PP-YOLOE+ مقابل YOLOv7: مقارنة تقنية للكشف عن الأجسام
يعد اختيار النموذج الصحيح لاكتشاف الكائنات أمرًا بالغ الأهمية لمهام الرؤية الحاسوبية. تقدم هذه الصفحة مقارنة تقنية مفصلة بين النموذجين PP-YOLOE+ و YOLOv7، وهما من أحدث النماذج، لمساعدتك على اتخاذ قرار مستنير. سنستكشف تصميماتهما المعمارية ومعايير الأداء والتطبيقات المثالية.
YOLOv7: مُحسَّن للسرعة والكفاءة
يشتهر YOLOv7، من عائلة YOLO بتركيزه على اكتشاف الأجسام في الوقت الحقيقي مع الحفاظ على الكفاءة العالية. تم تطويره من قبل تشين ياو وانغ وأليكسي بوشكوفسكي وهونغ يوان مارك لياو من معهد علوم المعلومات في الأكاديمية الصينية في تايوان، وتم إصداره في 2022-07-06.
- البنية: يوظف YOLOv7 شبكة تجميع موسعة فعالة ذات طبقة موسعة (E-ELAN) في عمودها الفقري لتعزيز تعلم الشبكة. كما أنه يدمج أيضًا إعادة تحديد معايير النموذج والتدريب الموجه من الخشن إلى الدقيق لتحسين الدقة دون التأثير بشكل كبير على سرعة الاستدلال.
- الأداء: يحقق YOLOv7 توازناً ممتازاً بين السرعة والدقة. نماذج مثل
YOLOv7lوYOLOv7xتظهر قيم mAP عالية مع سرعات استنتاج عالية، خاصةً عند تحسينها باستخدام TensorRT. - حالات الاستخدام: إن سرعة YOLOv7 تجعله مناسبًا للتطبيقات في الوقت الحقيقي مثل أنظمة الإنذار الأمني وتقدير السرعة والأنظمة الروبوتية حيث يكون زمن الوصول المنخفض أمرًا بالغ الأهمية. تسمح كفاءته أيضًا بالنشر على الأجهزة المتطورة مثل NVIDIA Jetson.
PP-YOLOE+: خالية من المراسي ومتعددة الاستخدامات
PP-YOLOE+، الذي طوّره مؤلفو PaddlePaddle في Baidu وتم إصداره في 2022-04-02، هو نموذج اكتشاف الأجسام الخالية من المرساة من PaddleDetection. ويؤكد على البساطة والأداء القوي.
- البنية: يتبنى PP-YOLOE+ نهجًا خاليًا من الارتكاز، مما يبسّط تصميم النموذج ويقلل من ضبط المعلمة الفائقة. يتميز برأس منفصل وخسارة VariFocal Loss لتحسين التصنيف والتوطين. يعتمد نموذج PP-YOLOE+ على نموذج PP-YOLOE الأساسي مع تحسينات في العمود الفقري والرقبة والرأس لتحسين الدقة والكفاءة.
- الأداء: تحقق نماذج PP-YOLOE+ توازنًا جيدًا بين الدقة والسرعة. توفر الأحجام المختلفة (t، s، m، m، l، x) درجات تنافسية في mAP وأوقات استدلال TensorRT سريعة، مما يجعلها قابلة للتكيف مع الاحتياجات المختلفة.
- حالات الاستخدام: إن تصميم PP-YOLOE+ الخالي من المثبتات والأداء المتوازن يجعله متعدد الاستخدامات لتطبيقات مثل فحص الجودة الصناعية وكفاءة إعادة التدوير والسيناريوهات التي تتطلب اكتشافًا قويًا ودقيقًا دون التضحية بالسرعة. تسمح كفاءته بالنشر عبر مختلف منصات الأجهزة.
مستندات PP-YOLOE+ (PaddleDetection)
جدول مقارنة النماذج
| الطراز | الحجم (بكسل) |
مافال 50-95 |
السرعة CPU ONNX (مللي ثانية) |
السرعة T4 T4TensorRT10 (مللي ثانية) |
بارامز (م) |
(ب) |
|---|---|---|---|---|---|---|
| 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+م | 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 |
| يولوف7ل | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
الخاتمة
يُعد كل من YOLOv7 وPP-YOLOE+ نموذجين قويين لاكتشاف الأجسام بمزايا مميزة. يتفوق YOLOv7 في السرعة والكفاءة، مما يجعله مثاليًا لتطبيقات الوقت الحقيقي والتطبيقات المتطورة. يوفر PP-YOLOOE+، بتصميمه الخالي من المثبتات وأدائه المتوازن، حلاً متعدد الاستخدامات وأبسط لمجموعة واسعة من حالات الاستخدام.
بالنسبة لأولئك الذين يبحثون عن خيارات أخرى، تقدم Ultralytics مجموعة متنوعة من نماذج YOLO بما في ذلك YOLOv8و YOLOv9، YOLOv10، YOLO10YOLO11و RT-DETRتم تحسين كل منها لخصائص الأداء واحتياجات التطبيقات المختلفة. استكشف هذه النماذج للعثور على أفضل ما يناسب مشروع الرؤية الحاسوبية الخاص بك، واستفد من Ultralytics HUB لتبسيط سير عمل تدريب النموذج ونشره.
