PP-YOLOE+ ضد YOLOv7: نظرة فنية متعمقة في معمارية الكشف عن الأجسام

يتضمن اختيار نموذج الكشف عن الأجسام الأمثل تحقيق التوازن بين الدقة وسرعة الاستدلال وتعقيد النشر. من بين المتنافسين البارزين في هذا المجال PP-YOLOE+ و YOLOv7، وكلاهما تم إصداره في عام 2022 بهدف تطوير أحدث أداء. يستكشف هذا التحليل الشامل بنيتهما الفريدة ومعاييرهما وملاءمتهما للتطبيقات الواقعية، مما يساعد المطورين على اتخاذ قرارات تستند إلى البيانات.

مقارنة مقاييس الأداء

يعرض الجدول التالي مقارنة مباشرة لمقاييس الأداء الرئيسية، بما في ذلك متوسط الدقة (mAP) وسرعات الاستدلال على الأجهزة المدعومة. تساعد هذه البيانات في تصور المفاضلات بين نهج PP-YOLOE+ الخالي من المرساة والبنية المحسّنة لـ YOLOv7.

PP-YOLOE+: كشف مُحسَّن بدون نقاط ارتكاز

PP-YOLOE+ هو تطور لسلسلة PP-YOLO، تم تطويره بواسطة باحثين في Baidu. إنه يعتمد على نقاط قوة سابقه، PP-YOLOE، من خلال إدخال تحسينات على عملية التدريب والهيكلية لزيادة تحسين سرعة التقارب وأداء المهام النهائية. باعتباره كاشفًا خاليًا من الارتكاز، فإنه يلغي الحاجة إلى مربعات الارتكاز المحددة مسبقًا، مما يبسط التصميم ويقلل من ضبط المعلمات الفائقة.

• المؤلفون: مؤلفو PaddlePaddle
• المؤسسة:بايدو
• التاريخ: 2022-04-02
• ArXiv:https://arxiv.org/abs/2203.16250
• GitHub:https://github.com/PaddlePaddle/PaddleDetection/
• الوثائق:ملف PaddleDetection README

تعرف على المزيد حول PP-YOLOE+

أبرز الملامح المعمارية

تتميز بنية PP-YOLOE+ بـ backbone من نوع CSPResNet مجهزة بحقول استقبال متفاوتة لالتقاط الميزات بفعالية على نطاقات متعددة. والابتكار الرئيسي هو Efficient Task-aligned Head (ET-head)، الذي يفصل بين مهام التصنيف والانحدار مع ضمان توافقها من خلال دالة خسارة محددة.

يستخدم PP-YOLOE+ Task Alignment Learning (TAL)، وهي استراتيجية لتعيين التسميات تحدد ديناميكيًا العينات الإيجابية بناءً على توافق جودة التصنيف والموقع. وهذا يضمن أن النموذج يركز على التنبؤات عالية الجودة أثناء التدريب. علاوة على ذلك، يستخدم النموذج استراتيجية تدريب موزعة ويتجنب استخدام عوامل التشغيل غير القياسية، مما يسهل النشر عبر العديد من منصات الأجهزة التي يدعمها نظام PaddlePaddle البيئي.

YOLOv7: مُحسَّنة للسرعة في الوقت الفعلي

YOLOv7 وضع معيارًا جديدًا للكشف عن الكائنات في الوقت الفعلي عند إصداره، مع التركيز بشدة على الكفاءة المعمارية وطرق "حقيبة المكافآت المجانية" - وهي تقنيات تزيد من الدقة دون زيادة تكلفة الاستدلال. لقد صُمم ليتفوق على النماذج السابقة الأحدث مثل YOLOR و YOLOv5 من حيث السرعة والدقة.

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المؤسسة:معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• ArXiv:https://arxiv.org/abs/2207.02696
• GitHub:https://github.com/WongKinYiu/yolov7
• المستندات:توثيق Ultralytics YOLOv7

تعرف على المزيد حول YOLOv7

الابتكارات المعمارية

قدم YOLOv7 شبكة تجميع الطبقات الفعالة الممتدة (E-ELAN). يسمح تصميم العمود الفقري هذا للشبكة بتعلم المزيد من الميزات المتنوعة من خلال التحكم في أقصر وأطول مسارات التدرج، مما يعزز قدرة التعلم دون تدمير مسار التدرج الأصلي.

هناك مساهمة كبيرة أخرى وهي استخدام إعادة تحديد معلمات النموذج. أثناء التدريب، يستخدم النموذج هيكلًا متعدد الفروع يتم دمجه في هيكل أحادي الفرع أبسط للاستدلال. يتيح ذلك لـ YOLOv7 الاستفادة من تمثيلات الميزات الغنية أثناء التعلم مع الحفاظ على السرعة العالية أثناء النشر. يستخدم النموذج أيضًا رؤوسًا مساعدة لتدريب الشبكات العميقة، باستخدام إستراتيجية تعيين تسمية موجهة رئيسية "من التقريبي إلى الدقيق".

تحليل مقارن: نقاط القوة والضعف

عند اتخاذ قرار بين هذين النموذجين القويين، من الضروري مراعاة المتطلبات المحددة لمشروع الرؤية الحاسوبية الخاص بك.

الدقة مقابل السرعة

يوفر PP-YOLOE+ نطاقًا دقيقًا من النماذج. PP-YOLOE+s فعال للغاية للأجهزة الطرفية، في حين أن PP-YOLOE+x تحقق mAP من الدرجة الأولى، وإن كان ذلك بمعدلات إطارات أقل. يتفوق YOLOv7 في "النقطة المثالية" للاكتشاف في الوقت الفعلي، وغالبًا ما يقدم معدل FPS أعلى على أجهزة GPU لمستوى معين من الدقة مقارنة بالعديد من المنافسين. بالنسبة للتطبيقات عالية الإنتاجية مثل مراقبة حركة المرور، تحسين استدلال YOLOv7 مفيد.

النظام الإيكولوجي وسهولة الاستخدام

يكمن أحد الفروق الرئيسية في أنظمتها البيئية. PP-YOLOE+ متجذرة بعمق في إطار عمل PaddlePaddle. على الرغم من قوتها، إلا أن هذا قد يمثل منحنى تعليمي أكثر حدة للفرق المعتادة في المقام الأول على PyTorch. YOLOv7 أصلي في PyTorch، مما يجعله أكثر سهولة بشكل عام لمجتمع البحث الأوسع.

ومع ذلك، يمكن أن يكون كلا النموذجين معقدًا في التدريب والضبط الدقيق مقارنة بالمعايير الحديثة. يتضمن YOLOv7 حسابات مرساة معقدة وحساسية للمعلمات الفائقة، بينما يتطلب PP-YOLOE+ التنقل في تكوينات Paddle detection.

ميزة Ultralytics: لماذا الترقية؟

بينما يعد PP-YOLOE+ و YOLOv7 نموذجين ممتازين، فإن مجال الذكاء الاصطناعي يتحرك بسرعة. تمثل نماذج Ultralytics، مثل YOLOv8 و YOLO11 الحديثة، الجيل التالي من رؤية الذكاء الاصطناعي، وتعالج العديد من تحديات سهولة الاستخدام والكفاءة الموجودة في البنى السابقة.

تجربة مستخدم فائقة ونظام بيئي

تعطي Ultralytics الأولوية لسهولة الاستخدام. بخلاف ملفات التهيئة المعقدة التي تتطلبها غالبًا الأطر الأخرى، يمكن تدريب نماذج Ultralytics والتحقق من صحتها ونشرها ببضعة أسطر فقط من أكواد Python أو أوامر CLI بسيطة.

• API موحد: التبديل بين المهام مثل object detection و instance segmentation و classification و pose estimation و OBB بسلاسة.
• نظام بيئي مُدار بشكل جيد: استفد من التحديثات المتكررة والمجتمع المزدهر والوثائق الشاملة التي تساعد في حل المشكلات بسرعة.
• التكامل: دعم أصيل لتتبع التجارب (MLflow، Comet)، وإدارة مجموعات البيانات، وتبسيط تصدير النماذج إلى تنسيقات مثل ONNX و TensorRT و CoreML.

الأداء والكفاءة

تم تصميم نماذج Ultralytics لتحقيق توازن الأداء الأمثل. غالبًا ما تحقق دقة أعلى من YOLOv7 مع تقليل النفقات الحسابية. علاوة على ذلك، فقد تم تصميمها لتكون فعالة من حيث الذاكرة، وتتطلب ذاكرة CUDA أقل أثناء التدريب مقارنة بالعديد من البدائل القائمة على المحولات أو إصدارات YOLO الأقدم. تسمح كفاءة التدريب هذه بتكرارات أسرع وتكاليف حوسبة سحابية أقل.

مثال على التعليمات البرمجية: البساطة في العمل

تعرف على مدى سهولة تدريب نموذج Ultralytics حديث مقارنةً بسير العمل القديم:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (recommended for best performance)
model = YOLO("yolo11n.pt")

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

# Run inference on an image
results = model("path/to/image.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

الخلاصة

يظل PP-YOLOE+ خيارًا قويًا لأولئك المستثمرين في نظام PaddlePaddle البيئي، حيث يقدم بنية قوية خالية من المرساة. لا يزال YOLOv7 خيارًا هائلاً للمشاريع التي تتطلب إنتاجية GPU خام. ومع ذلك، بالنسبة للمطورين الذين يبحثون عن حل متعدد الاستخدامات وسهل الاستخدام وعالي الأداء يغطي النطاق الكامل لمهام رؤية الكمبيوتر، فإن Ultralytics YOLO11 هو المسار الموصى به للمضي قدمًا.

استكشف نماذج أخرى

وسّع فهمك لمشهد الكشف عن الكائنات من خلال هذه المقارنات:

• YOLOv7 ضد YOLOv8
• PP-YOLOE+ مقابل YOLOv8
• RT-DETR مقارنة بـ YOLOv7
• YOLOX ضد YOLOv7
• YOLOv6 مقابل YOLOv7

تعليقات