PP-YOLOE+ مقابل YOLOv9: مقارنة فنية
يتضمن اختيار نموذج الكشف عن الأجسام الصحيح مفاضلة حاسمة بين الدقة والسرعة والتكلفة الحسابية. تقدم هذه الصفحة مقارنة فنية مفصلة بين PP-YOLOE+ من Baidu و YOLOv9، وهما كاشفان قويان أحاديان المرحلة. سنقوم بتحليل الاختلافات المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار أفضل نموذج لمشاريع الرؤية الحاسوبية الخاصة بك. في حين أن كلا النموذجين يتمتعان بقدرات عالية، إلا أنهما ينبثقان من فلسفات تصميم وأنظمة بيئية متميزة، مما يجعل هذه المقارنة ضرورية لاتخاذ قرارات مستنيرة.
PP-YOLOE+: دقة عالية ضمن نظام PaddlePaddle البيئي
PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) هو نموذج لاكتشاف الكائنات تم تطويره بواسطة Baidu كجزء من مجموعة PaddleDetection الخاصة بهم. تم تقديمه لتقديم توازن قوي بين الدقة والكفاءة، وهو مُحسَّن خصيصًا لإطار عمل التعلم العميق PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: بايدو
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- الوثائق: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
البنية والميزات الرئيسية
PP-YOLOE+ هو كاشف أحادي المرحلة وخالٍ من المرساة يعتمد على بنية YOLO مع العديد من التحسينات الرئيسية. يستخدم هيكلًا أساسيًا وعنقًا قابلين للتطوير، جنبًا إلى جنب مع رأس مُحاذٍ للمهام فعال، لتحسين الأداء. تم تصميم النموذج ليكون عمليًا وفعالًا للغاية، ولكن تحسينه الأساسي مخصص لإطار عمل PaddlePaddle، والذي يمكن أن يكون اعتبارًا مهمًا للمطورين الذين يعملون خارج هذا النظام البيئي.
نقاط القوة
- توازن أداء قوي: يوفر PP-YOLOE+ موازنة جديرة بالثناء بين السرعة والدقة، مما يجعله خيارًا قابلاً للتطبيق لمختلف التطبيقات في الوقت الفعلي.
- نماذج قابلة للتطوير: يأتي بعدة أحجام (t, s, m, l, x)، مما يسمح للمطورين باختيار نموذج يناسب قيود الموارد المحددة الخاصة بهم.
- محسّن لـ PaddlePaddle: بالنسبة للفرق المستثمرة بالفعل في نظام Baidu PaddlePaddle البيئي، يوفر PP-YOLOE+ تجربة سلسة ومحسّنة للغاية.
نقاط الضعف
- الاعتماد على النظام البيئي: النموذج مقترن بإحكام بإطار PaddlePaddle، الذي لديه قاعدة مستخدمين ومجتمع أصغر مقارنة بـ PyTorch. يمكن أن يؤدي ذلك إلى تحديات في التكامل والنشر وإيجاد دعم المجتمع.
- تعددية المهام محدودة: يركز PP-YOLOE+ بشكل أساسي على اكتشاف الكائنات. في المقابل، تقدم النماذج الموجودة داخل نظام Ultralytics البيئي، مثل YOLOv8، إطارًا موحدًا لمهام متعددة، بما في ذلك التجزئة والتصنيف وتقدير الوضع.
- كفاءة أقل: كما هو موضح في جدول الأداء، غالبًا ما تتطلب نماذج PP-YOLOE+ المزيد من المعلمات و FLOPs لتحقيق مستويات دقة مماثلة للبنى الأحدث مثل YOLOv9.
حالات الاستخدام المثالية
يُعد PP-YOLOE+ الأنسب للمطورين والمؤسسات المندمجة بعمق في نظام Baidu PaddlePaddle البيئي. إنه خيار قوي لمهام الكشف عن الكائنات القياسية حيث تتماشى بيئة التطوير بالفعل مع أدوات Baidu.
YOLOv9: معلومات التدرج القابلة للبرمجة للتعلم المحسن
يمثل Ultralytics YOLOv9 قفزة كبيرة إلى الأمام في اكتشاف الكائنات في الوقت الفعلي من خلال معالجة التحديات الأساسية لفقدان المعلومات في الشبكات العصبية العميقة. يقدم مفاهيم رائدة مثل معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN) لتعزيز كل من الدقة والكفاءة.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2024-02-21
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- الوثائق: https://docs.ultralytics.com/models/yolov9/
البنية والميزات الرئيسية
إن ابتكارات YOLOv9 الأساسية، PGI و GELAN، تميزها عن غيرها. تضمن PGI توفر معلومات تدرج موثوقة لتحديثات الشبكة عن طريق التخفيف من مشكلة عنق الزجاجة المعلوماتي، وهو أمر بالغ الأهمية لتدريب الشبكات العميقة. توفر GELAN بنية عالية الكفاءة تعمل على تحسين استخدام المعلمات وسرعة الحساب.
في حين أن البحث الأصلي يأتي من Academia Sinica، إلا أن دمجه في نظام Ultralytics البيئي يوفر مزايا لا مثيل لها:
- سهولة الاستخدام: يأتي YOLOv9 مع تجربة مستخدم مبسطة و واجهة برمجة تطبيقات Python بسيطة و وثائق شاملة، مما يجعلها في متناول المبتدئين والخبراء على حد سواء.
- نظام بيئي مُدار بشكل جيد: يستفيد من التطوير النشط، والدعم المجتمعي القوي، والتحديثات المتكررة، والتكامل مع أدوات مثل Ultralytics HUB للتدريب بدون تعليمات برمجية و MLOps.
- كفاءة التدريب: يقدم النموذج عمليات تدريب فعالة مع أوزان مُدرَّبة مسبقًا متاحة بسهولة، مما يتيح دورات تطوير ونشر سريعة.
- متطلبات ذاكرة أقل: مثل نماذج Ultralytics YOLO الأخرى، تم تصميم YOLOv9 ليكون فعالاً في استخدام الذاكرة أثناء التدريب والاستدلال، وهي ميزة كبيرة مقارنة بالبنى الأكثر تطلبًا مثل Transformers.
نقاط القوة
- دقة هي الأحدث على مستوى التقنية: تضع YOLOv9 معيارًا جديدًا للدقة في المقاييس المعيارية مثل COCO، متفوقةً على النماذج السابقة.
- كفاءة فائقة: بفضل PGI و GELAN، تحقق YOLOv9 دقة أعلى مع عدد أقل بكثير من المعلمات والموارد الحسابية (FLOPs) مقارنة بـ PP-YOLOE+ والمنافسين الآخرين.
- الحفاظ على المعلومات: يحل PGI بشكل فعال مشكلة فقدان المعلومات في الشبكات العميقة، مما يؤدي إلى تحسين تعميم النموذج وأدائه.
- تنوع الاستخدامات: إن البنية القوية لـ YOLOv9، جنبًا إلى جنب مع إطار عمل Ultralytics، تحمل إمكانات لتطبيقات المهام المتعددة، وهي سمة مميزة لنماذج مثل YOLOv8 و YOLO11.
نقاط الضعف
- نموذج أحدث: باعتباره إصدارًا حديثًا، فإن اتساع نطاق البرامج التعليمية التي يساهم بها المجتمع وعمليات تكامل الطرف الثالث لا يزال في التوسع، على الرغم من أن اعتماده يتسارع بسبب نظام Ultralytics البيئي.
- موارد التدريب: على الرغم من كفاءته العالية لمستوى أدائه، إلا أن تدريب أكبر متغيرات YOLOv9 (مثل YOLOv9-E) لا يزال يتطلب قدرًا كبيرًا من الطاقة الحسابية.
حالات الاستخدام المثالية
يعد YOLOv9 هو الخيار الأمثل للتطبيقات التي تتطلب أعلى دقة وكفاءة. إنه يتفوق في السيناريوهات المعقدة مثل القيادة الذاتية و أنظمة الأمان المتقدمة و الروبوتات عالية الدقة. تصميمه الفعال يجعل المتغيرات الأصغر مثالية أيضًا للنشر على الأجهزة الطرفية ذات الموارد المحدودة.
مقارنة الأداء وجهاً لوجه
عند مقارنة النماذج مباشرة، يُظهر YOLOv9 ميزة واضحة في الكفاءة والدقة. على سبيل المثال، يحقق نموذج YOLOv9-C نسبة mAP أعلى (53.0) من نموذج PP-YOLOE+l (52.9) مع استخدام ما يقرب من نصف عدد المعلمات (25.3 مليون مقابل 52.2 مليون) وعدد أقل من FLOPs (102.1 مليار مقابل 110.07 مليار). تعني هذه المعلمة الفائقة وكفاءة الحساب أن YOLOv9 يمكن أن يقدم أداءً أفضل مع متطلبات أجهزة أقل، مما يجعله حلاً أكثر فعالية من حيث التكلفة وقابلية للتطوير.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT (مللي ثانية) |
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 |
الخلاصة والتوصية
في حين أن PP-YOLOE+ هو نموذج كفء داخل نظام PaddlePaddle البيئي الأصلي الخاص به، يظهر YOLOv9 كخيار أفضل للغالبية العظمى من المطورين والتطبيقات. توفر ابتكاراته المعمارية دقة متطورة مع كفاءة حسابية ملحوظة.
الميزة الرئيسية المميزة هي النظام البيئي. باختيار YOLOv9، يمكنك الوصول إلى نظام Ultralytics البيئي الشامل وسهل الاستخدام. يتضمن ذلك وثائق شاملة، ودعم مجتمعي نشط، وواجهة برمجة تطبيقات بسيطة (API)، وأدوات قوية مثل Ultralytics HUB، والتي تعمل بشكل جماعي على تبسيط خط أنابيب التطوير والنشر بأكمله.
بالنسبة للمطورين الذين يبحثون عن أفضل توازن بين الأداء وسهولة الاستخدام وتعدد الاستخدامات، نوصي باستكشاف نماذج Ultralytics. في حين أن YOLOv9 هو خيار ممتاز لتلبية احتياجات الدقة العالية، فقد تكون مهتمًا أيضًا بـ Ultralytics YOLOv8 لسجلها الحافل وقدراتها متعددة المهام، أو أحدث Ultralytics YOLO11 للحصول على أداء متطور عبر مجموعة واسعة من مهام رؤية الذكاء الاصطناعي.
