تخطي إلى المحتوى

YOLO11 مقابل PP-YOLOE+: مقارنة تفصيلية للنماذج

يُعد اختيار نموذج الكشف عن الأجسام المناسب قرارًا بالغ الأهمية يوازن بين متطلبات الدقة والسرعة وكفاءة النشر. تقدم هذه الصفحة مقارنة فنية شاملة بين Ultralytics YOLO11، أحدث نموذج متطور من Ultralytics، و PP-YOLOE+، وهو نموذج قوي من نظام PaddlePaddle البيئي الخاص بـ Baidu. في حين أن كلا النموذجين يتمتع بقدرات عالية، إلا أن YOLO11 يتميز بتوازنه الفائق في الأداء وسهولة استخدامه الاستثنائية وتكامله في نظام بيئي متعدد الاستخدامات وجيد الصيانة، مما يجعله الخيار الموصى به لمجموعة واسعة من تطبيقات الرؤية الحاسوبية.

Ultralytics YOLO11: أحدث ما توصلت إليه الأداء والتنوع

يعد Ultralytics YOLO11 أحدث نموذج رائد من Ultralytics، تم تصميمه بواسطة Glenn Jocher و Jing Qiu. تم إصداره في 27 سبتمبر 2024، وهو يعتمد على إرث سابقاته الناجحة للغاية مثل YOLOv8 لوضع معيار جديد في الكشف عن الكائنات في الوقت الفعلي وما بعده. تم تصميم YOLO11 لتحقيق أقصى قدر من الكفاءة والتنوع وسهولة الاستخدام، مما يجعل رؤية الكمبيوتر المتقدمة في متناول المطورين والباحثين في كل مكان.

المؤلفون: جلين جوتشر، جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolo11/

البنية والميزات الرئيسية

يتميز YOLO11 ببنية متطورة أحادية المرحلة و خالية من المرساة تعمل على تحسين المقايضة بين السرعة والدقة. يقلل تصميم الشبكة المبسط من عدد المعلمات والحمل الحسابي، مما يؤدي إلى سرعات استدلال أسرع ومتطلبات ذاكرة أقل. هذه الكفاءة تجعل YOLO11 مثاليًا للنشر على أجهزة متنوعة، من الأجهزة الطرفية ذات الموارد المحدودة مثل NVIDIA Jetson إلى الخوادم السحابية القوية.

تتمثل إحدى أعظم نقاط قوة YOLO11 في تنوعها. إنها ليست مجرد نموذج لاكتشاف الكائنات ولكنها إطار رؤية شامل يدعم تجزئة المثيلات، و تصنيف الصور، و تقدير الوضعية، ومربعات الإحاطة الموجهة (OBB). تم دمج هذه الإمكانية متعددة المهام بسلاسة في نظام Ultralytics البيئي، المشهور بسهولة استخدامه. مع واجهة برمجة تطبيقات Python بسيطة و CLI، و وثائق شاملة، ومجتمع داعم، يمكن للمطورين البدء في دقائق. يشتمل النظام البيئي أيضًا على أدوات مثل Ultralytics HUB للتدريب والنشر بدون تعليمات برمجية، مما يقلل من حاجز الدخول.

نقاط القوة

  • توازن أداء فائق: يحقق مقايضة ممتازة بين السرعة والدقة، وغالبًا ما يتفوق على المنافسين بعدد أقل من المعلمات.
  • كفاءة استثنائية: مُحسَّنة للاستدلال عالي السرعة على كل من CPU و GPU، مع تقليل استخدام الذاكرة أثناء التدريب والنشر.
  • تنوع لا مثيل له: يدعم إطار عمل واحد مجموعة واسعة من مهام الرؤية، مما يوفر حلاً موحدًا للمشاريع المعقدة.
  • سهولة الاستخدام: يتميز بتجربة مستخدم مبسطة مع واجهة برمجة تطبيقات (API) بسيطة، ووثائق شاملة، وثروة من البرامج التعليمية.
  • نظام بيئي مُدار بشكل جيد: استفد من التطوير النشط، والتحديثات المتكررة، ودعم مجتمعي قوي، والتكامل السلس مع أدوات MLOps.
  • تدريب فعال: يأتي مع أوزان مُدرَّبة مسبقًا متاحة بسهولة وروتينات تدريب مُحسَّنة، مما يتيح دورات تطوير أسرع.

نقاط الضعف

  • باعتباره كاشفًا أحادي المرحلة، قد يواجه تحديات مع الأجسام الصغيرة للغاية في المشاهد المزدحمة مقارنةً بالكواشف ثنائية المرحلة المتخصصة.
  • تتطلب النماذج الأكبر، مثل YOLO11x، موارد حسابية كبيرة لتحقيق الأداء في الوقت الفعلي، وهي سمة شائعة للنماذج عالية الدقة.

حالات الاستخدام

إن مزيج YOLO11 من السرعة والدقة والتنوع يجعله الخيار الأمثل لمجموعة واسعة من التطبيقات الصعبة:

تعرف على المزيد حول YOLO11

PP-YOLOE+: دقة عالية ضمن نظام PaddlePaddle البيئي

PP-YOLOE+ هو نموذج لاكتشاف الكائنات تم تطويره بواسطة Baidu وتم إصداره في عام 2022 كجزء من مجموعة PaddleDetection. إنه كاشف أحادي المرحلة وخالٍ من المرساة يركز على تحقيق دقة عالية مع الحفاظ على كفاءة معقولة، خاصة داخل إطار التعلم العميق PaddlePaddle.

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
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

يستخدم PP-YOLOE+‎‏ أيضًا تصميمًا خاليًا من المرساة لتبسيط رأس الكشف. غالبًا ما يستخدم هيكله هياكل أساسية مثل CSPRepResNet ويتضمن تقنيات مثل Varifocal Loss و ET-Head فعال لتعزيز الأداء. تم تحسين النموذج بدرجة كبيرة للنظام البيئي PaddlePaddle، وهو الاعتبار الأساسي لتصميمه.

نقاط القوة والضعف

PP-YOLOE+ هو مؤدٍ قوي، حيث يقدم درجات mAP عالية، خاصة مع متغيرات النماذج الأكبر. ومع ذلك، يكمن ضعفه الرئيسي في الاعتماد على النظام البيئي. يمكن أن يشكل الارتباط بـ PaddlePaddle تحديًا كبيرًا في التعلم والتكامل بالنسبة للغالبية العظمى من المطورين والباحثين الذين يعملون مع PyTorch. علاوة على ذلك، كما هو موضح في جدول الأداء، غالبًا ما تتطلب نماذجه عددًا أكبر من المعلمات و FLOPs لتحقيق دقة مماثلة لـ YOLO11، مما يجعلها أقل كفاءة من الناحية الحسابية.

حالات الاستخدام

يُعد PP-YOLOE+ مناسبًا تمامًا للتطبيقات التي تكون فيها الدقة العالية ذات أهمية قصوى وتعتمد بيئة التطوير بالفعل على PaddlePaddle.

  • الفحص الصناعي: الكشف عن العيوب في خطوط التصنيع.
  • البيع بالتجزئة: أتمتة عمليات فحص المخزون وتحليله.
  • إعادة التدوير: تحديد المواد لـ الفرز الآلي.

تعرف على المزيد حول PP-YOLOE+

تحليل الأداء: YOLO11 مقابل PP-YOLOE+

عند مقارنة مقاييس الأداء، يُظهر Ultralytics YOLO11 ميزة واضحة في الكفاءة والسرعة مع تقديم دقة متطورة.

النموذج الحجم
(بالبكسل)		 mAPval
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
  • الدقة مقابل الكفاءة: يحقق YOLO11 باستمرار درجات mAP أعلى من PP-YOLOE+ في مقاييس نموذجية مماثلة (على سبيل المثال، YOLO11m مقابل PP-YOLOE+m). والأهم من ذلك، أنه يفعل ذلك مع عدد أقل بكثير من المعلمات و FLOPs. على سبيل المثال، يطابق YOLO11x قيمة mAP لـ PP-YOLOE+x ولكن مع 58٪ فقط من المعلمات وعدد أقل من FLOPs، مما يجعله نموذجًا أكثر كفاءة.
  • سرعة الاستدلال: YOLO11 أسرع بشكل كبير في جميع المجالات. على وحدة معالجة الرسوميات T4، يتفوق كل متغير من YOLO11 على نظيره PP-YOLOE+. إن توفر معايير وحدة المعالجة المركزية CPU لـ YOLO11 يزيد من تسليط الضوء على مرونة نشره، وهي ميزة رئيسية للتطبيقات التي لا تحتوي على وحدات معالجة رسوميات مخصصة GPUs.

التدريب وسهولة الاستخدام والنظام البيئي

بالإضافة إلى الأداء الخام، تتجلى روعة Ultralytics YOLO11 في تجربة المطور. يعتمد النظام البيئي Ultralytics على PyTorch، وهو إطار عمل التعلم العميق الأكثر شيوعًا، مما يضمن مجتمعًا ضخمًا وموارد واسعة ودعمًا واسعًا للأجهزة. يتم تبسيط التدريب والتحقق والنشر في أوامر بسيطة وبديهية.

في المقابل، يقتصر PP-YOLOE+ على إطار عمل PaddlePaddle. على الرغم من قوته، إلا أن هذا النظام البيئي أقل انتشارًا، مما قد يؤدي إلى منحنى تعليمي أكثر حدة، وعدد أقل من الموارد التي يساهم بها المجتمع، والمزيد من الاحتكاك عند التكامل مع الأدوات الأخرى. تم أيضًا تحسين عملية التدريب واستخدام الذاكرة في YOLO11 بشكل كبير، مما يسمح بتجربة ونشر أسرع على نطاق أوسع من الأجهزة.

في حين أن PP-YOLOE+ هو نموذج جدير بالثناء للكشف عن الكائنات، فإن Ultralytics YOLO11 هو الخيار الأفضل للغالبية العظمى من حالات الاستخدام. فهو يوفر حزمة أكثر جاذبية من الدقة المتطورة وسرعة الاستدلال الاستثنائية والكفاءة الحسابية المتميزة.

المزايا الرئيسية لـ YOLO11 هي:

  • Better Overall Performance: دقة أعلى مع موارد حسابية أقل.
  • تنوع أكبر: إطار عمل موحد واحد لمهام رؤية متعددة.
  • سهولة استخدام لا مثيل لها: واجهة برمجة تطبيقات (API) سهلة الاستخدام ونظام بيئي يسرع عملية التطوير.
  • مجتمع ودعم أوسع: مبني على PyTorch ومدعوم من فريق Ultralytics النشط والمجتمع.

بالنسبة للمطورين والباحثين الذين يبحثون عن نموذج رؤية اصطناعية قوي ومرن وسهل الاستخدام، فإن YOLO11 هو الفائز الواضح، مما يتيح إنشاء تطبيقات متطورة بسرعة وكفاءة أكبر.

استكشف نماذج أخرى

إذا كنت تستكشف هياكل مختلفة، فقد تكون مهتمًا أيضًا بنماذج أخرى حديثة متاحة في نظام Ultralytics البيئي. تفقد صفحات المقارنة الأخرى الخاصة بنا:



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد
glenn-jocher

تعليقات