PP-YOLOE+ مقابل YOLOv9
تواصل الرؤية الحاسوبية في الوقت الفعلي تطورها مع تحسين الباحثين والمطورين للدقة وسرعة الاستدلال. وعند مقارنة PP-YOLOE+ وYOLOv9، فأنت تنظر إلى فلسفتين مختلفتين في بنية النماذج وتصميم المنظومات.
تحلل هذه المقارنة التقنية ابتكاراتهما المعمارية ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثالية، لمساعدتك على اختيار نموذج كشف الأجسام المناسب لعملية النشر التالية.
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 YOLOv9 كل من Chien-Yao Wang وHong-Yuan Mark Liao من معهد علوم المعلومات في أكاديمية سينيكا في تايوان، ويمثل خطوة مهمة إلى الأمام في التعامل مع اختناقات المعلومات في الشبكات العميقة.
- 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
تتمثل المساهمة الرئيسية لـ YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI)، التي تحد من فقدان المعلومات أثناء مرور السمات عبر الشبكات العصبية العميقة. وبالاقتران مع شبكة تجميع الطبقات الفعالة المعممة (GELAN)، يحقق YOLOv9 أقصى كفاءة للمعلمات وتدفقًا حسابيًا فعالًا. كما أنه مدمج أصليًا في منظومة Ultralytics، ما يجعله متاحًا بسهولة للأبحاث والتطبيقات التجارية على حد سواء.
مقارنة الأداء والمقاييس#
عند تحليل الأداء الخام، يُظهر YOLOv9 كفاءة عالية للمعلمات. فهو يحقق دقة مماثلة أو أفضل مع عدد أقل من المعلمات وFLOPs، ما يؤدي إلى خفض متطلبات VRAM أثناء تدريب النموذج.
| النموذج | الحجم (بكسل) | mAPval50-95 | 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، مع عدد أقل بكثير من المعلمات (25.5M) مقارنةً بنموذج PP-YOLOE+l المماثل (52.2M). ويجعل هذا الاستخدام الأقل للذاكرة YOLOv9 خيارًا أفضل للمطورين الذين يعملون بموارد GPU محدودة.
المنظومة المتكاملة والمرونة وسهولة الاستخدام#
تكمن الميزة الحاسمة لـ YOLOv9 في تكامله مع منظومة Ultralytics التي تحظى بصيانة جيدة. فبينما يتطلب PP-YOLOE+ التعامل مع ملفات إعداد PaddlePaddle المعقدة، يستفيد YOLOv9 من Python API مبسطة.
تتيح Python API من Ultralytics للمطورين تحميل الأوزان المدرّبة مسبقًا وإدارة زيادة البيانات وبدء التدريب بأقل قدر من الشيفرات 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")توفر منظومة Ultralytics أيضًا تنوعًا واسعًا. فإلى جانب كشف مربعات الحدود، يدعم الإطار أصليًا تقسيم الكائنات وتقدير الوضعيات وكشف مربعات الحدود الموجّهة (OBB). وهذا يجعل تكييف نموذجك مع مسارات العمل المعقدة في العالم الحقيقي أمرًا فعالًا.
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 تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
- 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 PP-YOLOE+ وYOLOv9، فإن YOLO26 الذي أُطلق حديثًا هو الخطوة الطبيعية التالية لبيئات الإنتاج. أُطلق YOLO26 في يناير 2026، وصُمم للحوسبة الطرفية وعمليات النشر السحابية، وهو النموذج الموصى به لمشروعات الرؤية الحاسوبية الجديدة بفضل الابتكارات التالية:
- تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل الأصلي، ما يلغي الحاجة إلى المعالجة اللاحقة عبر كبح غير القيم العظمى (NMS) عند تشغيله باستخدام
nms=False. وهذا يبسّط مسارات النشر بدرجة كبيرة ويقلل زمن الاستجابة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال تحسين البنية للحوسبة الطرفية، يعمل YOLO26n بسرعة أكبر بنسبة تصل إلى 43% من YOLO11n على الأجهزة التي تعتمد على CPU فقط.
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية، ما يبسّط التصدير ويحسّن التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- محسّن MuSGD: استُلهم هذا المحسّن من تقنيات تدريب نماذج اللغة الكبيرة، مثل التقنيات المستخدمة في Kimi K2 من Moonshot AI. وهو مزيج من SGD وMuon يوفر ديناميكيات تدريب مستقرة وتقاربًا سريعًا.
- ProgLoss + STAL: تحقق الخسارة التقدمية وإسناد التسميات المراعي للأهداف الصغيرة تحسينات ملحوظة في التعرّف على الأجسام 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.
غالبًا ما يُنشر PP-YOLOE+ في بيئات التصنيع الصناعي التي تكون فيها بيئة PaddlePaddle ومكدس أجهزة Baidu مدمجين بعمق في البنية التحتية للمؤسسات. ويؤدي أداءً جيدًا في تحليل الصور الثابتة، حيث تُعطى الأولوية لأقصى دقة على حساب القيود الصارمة للوقت الفعلي.
يؤدي YOLOv9 أداءً جيدًا في البيئات الديناميكية التي تتطلب استدلالًا فوريًا سريعًا. وتجعل كفاءته في استخدام المعلمات منه خيارًا مناسبًا للملاحة الذاتية للطائرات المسيّرة وأنظمة الأمن القائمة على الأجهزة الطرفية. كما أن استهلاكه الأقل لـVRAM يخفض عتبة البدء للباحثين الذين يدرّبون النماذج على وحدات GPU مخصصة للمستهلكين.
لتحقيق أفضل أداء في إدارة حركة المرور في المدن الذكية والروبوتات عالية السرعة، يُوصى باستخدام YOLO26 الأحدث، الذي يوفر خيار الاستدلال الشامل دون أعباء NMS.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.