المتقدمة، مكانة Ultralytics بوصفها الخيار الرائد لمهام الرؤية الحاسوبية الحديثة.