مقارنة بين PP-YOLOE+ و YOLOv9#

إن مشهد الرؤية الحاسوبية في الوقت الفعلي يتغير باستمرار، حيث يدفع الباحثون والمطورون حدود الدقة وسرعة الاستدلال بلا هوادة. عند مقارنة PP-YOLOE+ و YOLOv9، نحن ننظر إلى فلسفتين متميزتين في هندسة النماذج وتصميم النظام البيئي.

تحلل هذه المقارنة التقنية الشاملة ابتكراتهم الهندسية، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثالية لمساعدتك في اختيار نموذج اكتشاف الكائنات المناسب لنشرك القادم.

سلالة النماذج والأسس التقنية#

فهم الأصول والخيارات الهندسية لهذه النماذج أمر بالغ الأهمية لتحديد مدى ملاءمتها ضمن مشاريع الرؤية الحاسوبية الخاصة بك.

نظرة عامة على PP-YOLOE+#

تم تطوير PP-YOLOE+ بواسطة مؤلفي PaddlePaddle في شركة Baidu، وتم طرحه في 2 أبريل 2022. وهو يعتمد على الإصدارات السابقة داخل إطار عمل PaddleDetection لتقديم اكتشاف كائنات عالي الأداء.

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: 2203.16250
GitHub: PaddleDetection Repository

يقدم PP-YOLOE+ هندسة قوية خالية من نقاط الارتكاز، ومحسنة بشكل كبير للنشر داخل نظام PaddlePaddle البيئي. وهو يستهلك شبكة خلفية معدلة من نوع CSPRepResNet ورأس ET لتحسين استخراج الميزات والانحدار الخاص بصناديق التقييد. وفي حين يحقق دقة متوسط الدقة (mAP) عالية، فإن اعتماده على إطار عمل PaddlePaddle يمكن أن يفرض أحياناً احتكاكاً في التكامل للمطورين المعتادين على PyTorch أو TensorFlow.

تعرف على المزيد حول PP-YOLOE+

نظرة عامة على YOLOv9#

يعد YOLOv9، الذي قدمه تشيان-ياو وانغ وهونغ-يوان مارك لياو من معهد علوم المعلومات في أكاديمية سينيكا بتايوان، قفزة كبيرة في التعامل بكفاءة مع اختناقات معلومات التعلم العميق.

المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 21-02-2024
Arxiv: 2402.13616
GitHub: WongKinYiu/yolov9

الانجاز الرئيسي لـ YOLOv9 هو معلومات التدرج القابلة للبرمجة (PGI)، والتي تمنع فقدان البيانات أثناء مرور الميزات عبر الشبكات العصبية العميقة. ومقترناً بشبكة تجميع طبقات الكفاءة العامة (GELAN)، يعمل YOLOv9 على تعظيم كفاءة المعلمات وتدفق الحسابات. علاوة على ذلك، فهو مدمج بطبيعته في نظام Ultralytics البيئي، مما يجعله سهل الوصول إليه بشكل كبير لكل من التطبيقات البحثية والتجارية.

اعرف المزيد عن YOLOv9

نماذج Ultralytics الأخرى

إذا كنت تستكشف خيارات متطورة، فقد تكون مهتماً أيضاً بـ YOLO11 و RT-DETR، اللذين يقدمان توازنات متفاوتة من الدقة القائمة على المحولات وأداء الحافة في الوقت الفعلي.

مقارنة الأداء والمقاييس#

عند تحليل الأداء الخام، يظهر YOLOv9 كفاءة استثنائية في المعلمات. فهو يحقق دقة قابلة للمقارنة أو متفوقة بينما يتطلب معلمات وعمليات فاصلة عائمة (FLOPs) أقل، مما يترجم إلى متطلبات ذاكرة وصول عشوائي للفيديو (VRAM) أقل أثناء تدريب النموذج.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	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

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

كما يظهر في الجدول، يحقق YOLOv9c دقة mAP قوية تبلغ 53.0 مع معلمات أقل بكثير (25.3 مليون) مقارنة بـ PP-YOLOE+l (52.2 مليون). يجعل هذا الاستخدام المنخفض للذاكرة من YOLOv9 خياراً متفوقاً للمطورين الذين يعملون بموارد GPU محدودة.

النظام البيئي، وتعدد الاستخدامات، وسهولة الاستخدام#

تكمن الميزة الحاسمة لـ YOLOv9 في تكامله السلس مع نظام Ultralytics البيئي الذي يتم صيانته جيداً. بينما يتطلب PP-YOLOE+ التنقل عبر ملفات تكوين PaddlePaddle المعقدة، يستفيد YOLOv9 من واجهة برمجة تطبيقات Python مبسطة.

يتيح واجهة برمجة تطبيقات بايثون من Ultralytics للمطورين تحميل الأوزان المدربة مسبقاً، وإدارة تعزيز البيانات، وبدء التدريب بأقل قدر من الشفرات البرمجية المتكررة.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

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

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

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

علاوة على ذلك، يوفر نظام Ultralytics البيئي تنوعاً لا مثيل له. فإلى جانب اكتشاف صناديق التقييد، يدعم الإطار بطبيعته تجزئة المثيلات، وتقدير الوضعية، واكتشاف صندوق التقييد الموجه (OBB). هذا يجعل تكييف نموذجك مع خطوط الأنابيب المعقدة في العالم الحقيقي فعالاً بشكل لا يصدق.

خيارات التصدير

يمكن تصدير النماذج المدربة باستخدام إطار عمل Ultralytics إلى تنسيقات متعددة، بما في ذلك TensorRT و OpenVINO، مما يضمن استدلالاً محسناً للغاية عبر الأجهزة المختلفة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ و YOLOv9 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار PP-YOLOE+#

يعد PP-YOLOE+ خياراً قوياً في الحالات التالية:

تكامل بيئة PaddlePaddle: المنظمات التي لديها بنية تحتية حالية مبنية على إطار عمل وأدوات Baidu's PaddlePaddle.
النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.

متى تختار YOLOv9#

يوصى بـ YOLOv9 لـ:

أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

نتطلع للمستقبل: ميزة YOLO26#

بينما أن كلاً من PP-YOLOE+ و YOLOv9 قويان، يمثل YOLO26 الذي تم إصداره حديثاً الخطوة التالية الحاسمة لبيئات الإنتاج. تم إصداره في يناير 2026، ويضع YOLO26 معياراً جديداً للحوسبة المتطرفة وعمليات نشر السحابة. نوصي بشدة باستخدام YOLO26 لجميع مشاريع الرؤية الحاسوبية الجديدة نظراً لابتكاراته الثورية:

تصميم من طرف إلى طرف خالٍ من NMS: يتميز YOLO26 بأنه من طرف إلى طرف أصلاً، مما يلغي تماماً الحاجة إلى معالجة لاحقة لإلغاء القمع غير الأقصى (NMS). وهذا يبسط بشكل كبير خطوط أنابيب النشر ويقلل من وقت الاستجابة.
أداء استدلال CPU أسرع بنسبة تصل إلى 43%: من خلال تحسين البنية خصيصاً للحوسبة الطرفية، يكون YOLO26 أسرع بشكل ملحوظ على الأجهزة التي تفتقر إلى وحدات GPU مخصصة.
إزالة DFL: تمت إزالة خسارة البؤرة التوزيعية (Distribution Focal Loss)، مما يجعل الصادرات أبسط ويحسن التوافق بشكل كبير مع الأجهزة الطرفية ذات الطاقة المنخفضة.
محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (مثل Kimi K2 من شركة Moonshot AI)، يضمن هذا الهجين من SGD و Muon ديناميكيات تدريب مستقرة للغاية وتقارباً سريعاً.
ProgLoss + STAL: تنتج هذه الدوال المفقودة المتقدمة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو ترقية أساسية لـ الصور الجوية والروبوتات.
تحسينات خاصة بالمهمة: يتضمن YOLO26 بنيات مخصصة لمهام محددة، مثل multi-scale proto للتجزئة وتقدير احتمالية اللوغاريتم المتبقي (RLE) لتقدير الوضعية.

يمكنك بسهولة تدريب ونشر نماذج YOLO26 من خلال منصة Ultralytics، وهو حل متكامل لتوضيح مجموعات البيانات، والتدريب السحابي، ومراقبة النماذج.

تطبيقات العالم الحقيقي#

غالباً ما يعتمد الاختيار بين هذه البنيات على بيئة النشر المستهدفة.

PP-YOLOE+ يُنشر بشكل متكرر في مراكز التصنيع الصناعي، لا سيما في المناطق التي يتم فيها دمج تكامل PaddlePaddle ومجموعة أجهزة Baidu بعمق في البنية التحتية للمؤسسات. وهو يتفوق في تحليل الصور الثابتة حيث يتم إعطاء الأولوية للدقة المطلقة على قيود الوقت الفعلي الصارمة.

YOLOv9 يتفوق في البيئات الديناميكية التي تتطلب استدلالاً في الوقت الفعلي سريعاً. كفاءته المتفوقة في المعلمات تجعله مثالياً للملاحة المستقلة للطائرات بدون طيار وأنظمة الأمان القائمة على الحافة. علاوة على ذلك، فإن استهلاكه الأقل لـ VRAM يقلل من عتبة الدخول للباحثين الذين يتدربون على وحدات معالجة الرسومات من الدرجة الاستهلاكية.

للحصول على أفضل أداء مطلق عبر إدارة حركة المرور في المدن الذكية والروبوتات عالية السرعة، فإن YOLO26 الأحدث لا نظير له، حيث يقدم كفاءة شاملة من البداية إلى النهاية بدون عبء الاختناقات لـ NMS.

المساهمون

GLglenn-jocher¹⁶

تم الإنشاء 27 يناير 2025تم التحديث الأسبوع الماضي