تخطي إلى المحتوى

YOLOv8 ضد PP-YOLOE+: مقارنة فنية

عند اختيار نموذج لاكتشاف الكائنات، يجب على المطورين الموازنة بين المقايضات المتعلقة بالدقة وسرعة الاستدلال وسهولة التنفيذ. تقدم هذه الصفحة مقارنة فنية مفصلة بين نموذجين قويين: Ultralytics YOLOv8، وهو نموذج متعدد الاستخدامات ومعتمد على نطاق واسع من Ultralytics، و PP-YOLOE+، وهو نموذج عالي الدقة من Baidu. سوف نتعمق في الاختلافات المعمارية ومعايير الأداء وحالات الاستخدام المثالية لمساعدتك في تحديد الأنسب لمشاريع الرؤية الحاسوبية الخاصة بك.

Ultralytics YOLOv8: تعدد الاستخدامات والأداء

Ultralytics YOLOv8 هو نموذج حديث تم تطويره بواسطة Ultralytics، ويعتمد على نجاح إصدارات YOLO السابقة. وهو مصمم كإطار عمل موحد لتدريب النماذج لـ اكتشاف الأجسام، و تجزئة المثيلات، و تصنيف الصور، و تقدير الوضعية، والمزيد. إن جمعه بين الأداء والمرونة وسهولة الاستخدام جعله المفضل لدى المطورين والباحثين.

المؤلفون: جلين جوتشر، أيوش شوراسيا، و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolov8/

البنية والميزات الرئيسية

يتميز YOLOv8 بتصميم anchor-free مع عمود فقري C2f جديد يعزز قدرات استخراج الميزات مع الحفاظ على خفة الوزن. تم تصميمه أصلاً في PyTorch، مما يجعله متاحًا للغاية وسهل التعديل.

تكمن إحدى المزايا الرئيسية لـ YOLOv8 في نظام Ultralytics البيئي الذي تتم صيانته جيدًا. يوفر تجربة مستخدم مبسطة من خلال واجهة برمجة تطبيقات Python و CLI بسيطة، و وثائق شاملة، ودعم مجتمعي نشط. النموذج متعدد الاستخدامات للغاية، ويدعم مهام رؤية متعددة داخل إطار عمل واحد، وهي ميزة غالبًا ما تفتقر إليها النماذج الأكثر تخصصًا. علاوة على ذلك، يُظهر YOLOv8 كفاءة تدريب ممتازة، مع أوقات تدريب أسرع ومتطلبات ذاكرة أقل مقارنة بالعديد من البدائل. إن تكامله مع Ultralytics HUB يبسط خط أنابيب MLOps بأكمله، من تسمية البيانات إلى النشر.

نقاط القوة

  • توازن أداء ممتاز: يوفر توازنًا قويًا بين السرعة والدقة، مما يجعله مناسبًا لمجموعة واسعة من التطبيقات، من الأجهزة الطرفية إلى خوادم الحوسبة السحابية.
  • تعدد الاستخدامات: يدعم إطار عمل نموذج واحد الكشف عن الأجسام، والتجزئة، والتصنيف، وتقدير الوضعية، والصناديق المحيطة الموجهة، مما يوفر مرونة لا مثيل لها.
  • سهولة الاستخدام: واجهة برمجة تطبيقات سهلة الاستخدام، وتوثيق شامل، ومجتمع كبير ونشط يجعل من السهل البدء واستكشاف المشكلات وإصلاحها.
  • نظام بيئي مُدار بشكل جيد: يستفيد من التحديثات المستمرة والميزات الجديدة والتكامل السلس مع أدوات MLOps مثل Weights & Biases و Comet.
  • مرونة النشر: يمكن تصديرها بسهولة إلى تنسيقات مختلفة مثل ONNX و TensorRT و OpenVINO، مما يتيح الاستدلال الأمثل على الأجهزة المتنوعة.

نقاط الضعف

  • في حين أنها تنافسية للغاية، يمكن لأكبر نموذج PP-YOLOE+ تحقيق درجة mAP أعلى قليلاً في مجموعة بيانات COCO، وإن كان ذلك على حساب المزيد من المعلمات الأبطأ والاستدلال الأبطأ.

حالات الاستخدام

إن الأداء المتوازن والتنوع الذي تتمتع به YOLOv8 يجعلها مثالية لـ:

تعرف على المزيد حول YOLOv8

PP-YOLOE+: دقة عالية في نظام PaddlePaddle البيئي

PP-YOLOE+ هو نموذج لاكتشاف الكائنات تم تطويره بواسطة Baidu كجزء من مجموعة PaddleDetection الخاصة بهم. إنه كاشف أحادي المرحلة وخالٍ من المرساة يركز على تحقيق دقة عالية مع الحفاظ على كفاءة معقولة. تم بناء النموذج على 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

يقدم PP-YOLOE+ العديد من التحسينات المعمارية، بما في ذلك رأس مفصول للتصنيف والانحدار ووظيفة خسارة متخصصة تسمى Task Alignment Learning (TAL). يستخدم هياكل أساسية مثل ResNet أو CSPRepResNet مع شبكة تجميع المسارات (PAN) لدمج الميزات بشكل فعال. تساهم هذه الخيارات التصميمية في دقته العالية، خاصة في متغيرات النماذج الأكبر.

نقاط القوة

  • دقة عالية: يحقق النموذج الأكبر، PP-YOLOE+x، درجة mAP عالية جدًا في معيار COCO.
  • تصميم فعال بدون نقاط ارتكاز: يبسط مسار الاكتشاف عن طريق إزالة الحاجة إلى مربعات ارتكاز محددة مسبقًا.
  • محسّن لـ PaddlePaddle: متكامل بإحكام مع نظام PaddlePaddle البيئي، والذي قد يكون ميزة للمطورين الذين يستخدمون هذا الإطار بالفعل.

نقاط الضعف

  • الاعتماد على إطار عمل: يحد اعتماده الأساسي على إطار عمل PaddlePaddle من إمكانية الوصول إليه للمجتمع الأوسع، الذي يستخدم PyTorch إلى حد كبير.
  • تعددية المهام محدودة: PP-YOLOE+ هو في الأساس أداة لاكتشاف الكائنات ويفتقر إلى الدعم المدمج ومتعدد المهام للتجزئة والتصنيف وتقدير الوضع الموجود في YOLOv8.
  • استخدام أعلى للموارد: كما هو موضح في جدول الأداء، تحتوي نماذج PP-YOLOE+ بشكل عام على عدد معلمات أكبر وعمليات فاصلة عائمة في الثانية (FLOPs) أعلى من نظيراتها في YOLOv8 لمستويات دقة مماثلة.
  • نظام بيئي أقل شمولاً: دعم المجتمع والوثائق وتكاملات الطرف الثالث ليست شاملة مثل تلك المتاحة لـ Ultralytics YOLOv8.

حالات الاستخدام

يُعد PP-YOLOE+ مناسبًا تمامًا للتطبيقات التي يكون فيها تحقيق أقصى قدر من الدقة هو الأولوية القصوى، ويعتمد فريق التطوير على إطار عمل PaddlePaddle.

  • اكتشاف العيوب الصناعية: تحديد العيوب الصغيرة في التصنيع حيث الدقة أمر بالغ الأهمية.
  • أبحاث علمية متخصصة: المشاريع التي تتطلب أعلى دقة ممكنة في الكشف على مجموعات بيانات معينة.
  • أتمتة البيع بالتجزئة: مهام عالية الدقة مثل أنظمة الدفع الآلية.

تعرف على المزيد حول PP-YOLOE+

تحليل الأداء والمعايير

تُبرز مقارنة الأداء أدناه الاختلافات الرئيسية بين YOLOv8 و PP-YOLOE+. في حين أن PP-YOLOE+x يحقق أعلى قيمة لـ mAP، إلا أنه يفعل ذلك باستخدام معلمات أكثر بنسبة 44% من YOLOv8x. في المقابل، تُظهر نماذج YOLOv8 باستمرار كفاءة فائقة، مما يوفر سرعة أفضل ومتطلبات موارد أقل. على سبيل المثال، YOLOv8n أسرع بشكل ملحوظ على وحدات المعالجة المركزية (CPU) ووحدات معالجة الرسوميات (GPU) من أي نموذج PP-YOLOE+ مع استخدام أقل عدد من المعلمات وعمليات النقطة العائمة في الثانية (FLOPs). هذه الكفاءة تجعل YOLOv8 خيارًا أكثر عملية للنشر في العالم الحقيقي، خاصة على الأجهزة الطرفية ذات الموارد المحدودة.

النموذج الحجم
(بالبكسل)		 mAPval
50-95		 السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		 السرعة
T4 TensorRT10
(بالمللي ثانية)		 المعلمات
(M)		 FLOPs
(B)
YOLOv8n 640 37.3 80.4 1.47 3.2 8.7
YOLOv8s 640 44.9 128.4 2.66 11.2 28.6
YOLOv8m 640 50.2 234.7 5.86 25.9 78.9
YOLOv8l 640 52.9 375.2 9.06 43.7 165.2
YOLOv8x 640 53.9 479.1 14.37 68.2 257.8
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

الخلاصة: أي نموذج يجب أن تختاره؟

بالنسبة للغالبية العظمى من المطورين والتطبيقات، Ultralytics YOLOv8 هو الخيار الأفضل. فهو يوفر توازنًا رائعًا بين السرعة والدقة وكفاءة الموارد التي يصعب التغلب عليها. ومع ذلك، تكمن قوته الحقيقية في تنوعه والنظام البيئي القوي الذي يحيط به. إن القدرة على التعامل مع مهام رؤية الكمبيوتر المتعددة داخل إطار عمل واحد سهل الاستخدام، جنبًا إلى جنب مع الوثائق الشاملة ودعم المجتمع النشط وعمليات تكامل MLOps السلسة، تجعل YOLOv8 أداة قوية وعملية بشكل لا يصدق.

PP-YOLOE+ هو نموذج جدير بالثناء يدفع حدود الدقة داخل إطار عمل PaddlePaddle. إنه خيار قابل للتطبيق للفرق المستثمرة بالفعل في نظام Baidu البيئي أو للتطبيقات المتخصصة حيث يكون الضغط على آخر جزء من النسبة المئوية في mAP هو الهدف الوحيد، بغض النظر عن التكلفة من حيث حجم النموذج ومرونة إطار العمل.

في النهاية، إذا كنت تبحث عن نموذج مرن وسريع وسهل الاستخدام ومدعوم جيدًا ويمكنه التكيف مع مجموعة متنوعة من المهام، فإن YOLOv8 هو الفائز الواضح.

استكشف نماذج أخرى

إذا كنت مهتمًا باستكشاف نماذج أخرى حديثة، فتأكد من إطلاعك على صفحات المقارنة الأخرى الخاصة بنا:



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

تعليقات