PP-YOLOE+ مقابل YOLOv9#
يشهد مجال الرؤية الحاسوبية الفورية تغيرًا مستمرًا، إذ يواصل الباحثون والمطورون دفع حدود الدقة وسرعة الاستدلال. وعند مقارنة PP-YOLOE+ وYOLOv9، نجد فلسفتين مختلفتين في بنية النماذج وتصميم المنظومة المتكاملة.
تحلل هذه المقارنة التقنية الشاملة ابتكاراتهما المعمارية ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثلى، لمساعدتك على اختيار نموذج كشف الكائنات المناسب لعملية النشر القادمة.
تطور النماذج وأسسها التقنية#
يُعد فهم أصول هذه النماذج وخياراتها المعمارية أمرًا بالغ الأهمية لتحديد مدى ملاءمتها ضمن مشاريع الرؤية الحاسوبية.
نظرة عامة على PP-YOLOE+#
طوّر مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+، الذي طُرح في 2 أبريل 2022. وهو يبني على الإصدارات السابقة ضمن إطار PaddleDetection لتقديم أداء عالٍ في كشف الكائنات.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: مستودع PaddleDetection
يقدم PP-YOLOE+ بنية متينة خالية من المراسي، محسّنة بدرجة كبيرة للنشر ضمن منظومة PaddlePaddle. ويستخدم عمودًا فقريًا معدّلًا من CSPRepResNet ورأس ET لتحسين استخراج السمات وانحدار الصناديق المحيطة. وعلى الرغم من تحقيقه متوسط دقة مرتفعًا (mAP)، فإن اعتماده على إطار PaddlePaddle قد يسبب أحيانًا صعوبات في التكامل للمطورين المعتادين على PyTorch أو TensorFlow.
تعرّف على المزيد حول PP-YOLOE+
نظرة عامة على YOLOv9#
قدّم Chien-Yao Wang وHong-Yuan Mark Liao من معهد علوم المعلومات في أكاديميا سينيكا، تايوان، نموذج YOLOv9، الذي يمثل قفزة مهمة في التعامل بكفاءة مع اختناقات المعلومات في التعلم العميق.
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2024-02-21
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
يتمثل الإنجاز الأبرز لـ YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI)، التي تمنع فقدان البيانات أثناء مرور السمات عبر الشبكات العصبية العميقة. وبالاقتران مع شبكة تجميع الطبقات الفعالة المعممة (GELAN)، يعزز YOLOv9 كفاءة المُعامِلات والتدفق الحسابي إلى أقصى حد. وإضافةً إلى ذلك، يتكامل النموذج أصليًا مع منظومة Ultralytics، ما يجعله متاحًا بسهولة للأبحاث والتطبيقات التجارية.
مقارنة الأداء والمقاييس#
عند تحليل الأداء الخام، يُظهر YOLOv9 كفاءة استثنائية في استخدام المُعامِلات. فهو يحقق دقة مماثلة أو أعلى مع عدد أقل من المُعامِلات وعمليات FLOPs، ما يعني متطلبات أقل لذاكرة VRAM أثناء تدريب النموذج.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
كما يوضح الجدول، يحقق YOLOv9c قيمة mAP قوية تبلغ 53.0، باستخدام عدد أقل بكثير من المُعامِلات (25.5M) مقارنةً بنموذج PP-YOLOE+l المماثل (52.2M). ويجعل استهلاك الذاكرة الأقل YOLOv9 خيارًا أفضل للمطورين الذين يعملون بموارد GPU محدودة.
المنظومة المتكاملة والمرونة وسهولة الاستخدام#
تكمن الميزة الأبرز لـ YOLOv9 في تكامله السلس مع منظومة Ultralytics التي تحظى بصيانة جيدة. فبينما يتطلب PP-YOLOE+ التعامل مع ملفات إعداد معقدة في PaddlePaddle، يستفيد YOLOv9 من API Python مبسّط.
تتيح واجهة Python API من Ultralytics للمطورين تحميل الأوزان المدرّبة مسبقًا وإدارة زيادة البيانات وبدء التدريب باستخدام الحد الأدنى من الشيفرة التمهيدية.
from ultralytics import YOLO
# تحميل نموذج YOLOv9 مدرّب مسبقًا
model = YOLO("yolov9c.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل الاستدلال على صورة
results = model("https://ultralytics.com/images/bus.jpg")
# تصدير النموذج إلى تنسيق ONNX
model.export(format="onnx")إضافةً إلى ذلك، توفر منظومة Ultralytics مرونة لا مثيل لها. فإلى جانب كشف الصناديق المحيطة، يدعم الإطار أصليًا تجزئة الكائنات وتقدير الوضعية وكشف الصناديق المحيطة الموجّهة (OBB). وهذا يجعل تكييف نموذجك مع مسارات العمل المعقدة في العالم الحقيقي بالغ الكفاءة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين PP-YOLOE+ وYOLOv9 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة المتكاملة.
متى تختار PP-YOLOE+#
يُعد PP-YOLOE+ خيارًا قويًا لـ:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
- النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
- اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.
متى تختار YOLOv9#
يوصى بـYOLOv9 في الحالات التالية:
- أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
- دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
- اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
نظرة مستقبلية: ميزة YOLO26#
على الرغم من قوة كل من PP-YOLOE+ وYOLOv9، فإن YOLO26 الذي صدر حديثًا يمثل الخطوة التالية الحاسمة لبيئات الإنتاج. وقد وضع YOLO26، الذي صدر في يناير 2026، معيارًا جديدًا للحوسبة الطرفية وعمليات النشر السحابية. ونوصي بشدة باستخدام YOLO26 في جميع مشاريع الرؤية الحاسوبية الجديدة بفضل ابتكاراته الرائدة:
- تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل أصليًا، مستغنيًا عن الحاجة إلى المعالجة اللاحقة لقمع غير الأعظميات (NMS) عند تشغيله باستخدام
nms=False. وهذا يبسّط مسارات النشر بدرجة كبيرة ويقلل زمن الاستجابة. - استدلال أسرع بنسبة تصل إلى 43% على CPU: من خلال تحسين البنية خصيصًا للحوسبة الطرفية، يعمل YOLO26 بسرعة أكبر بكثير على الأجهزة التي لا تحتوي على GPU مخصص.
- إزالة DFL: أُزيلت Distribution Focal Loss، ما يسهّل التصدير ويحسّن بدرجة كبيرة التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة، مثل Kimi K2 من Moonshot AI، يضمن هذا المزيج الهجين من SGD وMuon ديناميكيات تدريب مستقرة للغاية وتقاربًا سريعًا.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهو تطوير أساسي لـالصور الجوية والروبوتات.
- تحسينات خاصة بالمهام: يتضمن YOLO26 بنيات مخصصة لمهام محددة، مثل proto متعدد المقاييس للتجزئة وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية.
يمكنك تدريب نماذج YOLO26 ونشرها بسهولة عبر منصة Ultralytics، وهي حل متكامل لتعليق مجموعات البيانات والتدريب السحابي ومراقبة النماذج.
تطبيقات واقعية#
غالبًا ما يتوقف الاختيار بين هذه البنى على بيئة النشر المستهدفة.
يُنشر PP-YOLOE+ كثيرًا في مراكز التصنيع الصناعي، ولا سيما في المناطق التي يُعدّ فيها التكامل مع PaddlePaddle وحزمة الأجهزة الخاصة بـ Baidu جزءًا راسخًا من البنية التحتية للمؤسسات. ويتفوق في تحليل الصور الثابتة، حيث تُعطى الأولوية للدقة المطلقة على القيود الصارمة للزمن الحقيقي.
يتفوق YOLOv9 في البيئات الديناميكية التي تتطلب استدلالًا فوريًا سريعًا. وتجعل كفاءته الأعلى في استخدام المُعامِلات منه خيارًا مثاليًا للملاحة الذاتية للطائرات المسيّرة وأنظمة الأمن الطرفية. وإضافةً إلى ذلك، يقلل استهلاكه الأقل لذاكرة VRAM عتبة الدخول أمام الباحثين الذين يدرّبون النماذج على وحدات GPU استهلاكية.
لتحقيق أفضل أداء ممكن في إدارة حركة المرور في المدن الذكية والروبوتات عالية السرعة، لا يُضاهى YOLO26 الأحدث؛ إذ يوفر استدلالًا شاملًا اختياريًا من دون عبء اختناقات NMS.