PP-YOLOE+ مقابل YOLOX#

تأثر مشهد الرؤية الحاسوبية بدرجة كبيرة بالتطور السريع لنماذج اكتشاف الأجسام. ومن المحطات البارزة في هذا المسار PP-YOLOE+ وYOLOX، وهما بنيتان دفعتا حدود الأداء والدقة في الزمن الحقيقي. ويُعد فهم الفروق الدقيقة في بنيتيهما ومفاضلات الأداء وسيناريوهات النشر المثالية أمرًا بالغ الأهمية للباحثين والمطورين الذين يبنون الجيل التالي من أنظمة التعرّف البصري.

سلالة النماذج وتفاصيلها#

قبل الخوض في البنى التقنية، من المفيد وضع نشأة كلا النموذجين في سياقها. فقد طُوّر كل منهما لمعالجة اختناقات محددة في اكتشاف الأجسام، وتأثر بدرجة كبيرة بالجهة الراعية له.

تفاصيل PP-YOLOE+ :

• المؤلفون: مؤلفو PaddlePaddle
• الجهة: Baidu
• التاريخ: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• التوثيق: ملف README الخاص بـ PP-YOLOE+ في PaddleDetection

تعرّف على المزيد حول PP-YOLOE+

تفاصيل YOLOX:

• المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
• المؤسسة: Megvii
• التاريخ: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• التوثيق: التوثيق الرسمي لـ YOLOX

تعرّف على مزيد من المعلومات عن YOLOX

ابتكارات البنية#

تكمن الفروق الأساسية بين هذين الكاشفين في نهجهما لاستخراج الميزات والتنبؤ بمربعات الإحاطة.

YOLOX أحدث ضجة في عام 2021 بنجاحه في تكييف عائلة YOLO مع تصميم لا يعتمد على المراسي. وقد أدى حذف مربعات المراسي إلى تقليل كبير في عدد معلمات التصميم والضبط الاستدلالي اللازم لمجموعات البيانات المخصصة. إضافة إلى ذلك، قدم رأسًا منفصلًا يقسم مهام التصنيف وتحديد المواقع إلى مسارات عصبية مستقلة. وقد عالج هذا الفصل التعارض الأساسي بين تصنيف الجسم وانحدار إحداثياته المكانية، ما أدى إلى تقارب أسرع أثناء التدريب.

PP-YOLOE+، الذي طورته Baidu، محسن بدرجة كبيرة لمنظومة PaddlePaddle. وهو يستند إلى سابقيه PP-YOLOE وPP-YOLOv2، ويقدم استراتيجية ديناميكية لإسناد التسميات (TAL) وعمودًا فقريًا مبتكرًا يُسمى CSPRepResNet. ويستفيد هذا العمود الفقري من إعادة تحديد المعلمات بنيويًا، ما يسمح للنموذج بالاستفادة من البنى المعقدة متعددة الفروع أثناء التدريب، ثم دمجها بسلاسة في شبكة سريعة أحادية المسار للاستدلال.

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج وجهًا لوجه، يتضح أنها تخدم طرفين مختلفين قليلًا من طيف الأداء. يحقق PP-YOLOE+ عمومًا دقة مطلقة أعلى، بينما يتفوق YOLOX في توفير إصدارات خفيفة للغاية مناسبة للعتاد شديد التقييد.

ملاحظة: تُبرز أفضل القيم أداءً في كل مقطع عمود ذي صلة بخط عريض.

على الرغم من أن YOLOX يقدم إصدارات nano وtiny لا تستهلك إلا مساحة ضئيلة جدًا على القرص أو ذاكرة CUDA، يتوسع PP-YOLOE+ بكفاءة كبيرة على العتاد بمستوى الخوادم، ما يجعله خيارًا قويًا للتطبيقات الصناعية الثقيلة ضمن منظومة Baidu.

تطبيقات واقعية#

غالبًا ما يتوقف الاختيار بين هذين الإطارين على متطلبات التكامل والأجهزة المستهدفة.

مجالات تفوق YOLOX#

بفضل طبيعته التي لا تعتمد على المراسي وتوفر إصدارات فائقة الملاءمة للأجهزة الطرفية، يحظى YOLOX بشعبية في الروبوتات والنشر على المتحكمات الدقيقة. كما يتيح مسار المعالجة اللاحقة البسيط نقله بسهولة أكبر إلى تنسيقات عتاد NPU المخصصة مثل TensorRT وNCNN.

مجالات تفوق PP-YOLOE+#

بالنسبة إلى المؤسسات المندمجة بعمق في مراكز التصنيع الآسيوية التي تستخدم حزمة تقنيات Baidu، يوفر PP-YOLOE+ مسارًا مُحسّنًا مسبقًا للنشر. ويتألق في سيناريوهات فحص الجودة عالية الدقة التي تعمل على رفوف خوادم قوية، حيث تسمح القيود الصارمة للزمن الحقيقي باستخدام أوزان نماذج أكبر قليلًا.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ وYOLOX على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

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 YOLOX#

يوصى باستخدام YOLOX في الحالات التالية:

• أبحاث الاكتشاف دون مراسي: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة والخالية من المراسي أساسًا لتجربة رؤوس اكتشاف أو دوال خسارة جديدة.
• الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
• دراسات إسناد التسميات باستخدام SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.

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.

ميزة Ultralytics: ظهور YOLO26#

مع أن PP-YOLOE+ وYOLOX يمثلان محطتين بحثيتين بارزتين، فإن مشهد النشر الحديث يتطلب تجربة أكثر تكاملاً وملاءمة للمطورين، مع كفاءة أعلى. وهنا يعيد Ultralytics YOLO26 تعريف معايير الذكاء الاصطناعي البصري الحديث بالكامل.

بالنسبة إلى الفرق التي تسعى إلى الانتقال من مستودعات الأبحاث المنعزلة إلى أنظمة جاهزة للإنتاج، توفر Ultralytics منظومة متينة تحظى بصيانة جيدة. لم يعد تدريب النموذج يتطلب إعداد بيئات معقدة؛ إذ يكفي استخدام واجهة Python API موحدة.

تشمل أبرز مزايا Ultralytics YOLO26 ما يلي:

• تصميم شامل من البداية إلى النهاية بلا NMS: على عكس PP-YOLOE+ وYOLOX اللذين يتطلبان كبح غير الأقصى (NMS) لتصفية مربعات الإحاطة الزائدة، يوفر YOLO26 رأسًا أصليًا شاملًا من البداية إلى النهاية (nms=False). وهذا يزيل اختناقات زمن الاستجابة ويبسّط منطق النشر بدرجة كبيرة.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: من خلال إزالة خسارة البؤرة التوزيعية (DFL) بشكل مدروس، يحقق YOLO26 سرعات استدلال لا مثيل لها على عتاد CPU، ما يجعله أفضل بكثير لـالحوسبة الطرفية والأجهزة منخفضة الطاقة.
• محسّن MuSGD: استلهامًا من Kimi K2 من Moonshot AI، يجلب هذا المحسّن الهجين استقرار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يضمن تقاربًا أسرع بكثير ويقلل متطلبات الذاكرة أثناء مراحل التدريب.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهي ميزة مهمة لـعمليات الطائرات المسيّرة والصور الجوية شديدة التفصيل.
• تعدد الاستخدامات: بينما يركز PP-YOLOE+ وYOLOX حصريًا على الكشف، يتعامل YOLO26 بسلاسة مع تقسيم الكائنات، وتقدير الوضعية، ومربعات الإحاطة الموجّهة (OBB)، باستخدام الصياغة الحدسية نفسها تمامًا.

تدريب مبسّط مع Ultralytics#

تتفوق نماذج Ultralytics بلا منازع في كفاءة الذاكرة وسرعة التدريب، متجاوزةً تمامًا البدائل القائمة على Transformer التي تتطلب قدرًا هائلًا من ذاكرة CUDA. يمكنك الاستفادة من قوة YOLO26 ببضعة أسطر من التعليمات البرمجية فقط:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano عالي الكفاءة والشامل من البداية إلى النهاية⁩
model = YOLO("yolo26n.pt")

# ⁨التدريب على مجموعة البيانات التوضيحية COCO8⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨التحقق من أداء النموذج⁩
metrics = model.val()

# ⁨صدّر بسلاسة إلى ONNX أو TensorRT⁩
model.export(format="engine")

الخلاصة#

لقد رسّخ كل من PP-YOLOE+ وYOLOX مكانته في تاريخ الرؤية الحاسوبية، إذ يقدمان دقة عالية وتصميمات خفيفة الوزن خالية من المراسي، على التوالي. ومع ذلك، بالنسبة إلى المؤسسات التي تبني مستقبل الذكاء الاصطناعي في الزراعة والمدن الذكية وتجارة التجزئة، تجعل الصيانة المستمرة وسهولة الاستخدام والبنية الأصلية الخالية من NMS في Ultralytics YOLO26 منه الخيار الأجدر بلا منازع.

إذا كنت تستكشف بنيات بديلة لمعايير أداء محددة، فقد تجد فائدة أيضًا في مقارنة YOLO11 الأقدم أو الخيارات القائمة على Transformer مثل RT-DETR عبر وثائق Ultralytics الشاملة. ومن خلال الانتقال إلى منظومة Ultralytics الموحدة، يوفر المطورون وقتًا وموارد ثمينة، مع تحقيق نتائج متطورة في أي عملية نشر طرفية أو سحابية.