PP-YOLOE+ مقابل YOLOX
تأثرت الرؤية الحاسوبية بالتطور السريع لنماذج اكتشاف الأجسام. ومن المحطات البارزة PP-YOLOE+ وYOLOX، وهما بنيتان طوّرتا الأداء والدقة في الوقت الفعلي. ويساعد فهم تفاصيل البنية ومقايضات الأداء وسيناريوهات النشر الأنسب على بناء أنظمة أفضل للتعرّف المرئي.
سلالة النماذج وتفاصيلها#
قبل تناول البنى التقنية، من المفيد فهم أصول كلا النموذجين. فقد طُوّر كل منهما لمعالجة اختناقات محددة في اكتشاف الأجسام، متأثرًا بشدة بالجهة المطوّرة 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.
نال YOLOX اهتمامًا واسعًا في عام 2021 بتكييفه سلسلة YOLO لتصميم لا يعتمد على المراسي. ومن خلال إزالة صناديق المراسي، قلل YOLOX بدرجة كبيرة عدد معلمات التصميم والضبط الاستدلالي المطلوبين لمجموعات البيانات المخصصة. كما قدم رأسًا مفصولًا يفصل مهام التصنيف وتحديد الموقع إلى مسارات عصبية مستقلة. وقد أزال هذا الفصل التعارض الكامن بين تصنيف الجسم وانحدار إحداثياته المكانية، ما أدى إلى تقارب أسرع أثناء التدريب.
طوّرت Baidu نموذج PP-YOLOE+ مع تحسينات كبيرة لمنظومة PaddlePaddle. وهو يبني على سابقيه PP-YOLOE وPP-YOLOv2، ويقدم استراتيجية ديناميكية لإسناد التسميات (TAL) وعمودًا فقريًا جديدًا يُسمى CSPRepResNet. ويستفيد هذا العمود الفقري من إعادة تحديد المعلمات البنيوية، ما يتيح للنموذج الاستفادة من بنيات متعددة الفروع المعقدة أثناء التدريب، ثم دمجها في شبكة سريعة أحادية المسار للاستدلال.
تتيح إعادة تحديد المعلمات بنيويًا تدريب النموذج باستخدام فروع متوازية متعددة (لتحسين تدفق التدرجات)، ثم دمج هذه الفروع رياضيًا في طبقة التفافية واحدة للنشر، ما يعزز سرعة الاستدلال دون التضحية بالدقة.
مقارنة الأداء والمقاييس#
عند المقارنة المباشرة بين هذين النموذجين، يتضح أنهما يخدمان طرفين مختلفين قليلًا من نطاق الأداء. يحقق PP-YOLOE+ عمومًا mAP مطلقًا أعلى، بينما يوفر YOLOX نسخًا خفيفة للغاية تناسب العتاد شديد التقييد.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
ملاحظة: تُبرز أفضل القيم أداءً في كل مقطع عمود ذي صلة بخط عريض.
يوفر YOLOX نسخًا نانوية ودقيقة تحتاج إلى مساحة قرص أو ذاكرة CUDA قليلة جدًا، بينما يتوسع PP-YOLOE+ جيدًا إلى عتاد الخوادم، ما يجعله خيارًا متينًا 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 نسخه فائقة الخفة، يشيع استخدام YOLOX في الروبوتات والنشر على الأنظمة المضمنة. كما يسهل مسار معالجته اللاحقة البسيط نقله إلى بيئات تشغيل الاستدلال مثل TensorRT وNCNN.
مجالات تفوق PP-YOLOE+#
يوفر PP-YOLOE+ مسارًا محسّنًا مسبقًا للنشر للمصنّعين الذين يستخدمون حزمة تقنيات Baidu بالفعل. ويؤدي جيدًا في سيناريوهات فحص الجودة عالية الدقة التي تعمل على رفوف خوادم قوية، حيث تسمح قيود الوقت الفعلي المرنة نسبيًا باستخدام نماذج أثقل 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 أجهزة مضمنة منخفضة الطاقة أو أجهزة محمولة قديمة، حيث يكون الحجم الصغير للغاية لنسخة YOLOX-Nano (0.91M معلمة) 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 تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ 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.
ميزة Ultralytics: ظهور YOLO26#
مع أن PP-YOLOE+ وYOLOX يمثلان محطتين بحثيتين مهمتين، يتطلب النشر الحديث تجربة أكثر تكاملًا وملاءمة للمطورين وكفاءةً أفضل. وهنا يبرز Ultralytics YOLO26.
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 خلاف PP-YOLOE+ وYOLOX اللذين يتطلبان خوارزمية قمع الصناديق المتداخلة (NMS) لتصفية صناديق الإحاطة المتكررة، يوفر YOLO26 رأسًا أصليًا شاملًا من البداية إلى النهاية (
nms=False). ويزيل ذلك اختناقات زمن الاستجابة ويبسط منطق النشر إلى حد كبير. - استدلال أسرع على CPU بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26n استدلالًا أسرع بنسبة تصل إلى 43% من YOLO11n على عتاد CPU، ما يجعله أنسب بكثير لـالحوسبة الطرفية والأجهزة منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من تدريب Kimi K2 من Moonshot AI، ينقل هذا المُحسِّن الهجين استقرار تدريب LLM إلى الرؤية الحاسوبية، محققًا تقاربًا أسرع.
- ProgLoss + STAL: تحقق الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهي ميزة حاسمة لـعمليات الطائرات المسيّرة والصور الجوية عالية التفاصيل.
- تعدد الاستخدامات: بينما يركز PP-YOLOE+ وYOLOX على الاكتشاف وحده، يتعامل YOLO26 مع تقسيم الكائنات وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB) باستخدام الصياغة البديهية نفسها.
تدريب مبسّط مع Ultralytics#
تتميز نماذج Ultralytics بكفاءة الذاكرة وسرعة التدريب، ولا سيما مقارنةً بالبدائل القائمة على Transformer التي تتطلب كميات كبيرة من ذاكرة CUDA. ويمكنك تدريب YOLO26 وتصديره باستخدام بضعة 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 إلى ONNX أو TensorRT
model.export(format="engine")بالنسبة إلى الفرق التي تبحث عن حل لا يتطلب كتابة التعليمات البرمجية، توفر منصة Ultralytics تدريبًا سحابيًا، وتعليقًا توضيحيًا مدمجًا لمجموعات البيانات، ونشرًا بنقرة واحدة لجميع نماذج YOLO الخاصة بك.
الخلاصة#
حجز كل من PP-YOLOE+ وYOLOX مكانًا له في تاريخ الرؤية الحاسوبية، إذ قدّم الأول دقة عالية والثاني تصميمات خفيفة لا تعتمد على المراسي. ومع ذلك، بالنسبة إلى المؤسسات التي تبني مستقبل الذكاء الاصطناعي في الزراعة والمدن الذكية والتجزئة، تجعل الصيانة المستمرة وسهولة الاستخدام والبنية الأصلية الخالية من NMS في Ultralytics YOLO26 منه الخيار الموصى به.
إذا كنت تستكشف بنيات بديلة لمقاييس مرجعية محددة، فقد تجد فائدة أيضًا في مقارنة الجيل السابق YOLO11 أو الخيارات القائمة على Transformer مثل RT-DETR في وثائق Ultralytics. ومن خلال الانتقال إلى منظومة Ultralytics الموحدة، يوفر المطورون الوقت والموارد مع تحقيق نتائج قوية في عمليات النشر الطرفية والسحابية.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.