PP-YOLOE+ مقابل YOLOv9#

يشهد مجال الرؤية الحاسوبية الآنية تغيّرًا مستمرًا، إذ يواصل الباحثون والمطورون دفع حدود الدقة وسرعة الاستدلال. وعند مقارنة PP-YOLOE+ وYOLOv9، فإننا ننظر إلى فلسفتين متميزتين في بنية النماذج وتصميم المنظومة.

تحلل هذه المقارنة التقنية الشاملة ابتكارات البنية، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثلى لمساعدتك على اختيار نموذج اكتشاف الكائنات المناسب لعملية النشر التالية.

سلالة النماذج والأسس التقنية#

يُعد فهم أصول هذه النماذج وخياراتها المعمارية أمرًا بالغ الأهمية لتحديد مدى ملاءمتها ضمن مشروعات الرؤية الحاسوبية الخاصة بك.

نظرة عامة على PP-YOLOE+#

طوّر مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+، وقد قُدّم في 2 أبريل 2022. وهو يبني على الإصدارات السابقة ضمن إطار PaddleDetection لتقديم أداء عالٍ في اكتشاف الكائنات.

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

يقدّم PP-YOLOE+ بنية قوية خالية من المراسي، محسّنة بدرجة كبيرة للنشر ضمن منظومة PaddlePaddle. ويستخدم العمود الفقري CSPRepResNet المعدّل ورأس ET لتحسين استخراج السمات وانحدار الصناديق المحيطة. وعلى الرغم من تحقيقه متوسط دقة مرتفعًا mean Average Precision (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#

قدّمه Chien-Yao Wang وHong-Yuan Mark Liao من معهد علوم المعلومات في Academia Sinica بتايوان، ويمثل YOLOv9 قفزة مهمة في التعامل بكفاءة مع اختناقات المعلومات في التعلم العميق.

المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
التاريخ: 2024-02-21
Arxiv: 2402.13616
GitHub: WongKinYiu/yolov9

يتمثل الاختراق الرئيسي في YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI)، التي تمنع فقدان البيانات أثناء مرور السمات عبر الشبكات العصبية العميقة. وبالاقتران مع شبكة تجميع الطبقات الفعّالة المعمّمة (GELAN)، يحقق YOLOv9 أقصى كفاءة للمعلمات وتدفقًا حسابيًا فعّالًا. علاوة على ذلك، فهو متكامل أصلًا مع منظومة Ultralytics، ما يجعله متاحًا بدرجة كبيرة لكل من التطبيقات البحثية والتجارية.

تعرّف على المزيد حول YOLOv9

نماذج Ultralytics الأخرى

إذا كنت تستكشف خيارات متقدمة، فقد تهتم أيضًا بـ YOLO11 وRT-DETR، إذ يقدمان موازَنات مختلفة بين الدقة القائمة على Transformer والأداء الآني على الأجهزة الطرفية.

مقارنة الأداء والمقاييس#

عند تحليل الأداء الخام، يُظهر YOLOv9 كفاءة استثنائية في المعلمات. فهو يحقق دقة مماثلة أو أعلى مع الحاجة إلى عدد أقل من المعلمات وعمليات FLOPs، ما يترجم إلى متطلبات أقل من VRAM أثناء تدريب النموذج.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (مللي ثانية)}	السرعة ^{T4 TensorRT10 (مللي ثانية)}	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	7.1	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 يتضح من الجدول، يحقق YOLOv9c قيمة mAP قوية تبلغ 53.0 مع عدد أقل بكثير من المعلمات (25.3M) مقارنةً بـ PP-YOLOE+l المماثل (52.2M). ويجعل هذا الاستخدام الأقل للذاكرة YOLOv9 خيارًا أفضل للمطورين الذين يعملون بموارد GPU محدودة.

المنظومة والمرونة وسهولة الاستخدام#

تكمن الميزة الحاسمة في YOLOv9 في تكامله السلس مع منظومة Ultralytics التي تحظى بصيانة جيدة. وبينما يتطلب PP-YOLOE+ التعامل مع ملفات إعداد PaddlePaddle المعقدة، يستفيد YOLOv9 من Python API مبسّط.

تتيح Python API الخاصة بـ Ultralytics للمطورين تحميل الأوزان المدرّبة مسبقًا، وإدارة زيادة البيانات، وبدء التدريب باستخدام أقل قدر من الشيفرة التمهيدية.

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، توفر منظومة Ultralytics مرونة لا مثيل لها. فبالإضافة إلى اكتشاف الصناديق المحيطة، يدعم الإطار أصلًا تقسيم الكائنات، وتقدير الوضعية، واكتشاف الصناديق المحيطة الموجّهة (OBB). وهذا يجعل تكييف نموذجك مع خطوط أنابيب العالم الحقيقي المعقدة فعالًا للغاية.

خيارات التصدير

يمكن تصدير النماذج المدرّبة باستخدام إطار Ultralytics إلى تنسيقات متعددة، بما في ذلك TensorRT وOpenVINO، ما يضمن استدلالًا محسّنًا بدرجة كبيرة عبر عتاد متنوع.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ وYOLOv9 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

متى تختار PP-YOLOE+#

يُعد PP-YOLOE+ خيارًا قويًا من أجل:

التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة على إطار عمل وأدوات PaddlePaddle الخاصة بـBaidu.
النشر الطرفي باستخدام Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة كبيرة خصيصًا لمحرك Paddle Lite أو محرك Paddle للاستدلال.
الاكتشاف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يمثل الاعتماد على إطار العمل مصدر قلق.

متى تختار YOLOv9#

يوصى باستخدام YOLOv9 من أجل:

أبحاث عنق الزجاجة المعلوماتي: المشاريع الأكاديمية التي تدرس معماريات المعلومات القابلة للبرمجة للتدرجات (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).
دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
قياس أداء اكتشاف عالي الدقة: السيناريوهات التي تحتاج إلى أداء YOLOv9 القوي في معيار COCO بوصفه نقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

التطلع إلى المستقبل: ميزة YOLO26#

على الرغم من قوة كل من PP-YOLOE+ وYOLOv9، فإن YOLO26 الذي أُطلق حديثًا يمثل الخطوة التالية الحاسمة لبيئات الإنتاج. أُطلق YOLO26 في يناير 2026، ويرسي معيارًا جديدًا للحوسبة الطرفية وعمليات النشر السحابية. ونوصي بشدة باستخدام YOLO26 لجميع مشروعات الرؤية الحاسوبية الجديدة بفضل ابتكاراته الرائدة:

تصميم شامل من البداية إلى النهاية خالٍ من NMS: يتميز YOLO26 بطبيعة شاملة من البداية إلى النهاية، ما يلغي تمامًا الحاجة إلى المعالجة اللاحقة للكبت غير الأقصى (NMS). وهذا يبسّط خطوط أنابيب النشر بدرجة كبيرة ويقلل زمن الاستجابة.
استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال تحسين البنية خصيصًا للحوسبة الطرفية، يكون YOLO26 أسرع بدرجة كبيرة على العتاد الذي يفتقر إلى GPU مخصص.
إزالة DFL: أُزيلت خسارة البؤرة للتوزيع، ما يجعل عمليات التصدير أبسط ويحسّن بدرجة كبيرة التوافق مع الأجهزة الطرفية منخفضة الطاقة.
مُحسِّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يضمن هذا المزيج من SGD وMuon ديناميكيات تدريب مستقرة للغاية وتقاربًا سريعًا.
ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهو ترقية أساسية لـ الصور الجوية والروبوتات.
تحسينات خاصة بالمهام: يتضمن YOLO26 بنيات مخصصة لمهام محددة، مثل proto متعدد المقاييس للتقسيم وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية.

يمكنك تدريب نماذج YOLO26 ونشرها بسهولة من خلال منصة Ultralytics، وهي حل متكامل لوَسم مجموعات البيانات، والتدريب السحابي، ومراقبة النماذج.

التطبيقات الواقعية#

غالبًا ما يعتمد الاختيار بين هذه البنى على بيئة النشر المستهدفة.

يُنشر PP-YOLOE+ غالبًا في مراكز التصنيع الصناعي، ولا سيما في المناطق التي يكون فيها تكامل PaddlePaddle ومكدس عتاد Baidu مدمجين بعمق في البنية التحتية للمؤسسات. ويتفوق في تحليل الصور الثابتة حيث تُعطى الأولوية للدقة المطلقة على حساب القيود الآنية الصارمة.

يتفوق YOLOv9 في البيئات الديناميكية التي تتطلب استدلالًا آنيًا سريعًا. وتجعله كفاءته الفائقة في المعلمات مثاليًا لملاحة الطائرات المسيّرة ذاتية التشغيل وأنظمة الأمان المعتمدة على الحوسبة الطرفية. علاوة على ذلك، يخفض استهلاكه الأقل لـ VRAM عتبة الدخول أمام الباحثين الذين يدرّبون النماذج على GPU من فئة الأجهزة الاستهلاكية.

للحصول على أفضل أداء ممكن في إدارة حركة المرور في المدن الذكية والروبوتات عالية السرعة، لا يُضاهى YOLO26 الأحدث، إذ يوفر كفاءة شاملة من البداية إلى النهاية دون العبء الناتج عن اختناقات NMS.

المساهمون

GLglenn-jocher¹⁶ PDpderrenger¹

تاريخ الإنشاء 27 يناير 2025تاريخ التحديث قبل 4 أسابيع