PP-YOLOE+ مقابل YOLOv7: مقارنة فنية للكشف عن الكائنات
يُعد اختيار نموذج الكشف عن الأجسام المناسب خطوة حاسمة في أي مشروع رؤية الكمبيوتر، ويتطلب موازنة دقيقة بين الدقة والسرعة والموارد الحسابية. تقدم هذه الصفحة مقارنة فنية مفصلة بين PP-YOLOE+ و YOLOv7، وهما نموذجان مؤثران للكشف عن الأجسام. سوف نتعمق في تصميماتهما المعمارية ومعايير الأداء ومنهجيات التدريب وحالات الاستخدام المثالية لمساعدتك في اتخاذ قرار مستنير لتلبية احتياجاتك الخاصة.
PP-YOLOE+: خالٍ من المرساة ومتعدد الاستخدامات
PP-YOLOE+، الذي تم تطويره بواسطة مؤلفي PaddlePaddle في Baidu، هو كاشف عالي الأداء بدون نقاط ارتكاز من مجموعة PaddleDetection. وهو يعتمد على نجاح سابقاته من خلال إدخال تحسينات على العمود الفقري والعنق والرأس، بهدف تحقيق توازن فائق بين الدقة والكفاءة.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: بايدو
- 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
الهندسة المعمارية والتدريب
يميز PP-YOLOE+ نفسه بهيكل خالٍ من المرساة، مما يبسط مسار الكشف عن طريق إلغاء الحاجة إلى مربعات مرساة محددة مسبقًا وضبط المعلمات الفائقة المرتبطة بها. غالبًا ما يؤدي هذا الاختيار في التصميم إلى تدريب واستدلال أسرع. يتميز النموذج برأس منفصل لمهام التصنيف والتوطين، مما يسمح لكل فرع بتعلم ميزات أكثر تخصصًا. أحد المكونات الرئيسية هو استخدامه لـ VariFocal Loss، وهو نوع من دالة الخسارة التي تعطي الأولوية للأمثلة الصعبة أثناء التدريب، وتعلم محاذاة المهام (TAL) لتحسين محاذاة الميزات بين التصنيف والتوطين.
الأداء
باعتباره نموذجًا خاليًا من المرساة، يوفر PP-YOLOE+ مقايضة قوية بين السرعة والدقة عبر أحجام النماذج المختلفة (t, s, m, l, x). هذه القابلية للتوسع تجعلها قابلة للتكيف مع متطلبات الأجهزة والأداء المختلفة. تُظهر النماذج درجات mAP تنافسية وأوقات استدلال سريعة، خاصةً عند تسريعها بأدوات مثل TensorRT، مما يجعلها مناسبة لمجموعة واسعة من التطبيقات.
حالات الاستخدام
إن الأداء المتوازن والتصميم الخالي من نقاط الارتكاز يجعل PP-YOLOE+ خيارًا رائعًا للتطبيقات التي تتطلب كشفًا قويًا دون التضحية بالسرعة. إنه يتفوق في سيناريوهات مثل فحص الجودة الصناعية، حيث يمكنه تحديد العيوب في خطوط الإنتاج، وتحسين كفاءة إعادة التدوير عن طريق فرز المواد بدقة. تتيح كفاءته النشر على أجهزة متنوعة، من الخوادم القوية إلى الأجهزة الطرفية الأكثر تقييدًا.
نقاط القوة والضعف
- نقاط القوة: تصميم خالٍ من الارتكازات يبسط التنفيذ ويقلل من ضبط المعلمات الفائقة. يوفر توازنًا ممتازًا بين الدقة والسرعة وهو مدمج جيدًا في إطار عمل PaddlePaddle.
- نقاط الضعف: قد يتطلب تصميمه الأساسي لنظام PaddlePaddle البيئي جهدًا إضافيًا للتكامل في أطر عمل أخرى مثل PyTorch. قد يكون دعم المجتمع، على الرغم من قوته، أقل شمولاً من النماذج المعتمدة عالميًا مثل سلسلة Ultralytics YOLO.
YOLOv7: مُحسَّن للسرعة والكفاءة
يمثل YOLOv7، وهو جزء من عائلة YOLO الشهيرة، أحدث ما توصلت إليه أجهزة الكشف عن الأجسام في الوقت الفعلي عند إصداره. يركز على تقديم سرعة ودقة استثنائيتين من خلال التحسينات المعمارية واستراتيجيات التدريب المتقدمة.
- المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- ArXiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- المستندات: https://docs.ultralytics.com/models/yolov7/
الهندسة المعمارية والتدريب
قدم YOLOv7 العديد من الابتكارات المعمارية، وأبرزها شبكة تجميع الطبقات الفعالة الممتدة (E-ELAN) في العمود الفقري. تعمل E-ELAN على تحسين قدرة الشبكة على التعلم دون تعطيل مسار التدرج، مما يحسن كفاءة استخلاص الميزات. يشتمل النموذج أيضًا على "حقيبة التدريب المجانية القابلة للتدريب"، وهي مجموعة من تقنيات التدريب التي تعمل على تحسين الدقة دون زيادة تكلفة الاستدلال. وتشمل هذه إعادة معلمات النموذج والتدريب الموجه الرائد من الخشن إلى الدقيق، كما هو مفصل في ورقة YOLOv7.
الأداء
يُحتفى بـ YOLOv7 لتوازنه المتميز بين السرعة والدقة. كما هو موضح في وثائقه، نماذج مثل YOLOv7 تحقيق 51.4% mAP بمعدل 161 إطارًا في الثانية على وحدة معالجة الرسوميات V100، مما يتفوق بشكل كبير على العديد من النماذج المعاصرة. هذه الكفاءة العالية تجعلها خيارًا رئيسيًا للتطبيقات التي تتطلب الاستدلال الآني.
حالات الاستخدام
تجعل الإمكانات عالية السرعة لـ YOLOv7 مثالية للتطبيقات التي تكون فيها زمن الوصول المنخفض أمرًا بالغ الأهمية. ويشمل ذلك أنظمة إنذار الأمان، و تقدير سرعة المركبات، والأنظمة المستقلة مثل الروبوتات. كما تسهل كفاءتها النشر على المنصات الطرفية مثل NVIDIA Jetson.
نقاط القوة والضعف
- نقاط القوة: أحدث ما توصلت إليه التكنولوجيا في تحقيق التوازن بين السرعة والدقة. التصميم المعماري عالي الكفاءة مثالي للتطبيقات الآنية والحافة. لديه قاعدة مستخدمين كبيرة وموارد مجتمعية واسعة.
- نقاط الضعف: كنموذج يعتمد على المرساة، قد يتطلب ضبطًا أكثر دقة لتكوينات المرساة لتحقيق الأداء الأمثل على مجموعات البيانات المخصصة مقارنة بالبدائل الخالية من المرساة. على الرغم من قوتها، ظهرت نماذج أحدث منذ ذلك الحين مع أنظمة بيئية أكثر تكاملاً.
تحليل الأداء: PP-YOLOE+ مقابل YOLOv7
تكشف المقارنة المباشرة لمقاييس الأداء عن المزايا المتميزة لكل نموذج. يقدم PP-YOLOE + مجموعة واسعة من أحجام النماذج، مما يسمح بمفاضلات أكثر دقة بين الدقة واستخدام الموارد. من ناحية أخرى، يدفع YOLOv7 حدود الأداء في الوقت الفعلي.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
من الجدول، تحقق PP-YOLOE+x أعلى mAP يبلغ 54.7، ولكن على حساب الكمون الأعلى. توفر YOLOv7x بديلاً مقنعًا مع mAP أقل قليلاً يبلغ 53.1 ولكن سرعة استدلال أسرع. النماذج الأصغر PP-YOLOE+، مثل t و s، توفر استدلالًا سريعًا للغاية، مما يجعلها مثالية للبيئات ذات الموارد المحدودة للغاية.
لماذا تختار نماذج Ultralytics YOLO؟
في حين أن كلاً من PP-YOLOE+ و YOLOv7 هما نموذجان قويان، إلا أن مشهد الكشف عن الكائنات يتطور باستمرار. بالنسبة للمطورين والباحثين الذين يبحثون عن الإطار الأكثر حداثة وتنوعًا وسهولة في الاستخدام، فإن نماذج Ultralytics YOLO مثل YOLOv8 و YOLO11 تمثل خيارًا أفضل.
- سهولة الاستخدام: تم تصميم نماذج Ultralytics مع وضع تجربة مستخدم مبسطة في الاعتبار، وتتميز بواجهة برمجة تطبيقات Python بسيطة و توثيق شامل و أوامر CLI مباشرة.
- نظام بيئي مُدار بشكل جيد: تعد النماذج جزءًا من نظام بيئي شامل مع تطوير نشط ومجتمع قوي مفتوح المصدر وتكامل مع أدوات مثل Ultralytics HUB لـ MLOps سلس.
- الأداء والكفاءة: تحقق نماذج Ultralytics توازنًا ممتازًا بين السرعة والدقة. وهي مصممة للاستخدام الفعال للذاكرة أثناء التدريب والاستدلال، وغالبًا ما تتطلب ذاكرة CUDA أقل من البنى الأخرى.
- تنوع الاستخدامات: نماذج مثل YOLOv8 و YOLO11 هي حلول متعددة المهام، تدعم اكتشاف الأجسام، والتقسيم، والتصنيف، وتقدير الوضعية، واكتشاف الأجسام الموجهة (OBB) ضمن إطار عمل واحد وموحد.
- كفاءة التدريب: استفد من عمليات التدريب الفعالة والأوزان المدربة مسبقًا المتاحة بسهولة على مجموعات البيانات مثل COCO، وأوقات التقارب الأسرع.
الخلاصة
يعتبر كل من PP-YOLOE+ و YOLOv7 من نماذج الكشف عن الأجسام الهائلة التي دفعت حدود الممكن. يقدم PP-YOLOE+ حلاً قابلاً للتطوير وفعالاً وخاليًا من المرساة، وهو ذو قيمة خاصة داخل نظام PaddlePaddle البيئي. يتميز YOLOv7 بسرعته ودقته الخام، مما يجعله خيارًا مفضلاً للتطبيقات الآنية الصعبة.
ومع ذلك، بالنسبة للمطورين الذين يبحثون عن حل كامل ومستقبلي، تقدم نماذج Ultralytics مثل YOLOv8 و YOLO11 حزمة أكثر إقناعًا. إن الجمع بين الأداء الحديث وسهولة الاستخدام وتعدد استخدامات المهام ونظام بيئي قوي ومُدار بشكل جيد يجعلها الخيار الأمثل لمجموعة واسعة من مشاريع رؤية الكمبيوتر، من البحث الأكاديمي إلى نشر الإنتاج.
استكشف نماذج أخرى
للمزيد من الاستكشاف، ضع في اعتبارك هذه المقارنات التي تتضمن PP-YOLOE+ و YOLOv7 ونماذج رائدة أخرى:
- YOLOv7 ضد YOLOv8
- YOLOv7 ضد YOLOv5
- RT-DETR مقابل YOLOv7
- PP-YOLOE+ مقابل YOLOv8
- YOLOX ضد YOLOv7
- استكشف أحدث النماذج مثل YOLOv10 و YOLO11.
