PP-YOLOE+ مقابل YOLOX: مقارنة فنية للكشف عن الأجسام
يعد اختيار نموذج الكشف عن الكائنات الأمثل خطوة حاسمة في أي مشروع رؤية الكمبيوتر، ويتطلب توازنًا دقيقًا بين الدقة والسرعة وتعقيد النشر. توفر هذه الصفحة مقارنة فنية مفصلة بين PP-YOLOE+ و YOLOX، وهما كاشفان بارزان بدون مرساة. سنقوم بتحليل بنيتيهما ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار الأنسب لاحتياجاتك.
PP-YOLOE+: دقة عالية من نظام PaddlePaddle البيئي
PP-YOLOE+، نسخة محسنة من PP-YOLOE، تم تطويرها بواسطة Baidu كجزء من إطار عمل PaddlePaddle الخاص بهم. تم طرحه في أبريل 2022، وهو عبارة عن كاشف أحادي المرحلة بدون نقاط ارتكاز مصمم لتحقيق دقة وكفاءة عالية، مع تركيز قوي على التطبيقات الصناعية.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: بايدو
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- المستندات: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
البنية والميزات الرئيسية
يعتمد PP-YOLOE+ على النموذج الخالي من المرساة، مما يبسط مسار الكشف عن طريق إزالة الحاجة إلى مربعات مرساة محددة مسبقًا. هذا يقلل من المعلمات الفائقة وتعقيد النموذج.
- مكونات فعالة: تستخدم الهندسة المعمارية عمودًا فقريًا من نوع ResNet ورقبة Path Aggregation Network (PAN) لدمج الميزات بشكل فعال، ورأسًا منفصلًا يفصل بين مهام التصنيف والتوطين.
- تعلم محاذاة المهام (TAL): أحد الابتكارات الرئيسية هو استخدامه لـ TAL، وهي دالة فقدان متخصصة مصممة لتحسين مواءمة مهام التصنيف والتوطين. هذه المواءمة ضرورية لتحسين دقة الكشف، خاصة بالنسبة للكائنات المعبأة بإحكام أو المتداخلة.
نقاط القوة والضعف
نقاط القوة:
- دقة عالية: تحقق المتغيرات الأكبر، مثل PP-YOLOE+x، درجات mAP عالية جدًا في مجموعة بيانات COCO.
- تصميم بدون مربعات ارتكاز (Anchor-Free): يبسط بنية النموذج ويقلل الحاجة إلى ضبط المعلمات الفائقة المعقدة المتعلقة بمربعات الارتكاز.
- تكامل PaddlePaddle: مدمج بإحكام داخل نظام PaddlePaddle البيئي، مما يجعله خياراً طبيعياً للمطورين الذين يستخدمون هذا الإطار بالفعل.
نقاط الضعف:
- الاعتماد على النظام البيئي: قد يكون تحسينه الأساسي لإطار PaddlePaddle قيدًا على المستخدمين الذين ليسوا جزءًا من هذا النظام البيئي، مما قد يزيد من جهود التكامل.
- المجتمع والموارد: على الرغم من توثيقه جيدًا داخل نظامه البيئي، إلا أنه قد يتمتع بدعم مجتمعي أقل شمولاً وموارد من جهات خارجية مقارنة بالنماذج الأكثر اعتمادًا على نطاق واسع.
حالات الاستخدام
يُعد PP-YOLOE+ مناسبًا بشكل خاص للسيناريوهات التي تكون فيها الدقة العالية مطلبًا أساسيًا.
- فحص الجودة الصناعية: دقتها العالية مفيدة جدًا لاكتشاف العيوب في التصنيع.
- البيع بالتجزئة الذكي: يمكن استخدامه بفعالية في إدارة المخزون وتحليلات العملاء.
- الحوسبة الطرفية: تسمح البنية الفعالة للنموذج بالنشر على الأجهزة المحمولة والمدمجة، خاصةً عند تسريعها بأدوات مثل TensorRT.
YOLOX: بديل عالي الأداء وخالٍ من المرساة
تم تقديم YOLOX في يوليو 2021 من قبل باحثين من Megvii. إنه نموذج آخر عالي الأداء للكشف عن الكائنات خالٍ من المرساة ويهدف إلى تبسيط سلسلة YOLO مع تحقيق أحدث النتائج، وسد الفجوة بفعالية بين الاحتياجات البحثية والصناعية.
- المؤلفون: تشنغ قه، سونغتاو ليو، فنغ وانغ، زيمينغ لي، وجيان صن
- المنظمة: Megvii
- التاريخ: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- المستندات: https://yolox.readthedocs.io/en/latest/
البنية والميزات الرئيسية
يميز YOLOX نفسه من خلال الجمع بين تصميم خالٍ من الارتكاز والعديد من التقنيات المتقدمة لتعزيز الأداء.
- Decoupled Head: مثل PP-YOLOE+، تستخدم رأسًا منفصلًا للتصنيف والتوطين، والذي ثبت أنه يحسن التقارب والدقة.
- استراتيجيات التدريب المتقدمة: تشتمل YOLOX على SimOTA، وهي إستراتيجية متقدمة لتعيين التصنيفات، لتعيين العينات الإيجابية ديناميكيًا أثناء التدريب. كما تستخدم تقنيات تقوية البيانات القوية مثل MixUp لتحسين تعميم النموذج.
نقاط القوة والضعف
نقاط القوة:
- دقة عالية: يحقق دقة تنافسية، من خلال الاستفادة من الرأس المفصول وتقنيات تعيين التسميات المتقدمة.
- بساطة بدون مرساة: يبسط التصميم الخالي من الإرساء خط أنابيب الكشف ويمكن أن يحسن التعميم عن طريق إزالة التبعيات على تكوينات مربع الإرساء المحددة مسبقًا.
- نموذج راسخ: نظرًا لكونه متاحًا منذ عام 2021، فإن YOLOX لديه قاعدة صلبة من موارد المجتمع وأمثلة النشر.
نقاط الضعف:
- تعقيد التنفيذ: في حين أن جانب عدم وجود نقاط ارتكاز أبسط، إلا أن إدخال استراتيجيات متقدمة مثل SimOTA يمكن أن يضيف تعقيدًا إلى عملية التنفيذ والتدريب.
- النظام البيئي الخارجي: لا يُعد YOLOX جزءًا من نظام بيئي موحد مثل Ultralytics، ممّا قد يعني منحنى تعليمي أكثر حدة وتكاملًا أقل سلاسة مع أدوات شاملة مثل Ultralytics HUB.
- سرعة الاستدلال لوحدة المعالجة المركزية: قد تتخلف سرعة الاستدلال على وحدات المعالجة المركزية عن النماذج المحسّنة للغاية، خاصةً بالنسبة لمتغيرات YOLOX الأكبر.
حالات الاستخدام
يعتبر YOLO خيارًا ممتازًا للتطبيقات التي تتطلب دقة عالية وبنية قوية وخالية من المرساة.
- القيادة الذاتية: مناسبة تمامًا لمهام الإدراك في المركبات ذاتية القيادة، حيث الدقة العالية أمر بالغ الأهمية.
- الروبوتات المتقدمة: مثالية للبيئات المعقدة حيث يلزم اكتشاف دقيق للأجسام من أجل الملاحة والتفاعل، وهو مجال رئيسي في الروبوتات.
- البحث والتطوير: تعتبر أساسًا قويًا لاستكشاف المنهجيات الخالية من المرساة وتقنيات التدريب المتقدمة في الكشف عن الأجسام.
تحليل ومقارنة الأداء
يقدم كل من PP-YOLOE+ و YOLOX مجموعة من أحجام النماذج، مما يسمح للمطورين بتحقيق التوازن بين الدقة والسرعة. بناءً على معايير مجموعة بيانات COCO، تميل نماذج PP-YOLOE+، وخاصة المتغيرات الأكبر (l, x)، إلى تحقيق درجات mAP أعلى من نظيراتها في YOLOX. على سبيل المثال، يصل PP-YOLOE+x إلى 54.7% mAP، متفوقًا على YOLOX-x. من حيث سرعة الاستدلال على وحدة معالجة الرسومات T4 GPU، فإن النماذج تنافسية للغاية، حيث يُظهر YOLOX-s تفوقًا طفيفًا على PP-YOLOE+s، بينما PP-YOLOE+m أسرع قليلاً من YOLOX-m.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي 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 |
| 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 |
الخلاصة: ما هو النموذج المناسب لك؟
يعتبر كل من PP-YOLOE+ و YOLOX من كاشفات الأجسام القوية والخالية من المرساة، لكنهما يلبيان أولويات مختلفة قليلاً. يعتبر PP-YOLOE+ خيارًا ممتازًا للمستخدمين داخل نظام PaddlePaddle البيئي الذين يحتاجون إلى زيادة الدقة إلى أقصى حد للتطبيقات الصناعية الصعبة. YOLOX هو نموذج متعدد الاستخدامات وعالي الأداء يعمل كأساس قوي لمجموعة واسعة من التطبيقات، لا سيما في البحث والمجالات عالية المخاطر مثل الأنظمة المستقلة.
بالنسبة للمطورين والباحثين الذين يبحثون عن نموذج يجمع بين الأداء المتطور وسهولة الاستخدام والتنوع الاستثنائيين، فإن نماذج Ultralytics YOLO مثل YOLOv8 وأحدث YOLO11 تمثل بديلاً مقنعًا. تقدم نماذج Ultralytics تجربة فائقة بسبب:
- سهولة الاستخدام: واجهة برمجة تطبيقات Python مبسطة، وتوثيق شامل، وواجهة سطر أوامر سهلة الاستخدام تجعل البدء سريعًا وبسيطًا.
- نظام بيئي مُدار بشكل جيد: استفد من التطوير النشط ودعم المجتمع القوي عبر GitHub و Discord والتحديثات المتكررة والتكامل مع Ultralytics HUB لإدارة دورة حياة النموذج الشاملة.
- موازنة الأداء: تم تصميم نماذج Ultralytics لتوفير توازن مثالي بين السرعة والدقة، مما يجعلها مناسبة لمجموعة واسعة من سيناريوهات النشر الواقعية.
- تنوع الاستخدامات: على عكس النماذج التي تركز فقط على الكشف، تدعم نماذج Ultralytics YOLO مهام متعددة خارج الصندوق، بما في ذلك تجزئة المثيلات، وتقدير الوضعية، والتصنيف.
- كفاءة التدريب: بفضل الأوزان المُدرَّبة مسبقًا المتاحة بسهولة وعمليات التدريب الفعالة، غالبًا ما تتطلب نماذج Ultralytics وقتًا وموارد حسابية أقل لتحقيق نتائج ممتازة.
لمقارنات أكثر تفصيلاً، قد تكون مهتمًا أيضًا باستكشاف كيفية مقارنة هذه النماذج بالبنى الأخرى، كما هو الحال في تحليلات YOLOv8 مقابل YOLOX و YOLO11 مقابل PP-YOLOE+.
