مقارنة YOLOv9 وPP-YOLOE+#
يواصل مجال اكتشاف الكائنات في الوقت الفعلي تقدّمه السريع، موفّرًا لمهندسي الرؤية الحاسوبية مجموعة واسعة من الخيارات لنشر نماذج عالية الدقة على البنية التحتية الطرفية والسحابية. ومن أبرز النماذج في هذا المجال YOLOv9 وPP-YOLOE+. وعلى الرغم من أن كليهما يدفع حدود الدقة والسرعة، فإنهما ينحدران من سلالتين بحثيتين ونظامين بيئيين برمجيين مختلفين.
تستكشف هذه المقارنة التقنية الشاملة بنيتهما، ومنهجيات تدريبهما، ومقاييس أدائهما، وتطبيقاتهما المثلى في العالم الحقيقي. كما سنستكشف كيف يوفّر النظام البيئي لـ Ultralytics مزايا مهمة للمطورين الذين يضعون سهولة الاستخدام وكفاءة الذاكرة ومرونة النشر في مقدمة أولوياتهم.
أصول النماذج والمواصفات التقنية#
يساعد فهم خلفية هذه النماذج على وضع قراراتها المعمارية وتبعيات أطر العمل في سياقها الصحيح.
YOLOv9: حل اختناق المعلومات#
طُرح YOLOv9 في أوائل عام 2024، وهو يعالج فقدان البيانات الذي يحدث أثناء تدفق المعلومات عبر الشبكات العصبية العميقة. وهو شبكة عصبية التفافية عالية التحسين، صُممت لتعظيم كفاءة المعلمات.
- المؤلفان: Chien-Yao Wang، Hong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
- التاريخ: 21 فبراير 2024
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
- الوثائق: وثائق Ultralytics YOLOv9
PP-YOLOE+: تطوير نظام Paddle البيئي#
أطلقت Baidu نموذج PP-YOLOE+ في عام 2022، وهو تحسين تكراري على PP-YOLOv2. ويستخدم نهجًا خاليًا من المراسي ويقدّم استراتيجية ديناميكية لإسناد التسميات لتحسين التقارب والدقة ضمن إطار عمل PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2 أبريل 2022
- Arxiv: 2203.16250
- GitHub: PaddleDetection
- الوثائق: تهيئة PP-YOLOE+
تعرّف على المزيد حول PP-YOLOE+
مقارنة البنى المعمارية#
معلومات التدرج القابلة للبرمجة مقابل CSPRepResStage#
يتمثل الابتكار الأساسي في YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI). تعمل PGI كإطار إشراف مساعد يضمن الحفاظ على معلومات التدرج الحيوية ونقلها بدقة إلى الطبقات السطحية أثناء التدريب. ويقترن ذلك بـ شبكة تجميع الطبقات الفعّالة المعمّمة (GELAN)، التي تجمع بين مزايا CSPNet وELAN لتقديم دقة عالية مع خفض التكلفة الحسابية (FLOPs) بدرجة كبيرة.
يعتمد PP-YOLOE+ على بنية أساسية متخصصة تُسمى CSPRepResStage. ويستفيد من تقنيات إعادة المعلمة (المماثلة لتلك المستخدمة في RepVGG) لتسريع الاستدلال من خلال دمج الطبقات الالتفافية أثناء النشر. علاوة على ذلك، يستخدم رأس المهام الفعّال المتوافق (ET-head) لتحقيق التوازن بين مهام التصنيف والانحدار.
على الرغم من متانة PP-YOLOE+، فإن بنية GELAN في YOLOv9 تتطلب عادةً بصمة ذاكرة أصغر أثناء التدريب والاستدلال معًا، ما يجعلها ملائمة للغاية لـ أجهزة الذكاء الاصطناعي الطرفية.
مقارنة الأداء#
عند تقييم النماذج للاستخدام في الإنتاج، تُعد المفاضلة بين mAP (متوسط الدقة المطلقة)، وسرعة الاستدلال، وحجم النموذج أمرًا بالغ الأهمية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| 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 |
التحليل#
- كفاءة المعلمات: يحقق YOLOv9 كفاءة أعلى بكثير. فعلى سبيل المثال، يصل YOLOv9c إلى mAP قدرها 53.0% باستخدام 25.3M معلمة فقط، في حين يتطلب PP-YOLOE+l أكثر من ضعف عدد المعلمات (52.2M) لتحقيق mAP أقل قليلًا تبلغ 52.9%. ويؤدي ذلك إلى خفض متطلبات الذاكرة في YOLOv9 بدرجة كبيرة.
- سرعة الاستدلال: تُظهر نماذج YOLOv9 تحسينًا ممتازًا للعمل مع مسرّعات العتاد مثل TensorRT، ما يحقق سرعات استدلال تنافسية على وحدات معالجة الرسومات NVIDIA T4، وهي ضرورية لـ الاستدلال في الوقت الفعلي.
منهجيات التدريب والمنظومة#
غالبًا ما يرجع الاختيار بين هذين النموذجين إلى النظام البيئي البرمجي.
PP-YOLOE+ وPaddlePaddle#
يرتبط PP-YOLOE+ ارتباطًا وثيقًا بحزمة PaddleDetection. وعلى الرغم من قوتها، فإنها تتطلب من المستخدمين التعامل مع بيئة تعتمد بكثافة على التهيئة وسطر الأوامر. وبالنسبة إلى الفرق المنغمسة بعمق في نظامَي PyTorch أو TensorFlow البيئيين، فإن الانتقال إلى PaddlePaddle يفرض احتكاكًا كبيرًا ومنحنى تعلّم أكثر حدة.
ميزة Ultralytics: تبسيط سير العمل#
في المقابل، يعمل YOLOv9 ضمن النظام البيئي المصقول للغاية لـ Ultralytics. وقد صُمم Ultralytics للمطورين والباحثين، ويولي سهولة الاستخدام الاستثنائية أولوية قصوى. وتعمل واجهة Python البرمجية على تجريد التعليمات البرمجية التمهيدية المعقدة بالكامل.
from ultralytics import YOLO
# Load a pre-trained YOLOv9 model
model = YOLO("yolov9c.pt")
# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Run inference and visualize results
results = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for production deployment
model.export(format="onnx")يبرز سير العمل هذا كفاءة التدريب الفائقة لنماذج Ultralytics. ويأتي الدعم الأصلي لزيادة البيانات، والتدريب الموزّع، والتسجيل التلقائي إلى منصات مثل Weights & Biases أو MLflow مضمّنًا بصورة قياسية.
على الرغم من أن YOLOv9 يقدّم أداءً استثنائيًا، فإننا نوصي بشدة بالنظر في Ultralytics YOLO26 الذي أُطلق حديثًا للمشروعات الجديدة. يتميز YOLO26 بتصميم أصلي من طرف إلى طرف وخالٍ من NMS، ما يبسّط النشر بدرجة كبيرة. ومع إزالة DFL (إزالة Distribution Focal Loss لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، فإنه يوفّر استدلالًا على CPU أسرع بنسبة تصل إلى 43% للحوسبة الطرفية. وبفضل مُحسِّن MuSGD، يضمن تدريبًا مستقرًا وتقاربًا سريعًا. بالإضافة إلى ذلك، توفّر ProgLoss + STAL دوال خسارة محسّنة مع تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء والروبوتات والصور الجوية.
تعدد الاستخدامات ودعم المهام#
نادرًا ما تقتصر مشروعات الرؤية الحاسوبية الحديثة على الصناديق المحيطة البسيطة.
صُمم PP-YOLOE+ أساسًا لاكتشاف الكائنات القياسي. ويتطلب تكييف بنيته لمهام أخرى أعمالًا هندسية مخصصة وموسعة.
في المقابل، يُعد إطار Ultralytics منظومة قوية متعددة المهام. ومن خلال استخدام واجهة API موحّدة، يستطيع المطورون الانتقال بسهولة من اكتشاف الكائنات القياسي إلى تجزئة المثيلات المعقدة، وتقدير الوضعيات عالي الدقة، واكتشاف الصناديق المحيطة الموجّهة (OBB) للصور الجوية، وتصنيف الصور. ولهذا التنوع غير المسبوق تختار فرق المؤسسات باستمرار نماذج Ultralytics مثل YOLOv9 وYOLO11 وYOLO26.
حالات الاستخدام والتطبيقات المثلى#
- تحليلات المدن الذكية وإدارة المرور: تجعل كفاءة المعلمات العالية ووقت الاستجابة المنخفض في YOLOv9 (وYOLO26 اللاحق) منهما خيارًا مثاليًا للنشر على العتاد الطرفي محدود الموارد (مثل أجهزة NVIDIA Jetson) لمراقبة تدفق حركة المرور والأمن الحضري.
- أنظمة جرد المتاجر: لاكتشاف الترتيبات الكثيفة للعناصر الصغيرة على الرفوف، تحافظ PGI في YOLOv9 بفاعلية على التفاصيل المكانية الدقيقة، متفوقةً على PP-YOLOE+ في مهام اكتشاف الكائنات الصغيرة.
- عمليات النشر القديمة: يظل PP-YOLOE+ خيارًا صالحًا فقط للفرق الملزمة صراحةً باستخدام حزمة Baidu/PaddlePaddle البرمجية ضمن بنية تحتية قديمة قائمة.
بالنسبة إلى الباحثين الذين يستكشفون البنى المعتمدة على Transformer، يدعم Ultralytics أيضًا RT-DETR أصليًا ضمن واجهة API نفسها سهلة الاستخدام تمامًا، ما يضمن حصولك دائمًا على النموذج الأمثل لمتطلبات النشر الخاصة بك.