تخطي إلى المحتوى

YOLOv8 ضد PP-YOLOE+: مقارنة فنية

يعد اختيار البنية المثلى لاكتشاف الأجسام قرارًا محوريًا يؤثر على دقة وسرعة ومرونة نشر تطبيقات الرؤية الحاسوبية. يقدم هذا الدليل تحليلاً تقنيًا متعمقًا لـ Ultralytics YOLOv8وPP-YOLOE+. ومن خلال فحص الابتكارات المعمارية ومعايير الأداء ودعم النظام الإيكولوجي لهما، نهدف إلى مساعدة المطورين والباحثين على اختيار الأداة المناسبة لاحتياجاتهم الخاصة بالرؤية الحاسوبية.

Ultralytics YOLOv8: تعدد الاستخدامات والأداء

Ultralytics YOLOv8 يمثّل قفزة كبيرة إلى الأمام في عائلة YOLO وهو مصمم ليكون إطار عمل موحد لمجموعة واسعة من مهام الرؤية. تم تطويره من قِبل Ultralytics وهو يعطي الأولوية لتجربة مستخدم سلسة دون المساومة على الأداء المتطور (SOTA).

المؤلفون: جلين جوتشر، وأيوش تشوراسيا، وجينغ كيو
المنظمة:Ultralytics
التاريخ: 2023-01-10
GitHubultralytics
المستنداتyolov8

البنية والميزات الرئيسية

YOLOv8 رأس كشف متطور خالٍ من المرساة، مما يلغي الحاجة إلى تكوين صندوق الارتكاز يدويًا ويحسّن التقارب. يستخدم العمود الفقري وحدة C2f - وهو تصميم عنق الزجاجة الجزئي عبر المراحل - الذي يعزز تدفق التدرج وكفاءة استخراج الميزة. على عكس العديد من المنافسين، لا يقتصر YOLOv8 على اكتشاف الأجسام؛ فهو يدعم أصلاً تجزئة النماذج وتصنيف الصور وتقدير الوضعيات وصناديق الربط الموجهة (OBB).

مبني على نظام PyTorch يستفيد YOLOv8 من نظام بيئي ضخم من الأدوات والمكتبات. يركز تصميمه على كفاءة التدريب، مما يتطلب ذاكرة ووقتًا أقل بكثير للتقارب مقارنةً بالنماذج القائمة على المحولات أو بنيات الكشف الأقدم.

نقاط القوة

  • النظام البيئي وسهولة الاستخدام: توفر Ultralytics تجربة "مدمجة بالبطاريات" مع واجهة برمجة تطبيقاتPython API و CLI قوية.
  • دعم المهام المتعددة: يعمل إطار عمل واحد لمهام الاكتشاف والتجزئة والتصنيف والوضع على تبسيط خط أنابيب التطوير.
  • مرونة النشر: تصدير سلس إلى تنسيقات مثل ONNX, TensorRTCoreML OpenVINO يضمن التوافق مع أجهزة متنوعة، بدءًا من الأجهزة المتطورة وحتى الخوادم السحابية.
  • صيانة نشطة: تضمن التحديثات المتكررة والمجتمع النشط بقاء النموذج ملائماً ومعالجة الأخطاء بسرعة.

تعرف على المزيد حول YOLOv8

PP-YOLOE+: دقة عالية في نظام PaddlePaddle البيئي

PP-YOLOE+ هو نسخة مطوّرة من PP-YOLOE، تم تطويره بواسطة Baidu كجزء من مجموعة PaddleDetection. وهو يركز على تحقيق دقة عالية وسرعة استنتاج عالية، وهو مُحسَّن خصيصًا لـ PaddlePaddle إطار عمل التعلم العميق.

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

البنية والميزات الرئيسية

PP-YOLOE+ عبارة عن كاشف أحادي المرحلة خالٍ من المراسي. وهو يشتمل على العمود الفقري CSPRepResResNet وعنق شبكة تجميع المسار (PAN) لدمج الميزات القوية. الميزة المميزة هي الرأس الفعال المحاذي للمهام (ET-Head)، والذي يستخدم تعلم محاذاة المهام (TAL) لمزامنة أفضل لتوقعات التصنيف والتوطين. على الرغم من قوة هذا النموذج، إلا أنه راسخ بعمق في نظام بايدو البيئي، حيث يعتمد بشكل كبير على المشغلات وأدوات التحسين PaddlePaddle.

نقاط القوة والضعف

نقاط القوة:

  • دقة عالية: تحقق المتغيرات الأكبر (على سبيل المثال، PP-YOLOE+x) نتائجmAP في مجموعة بيانات COCO .
  • مُحسَّن لأجهزة بايدو: يعمل بشكل جيد للغاية على الأجهزة المحسّنة لإطار عمل Baidu.

نقاط الضعف:

  • انغلاق الإطار: يمكن أن يكون الاعتماد على PaddlePaddle عائقًا أمام الفرق التي تعتمد على PyTorch أو TensorFlow مما يحد من الوصول إلى موارد المجتمع مفتوحة المصدر الأوسع نطاقًا.
  • كثافة الموارد: كما هو مفصّل في قسم الأداء، غالبًا ما تتطلب نماذج PP-YOLOE+ المزيد من المعلمات وعمليات الفاصلة العائمة (FLOPs) لتحقيق نتائج مماثلة لـ YOLOv8 مما يؤثر على الكفاءة على أجهزة الذكاء الاصطناعي ذات الموارد المحدودة.
  • نطاق المهام المحدود: يركز في المقام الأول على الاكتشاف، ويفتقر إلى الدعم المتكامل الجاهز للتجزئة وتقدير الوضعية الموجود في نظام Ultralytics البيئي.

تعرف على المزيد حول PP-YOLOE+

تحليل الأداء المعياري

عند المقارنة بين YOLOv8 وPP-YOLOE+، تتضح المفاضلة بين السرعة والدقة وحجم النموذج. يُظهِر YOLOv8 كفاءة هندسية فائقة، حيث يقدم دقة تنافسية أو أعلى مع عدد أقل بكثير من المعلمات وعمليات التشغيل المتكرر. تُترجم هذه الكفاءة إلى أوقات تدريب أسرع، واستهلاك أقل للذاكرة، وسرعات استدلال أسرع.

على سبيل المثال YOLOv8n مرشحًا مثاليًا للتطبيقات المحمولة والمضمّنة، حيث يوفر أداءً في الوقت الفعلي بأقل قدر من النفقات الحسابية. في المقابل، في حين أن نماذج PP-YOLOE+ مثل المتغير "x" تدفع حدود الدقة، فإنها تفعل ذلك على حساب كونها أثقل وأبطأ، وهو ما قد لا يكون قابلاً للتطبيق في تدفقات تحليلات الفيديو في الوقت الحقيقي.

مسائل الكفاءة

بالنسبة لبيئات الإنتاج، غالبًا ما يكون حجم النموذج وسرعته بنفس أهمية الدقة الأولية. تسمح بنية YOLOv8 الفعالة بالنشر على أجهزة أصغر وأقل تكلفة دون انخفاض كبير في جودة الكشف.

النموذجالحجم
(بالبكسل)		mAPفال
50-95		السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		السرعة
T4 TensorRT10
(بالمللي ثانية)		المعلمات
(M)		FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

توصيات حالة الاستخدام

  • المراقبة في الوقت الحقيقي: الاستخدام YOLOv8 لتوازنه بين السرعة والدقة. فهو يتفوق في مراقبة حركة المرور والأنظمة الأمنية حيث تكون معالجة الفيديو عالي الإطارات في الثانية أمرًا بالغ الأهمية.
  • الفحص الصناعي: كلا النموذجين يعملان بشكل جيد هنا، ولكن سهولة تدريب YOLOv8 على مجموعات البيانات المخصصة تجعله أسرع في التكيف مع أنواع عيوب التصنيع المحددة.
  • النشر على الحافة: يعد YOLOv8n و YOLOv8s خيارين ممتازين للنشر على أجهزة مثل Raspberry Pi أو NVIDIA Jetson بسبب حجمهما الصغير.
  • خطوط أنابيب الرؤية المعقدة: إذا كان مشروعك يتطلب تتبع الكائنات أو تجزئتها إلى جانب الكشف، فإن Ultralytics YOLOv8 يوفر هذه الإمكانيات في الأصل، مما يجنبك الحاجة إلى تجميع نماذج متباينة.

الاستخدام والتنفيذ

واحدة من أكثر مزايا Ultralytics YOLOv8 إقناعًا هي واجهة برمجة التطبيقات الصديقة للمطورين. بينما يتطلب PP-YOLOE+ التنقل في تكوين نظام PaddlePaddle البيئي، يمكن تنفيذ YOLOv8 في بضعة أسطر من كود Python . وهذا يقلل من عائق الدخول للمبتدئين ويسرّع عملية وضع النماذج الأولية للخبراء.

فيما يلي مثالٌ على مدى سهولة تحميل نموذج YOLOv8 المدرب مسبقًا وتشغيل الاستدلال:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

التدريب السلس

كما أن تدريب نموذج مخصص بسيط بنفس القدر. تتعامل Ultralytics مع زيادة البيانات، وضبط المعلمة الفائقة، وإدارة مجموعة البيانات تلقائيًا، مما يتيح لك التركيز على تنظيم البيانات عالية الجودة.

الخلاصة

بينما يعد PP-YOLOE+ منافسًا هائلًا يتخطى حدود دقة الكشف داخل نظام Baidu البيئي, Ultralytics YOLOv8 يبرز كخيار أكثر عملية وتنوعًا لمجتمع المطورين العالمي. إن تكامله مع PyTorch وكفاءته الفائقة لكل معيار ودعمه الشامل لمهام الرؤية المتعددة يجعله أداة عالمية لتطبيقات الذكاء الاصطناعي الحديثة.

يزيد نظامUltralytics البيئي من هذه الميزة. وبفضل أدوات مثل Ultralytics HUB للتدريب على النماذج وإدارتها دون عناء، والوثائق الشاملة لإرشادك خلال كل خطوة، يضمن لك YOLOv8 انتقال مشروعك من المفهوم إلى النشر بأقل قدر من الاحتكاك. سواء كنت تقوم ببناء تطبيق مدينة ذكية أو أداة تشخيصية طبية، فإن YOLOv8 يوفر لك توازن الأداء وسهولة الاستخدام المطلوبين لتحقيق النجاح.

استكشف نماذج أخرى

إذا كنت مهتمًا بتوسيع نطاق فهمك لمشهد اكتشاف الأجسام، ففكر في استكشاف هذه المقارنات الأخرى:


تعليقات