YOLO11 مقابل PP-YOLOE+: مقارنة تقنية مفصلة

يعد اختيار البنية المثلى لاكتشاف الأجسام قرارًا محوريًا يؤثر على سرعة ودقة وجدوى نشر مشاريع الرؤية الحاسوبية. يقدم هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLO11وهو أحدث طراز متطور من Ultralytics وPP-YOLOE+، وهو كاشف قوي من نظام PaddlePaddle من بايدو. في حين أن كلا النموذجين يوفران أداءً عاليًا، إلا أن YOLO11 يتميز YOLO11 من خلال كفاءته الحسابية الاستثنائية، وتكامله السلس مع PyTorch ونظام بيئي شامل مصمم لتسريع التطوير للباحثين والمهندسين.

Ultralytics YOLO11: الكفاءة تجتمع مع تعدد الاستخدامات

يمثل YOLO11 أحدث تطور في سلسلة YOLO (أنت تنظر مرة واحدة فقط) الشهيرة، التي أصدرتها Ultralytics لدفع حدود اكتشاف الأجسام في الوقت الفعلي. يعمل هذا النموذج الذي صممه جلين جوتشر وجينغ تشيو على تحسين البنية الخالية من الارتكاز لتقديم دقة فائقة مع تقليل النفقات الحسابية بشكل كبير.

المؤلفون: جلين جوتشر، جينغ تشيو
المنظمة:Ultralytics
التاريخ: 2024-09-27 2024
GitHubultralytics
المستنداتyolo11

البنية ونقاط القوة الأساسية

يستخدم YOLO11 تصميم شبكة مبسّط يعمل على تحسين استخراج الميزات ودمجها. على عكس أجهزة الكشف التقليدية القائمة على المرساة التي تعتمد على مربعات محددة مسبقًا، يتنبأ YOLO11 مباشرةً بمراكز الكائنات ومقاييسها. يعمل هذا النهج على تبسيط رأس النموذج وتقليل عدد المعلمات الفائقة المطلوبة للضبط.

تتميز بنية النموذج بتنوعها الشديد، حيث تدعم مجموعة كبيرة من مهام الرؤية الحاسوبية التي تتجاوز الاكتشاف البسيط. فهو يتعامل أصلاً مع تجزئة النماذج، وتقدير الوضع، وتصنيف الصور، والمربعات المحدودة الموجهة (OBB)، كل ذلك في إطار واحد وموحد.

تجربة المطور

تتمثل إحدى أهم مزايا YOLO11 في تكامله مع نظام ultralytics حزمة Python . يوفر هذا واجهة برمجة تطبيقات متناسقة للتدريب والتحقق من الصحة والنشر، مما يسمح للمطورين بالتبديل بين المهام أو تصدير النماذج إلى تنسيقات مثل ONNX و TensorRT بسطر واحد من التعليمات البرمجية.

المزايا الرئيسية

توازن الأداء الفائق: يحقق YOLO11 مفاضلة رائدة في الصناعة بين mAP والكمون الاستدلالي، مما يجعلها مناسبة للتطبيقات في الوقت الحقيقي على الأجهزة المتطورة.
الكفاءة الحسابية: يتطلب النموذج عددًا أقل من المعلمات وعمليات النقاط العائمة (FLOP) مقارنةً بالمنافسين مثل PP-YOLOE+، مما يؤدي إلى تنفيذ أسرع واستهلاك أقل للطاقة.
بصمة ذاكرة منخفضة: تم تحسين YOLO11 من أجل الاستخدام الفعال للذاكرة، حيث يتدرب YOLO11 بشكل أسرع ويمكن تشغيله على أجهزة ذات ذاكرة وصول عشوائي محدودة VRAM، وهو ما يختلف عن نماذج المحولات ذات الموارد الثقيلة.
نظام بيئي قوي: يستفيد المستخدمون من الصيانة النشطة والتوثيق الشامل والدعم المجتمعي، مما يضمن استمرارية طويلة الأجل لمشاريع المؤسسات.

تعرف على المزيد حول YOLO11

PP-YOLOE+: دقة عالية في نظام PaddlePaddle البيئي

PP-YOLOE+ هو تطوير لسلسلة YOLO التي طورها باحثو بايدو. تم إصدارها في عام 2022، وهي جزء من مجموعة أدوات PaddleDetection وهي مصممة للعمل بكفاءة داخل إطار عمل PaddlePaddle للتعلم العميق.

المؤلفون: PaddlePaddle المؤلفون
المنظمة:Baidu
التاريخ: 2022-04-02
ArXiv:https://arxiv.org/abs/2203.16250
GitHub:PaddlePaddle
المستندات:PaddleDetection Documentation

البنية والميزات

يستخدم PP-YOLOE+ العمود الفقري لشبكة CSPRepResNet ورأس محاذاة المهام الفعال (ET-Head). وهو يشتمل على تعيين ديناميكي للتسمية من خلال تعلم محاذاة المهام (TAL) ويستخدم الخسارة البؤرية المتغيرة لتحسين جودة تصنيف الكائنات. تم تحسين النموذج خصيصًا لمحرك الاستدلال PaddlePaddle مع الاستفادة من تكامل TensorRT للنشر.

نقاط القوة والقيود

بينما يوفر PP-YOLOE+ دقة تنافسية في معايير مثل COCOإلا أنها تواجه عقبات في التبني بسبب اعتمادها على إطار العمل. يعتمد معظم مجتمع البحث العالمي على PyTorchمما يجعل التحول إلى PaddlePaddle مصدرًا للاحتكاك. بالإضافة إلى ذلك، تتطلب نماذج PP-YOLOE+ عمومًا عدد معلمات أعلى لتتناسب مع دقة البنى الأحدث مثل YOLO11 مما يؤدي إلى زيادة التكاليف الحسابية أثناء التدريب والاستدلال.

تعرف على المزيد حول PP-YOLOE+

تحليل الأداء: الكفاءة والسرعة

تكشف المقارنة المباشرة لمقاييس الأداء أن YOLO11 يتفوق باستمرار على PP-YOLOE+ من حيث الكفاءة والسرعة مع الحفاظ على أحدث ما توصلت إليه التكنولوجيا من دقة.

النموذج	الحجم ^{(بالبكسل)}	mAP^فال 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

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

الملاحظات النقدية

هيمنة الكفاءة: كفاءة معلمات YOLO11 صارخة. على سبيل المثال، يحقق YOLO11x mAP مطابقة لـ 54.7 mAP مقارنةً بـ PP-YOLOE+x، لكنه يحقق ذلك باستخدام 56.9 مليون معلمة فقط مقابل 98.42 مليون معلمة. هذا يعني أن YOLO11x أصغر بنسبة 42% تقريبًا، مما يسهل النشر على الأجهزة محدودة التخزين.
سرعة الاستدلال: في سيناريوهات النشر في العالم الحقيقي، السرعة أمر بالغ الأهمية. يوفر YOLO11n وقت استدلال مذهل يبلغ 1.5 مللي ثانية على GPU T4، وهو أسرع بكثير من 2.84 مللي ثانية GPU PP-YOLOE+t المماثلة. تسمح ميزة السرعة هذه بمعالجة معدل إطارات أعلى في تطبيقات مثل المركبات ذاتية القيادة والروبوتات.
أداءCPU : يسلط توافر معايير محسّنة لوحدة CPU لـ YOLO11 الضوء على مرونته. حيث يتيح تحقيق 56.1 مللي ثانية على CPU مع YOLO11n تطبيقات قابلة للتطبيق في الوقت الفعلي حتى بدون تسريع مخصص GPU وهو مقياس غالبًا ما يكون مفقودًا أو أقل تحسينًا في الأطر المنافسة.

حالات الاستخدام في العالم الحقيقي

تُترجَم المزايا المعمارية لـ YOLO11 مباشرةً إلى فوائد للصناعات المتنوعة.

البنية التحتية للمدينة الذكية: تدعم الإنتاجية العالية لـ YOLO11 مراقبة حركة المرور في الوقت الفعلي وتحليل الازدحام عبر تدفقات كاميرات متعددة باستخدام عدد أقل من الخوادم.
التصنيع الصناعي: يتفوق YOLO11 في مراقبة الجودة والكشف عن العيوب في خطوط التجميع عالية السرعة بفضل الدقة الفائقة في فترات زمنية أقل.
تحليلات البيع بالتجزئة: تساعد قدرة النموذج على التعامل مع عدّ الكائنات وتوليد الخرائط الحرارية بكفاءة تجار التجزئة على تحسين تخطيطات المتاجر وإدارة المخزون.
تصوير الرعاية الصحية: تساعد براعة إجراء التجزئة في إجراء تحليل دقيق للصور الطبية، مثل تحديد الأورام أو تحليل هياكل الخلايا.

التدريب وتكامل النظام البيئي

ومن أهم ما يميزها سهولة تدريب المطورين على النماذج ونشرها. يتمحور نظام Ultralytics البيئي حول تبسيط رحلة المستخدم.

انسيابية سير العمل

يتطلب تدريب نموذج YOLO11 على مجموعة بيانات مخصصة الحد الأدنى من التعليمات البرمجية. يتعامل إطار العمل مع المهام المعقدة مثل زيادة البيانات، وتطور المعلمة الفائقة، والتدريب GPU وحدات معالجة البيانات تلقائيًا.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

وعلى النقيض من ذلك، فإن استخدام PP-YOLOE+ غالبًا ما ينطوي على التنقل بين تعقيدات نظام PaddlePaddle وملفات التكوين، والبرامج النصية المحتملة للتحويل إذا كان خط أنابيب البيانات الأصلي PyTorch.

مرونة النشر

يوفر Ultralytics أوضاع تصدير مدمجة لمجموعة كبيرة من التنسيقات، بما في ذلك ONNX OpenVINO CoreML TFLite. يضمن ذلك إمكانية نشر نموذج تم تدريبه مرة واحدة في أي مكان، بدءًا من جهاز NVIDIA Jetson edge إلى هاتف ذكي iOS أو واجهة برمجة التطبيقات السحابية.

الخلاصة

بينما يظل PP-YOLOE+ نموذجًا قادرًا في سياق النظام البيئي لبايدو, Ultralytics YOLO11 هو الخيار الأفضل لمجتمع الرؤية الحاسوبية الأوسع نطاقًا. إن الجمع بين عدد المعلمات الأقل بكثير، وسرعات الاستدلال الأسرع، وقابلية الاستخدام PyTorch يزيل الحواجز أمام الدخول ويسرع وقت الوصول إلى السوق.

بالنسبة للمطورين الذين يبحثون عن حل مستقبلي يوازن بين الأداء المتطور وسهولة الاستخدام، يوفر YOLO11 منصة قوية ومتعددة الاستخدامات وعالية الكفاءة لبناء الجيل القادم من تطبيقات الذكاء الاصطناعي.

استكشف نماذج أخرى

إذا كنت مهتمًا باستكشاف البنى الأخرى داخل نظام Ultralytics ففكر في هذه المقارنات: