YOLOv9 مقابل PP-YOLOE+#
يستمر مشهد اكتشاف الكائنات في الوقت الفعلي في التقدم بسرعة، مما يوفر لمهندسي الرؤية الحاسوبية مجموعة واسعة من الخيارات لنشر نماذج عالية الدقة على البنية التحتية للحوسبة الطرفية والسحابية. النموذجان البارزان في هذا المجال هما YOLOv9 وPP-YOLOE+. وفي حين يدفع كلاهما حدود الدقة والسرعة، إلا أنهما ينشأان من سلالات بحثية وأنظمة برمجية مختلفة.
يستكشف هذا المقارنة التقنية الشاملة هياكلها، ومنهجيات التدريب، ومقاييس الأداء، والتطبيقات المثالية في العالم الحقيقي. سنستكشف أيضًا كيف يوفر نظام Ultralytics البيئي الأوسع مزايا كبيرة للمطورين الذين يعطون الأولوية لسهولة الاستخدام، وكفاءة الذاكرة، والنشر المتعدد الاستخدامات.
أصول النماذج والمواصفات التقنية#
يساعد فهم خلفية هذه النماذج في وضع قراراتها المعمارية وتبعيات إطار العمل في سياقها الصحيح.
YOLOv9: حل اختناق المعلومات#
تم تقديم YOLOv9 في أوائل عام 2024، وهو يعالج فقد البيانات الذي يحدث تدفق المعلومات عبر الشبكات العصبية العميقة. إنه شبكة عصبية تلافيفية مُحسّنة للغاية مصممة لتحقيق أقصى قدر من كفاءة المعاملات.
- المؤلفون: Chien-Yao Wang, Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
- التاريخ: 21 فبراير 2024
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
- Docs: Ultralytics YOLOv9 Documentation
PP-YOLOE+: تطوير نظام Paddle البيئي#
أصدرته شركة Baidu في عام 2022، ويمثل PP-YOLOE+ تحسينًا تكرارياً مقارنة بـ PP-YOLOv2. وهو يستخدم نموذجًا خاليًا من المراسي ويقدم استراتيجية تعيين تسميات ديناميكية لتحسين التقارب والدقة ضمن إطار عمل PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2 أبريل 2022
- Arxiv: 2203.16250
- GitHub: PaddleDetection
- Docs: PP-YOLOE+ Configuration
مقارنة معمارية#
معلومات التدرج القابلة للبرمجة مقابل CSPRepResStage#
الابتكار الأساسي في YOLOv9 هو معلومات التدرج القابلة للبرمجة (PGI). تعمل PGI كإطار عمل إشرافي مساعد، مما يضمن الحفاظ على معلومات التدرج الحيوية ونشرها بدقة مرة أخرى إلى الطبقات السطحية أثناء التدريب. يقترن هذا بـ شبكة تجميع الطبقات الفعالة المعممة (GELAN)، والتي تجمع بين نقاط القوة في CSPNet وELAN لتقديم دقة عالية مع تقليل تكلفة الحساب (FLOPs) بشكل كبير.
يعتمد PP-YOLOE+ على هيكل أساسي متخصص يسمى CSPRepResStage. وهو يستفيد من تقنيات إعادة المعلمات (المماثلة لتلك الموجودة في RepVGG) لتسريع الاستدلال عن طريق دمج الطبقات التلافيفية أثناء النشر. علاوة على ذلك، فإنه يستخدم رأس المهام المتوافقة بكفاءة (ET-head) لموازنة مهام التصنيف والانحدار.
في حين أن PP-YOLOE+ قوي، فإن هيكل GELAN الخاص بـ YOLOv9 يتطلب عادةً بصمة ذاكرة أصغر أثناء كل من التدريب والاستدلال، مما يجعله مناسبًا بشكل استثنائي لـ أجهزة الذكاء الاصطناعي الطرفية.
مقارنة الأداء#
عند تقييم النماذج للإنتاج، فإن المقايضة بين mAP (متوسط دقة متوسط)، وسرعة الاستدلال، وحجم النموذج أمر بالغ الأهمية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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 |
تحليل#
- كفاءة المعلمات: يحقق YOLOv9 كفاءة أعلى بشكل ملحوظ. على سبيل المثال، يصل YOLOv9c إلى mAP بنسبة 53.0% باستخدام 25.3 مليون معلمة فقط، بينما يتطلب PP-YOLOE+l أكثر من ضعف المعلمات (52.2 مليون) لتحقيق mAP أقل قليلاً بنسبة 52.9%. وهذا يقلل بشكل كبير من متطلبات الذاكرة لـ YOLOv9.
- سرعة الاستدلال: تظهر نماذج YOLOv9 تحسينًا ممتازًا لمسارعت الأجهزة مثل TensorRT، مما ينتج عنه سرعات استدلال تنافسية على وحدات معالجة الرسومات NVIDIA T4 والتي تعتبر ضرورية لـ الاستدلال في الوقت الفعلي.
منهجيات التدريب والنظام البيئي#
غالبًا ما يعتمد الاختيار بين هذه النماذج على النظام البيئي للبرمجيات.
PP-YOLOE+ و PaddlePaddle#
يرتبط PP-YOLOE+ ارتباطًا وثيقًا بمجموعة PaddleDetection. وعلى الرغم من قوته، إلا أنه يتطلب من المستخدمين التنقل في بيئة تعتمد على التكوين بشكل كبير وتدار بسطر الأوامر. بالنسبة للفرق المندمجة بعمق في أنظمة PyTorch أو TensorFlow البيئية، فإن الانتقال إلى PaddlePaddle يفرض احتكاكًا كبيرًا ومنحنى تعلم أكثر انحدارًا.
ميزة Ultralytics: سير عمل مبسط#
في المقابل، يعمل YOLOv9 داخل نظام Ultralytics البيئي المصقول للغاية. تم تصميم Ultralytics للمطورين والباحثين، وهو يمنح الأولوية لسهولة الاستخدام الاستثنائية. تعمل واجهة برمجة تطبيقات Python (Python API) على تجريد الشفرة النمطية المعقدة تمامًا.
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")يسلط هذا سير العمل الضوء على كفاءة التدريب الفائقة لنماذج Ultralytics. الدعم الأصلي لتوسيع البيانات، والتدريب الموزع، والتسجيل التلقائي لمنصات مثل Weights & Biases أو MLflow يأتي بشكل قياسي.
بينما يقدم YOLOv9 أداءً استثنائياً، فإننا نوصي بشدة باختيار الإصدار الجديد Ultralytics YOLO26 للمشاريع الجديدة. يتميز YOLO26 بتصميم أصلي End-to-End NMS-Free، مما يبسيط النشر بشكل كبير. ومع ميزة إزالة DFL (إزالة Distribution Focal Loss لتسهيل التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، فإنه يوفر ما يصل إلى 43% سرعة أكبر في الاستدلال باستخدام وحدة المعالجة المركزية (CPU) للحوسبة الطرفية. وبدعم من محسن MuSGD، فإنه يضمن تدريباً مستقراً وتقارباً سريعاً. بالإضافة إلى ذلك، يوفر ProgLoss + STAL دوال خسارة محسنة مع تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء، والروبوتات، والصور الجوية.
تعدد الاستخدامات ودعم المهام#
نادراً ما تتوقف مشاريع الرؤية الحاسوبية الحديثة عند مربعات الإحاطة البسيطة.
تم تصميم PP-YOLOE+ في المقام الأول لاكتشاف الكائنات القياسي. يتضمن تكييف بنيته لمهام أخرى هندسة مخصصة واسعة النطاق.
وعلى العكس من ذلك، فإن إطار عمل Ultralytics يعتبر قوة متعددة المهام. من خلال استخدام واجهة برمجة تطبيقات موحدة، يمكن للمطورين التبديل بلا عناء من اكتشاف الكائنات القياسي إلى تجزئة المثيلات المعقدة، وتقدير الوضعية عالية الدقة، واكتشاف مربع الإحاطة الموجه (OBB) للصور الجوية، وتصنيف الصور. هذا التنوع الذي لا نظير له هو السبب في أن فرق الشركات تختار باستمرار نماذج Ultralytics مثل YOLOv9 وYOLO11 وYOLO26.
حالات الاستخدام والتطبيقات المثالية#
- تحليلات المدن الذكية وإدارة حركة المرور: إن الكفاءة العالية للمعلمات وزمن الاستجابة المنخفض لـ YOLOv9 (وما يليه من YOLO26) تجعلهما مثاليين للنشر على الأجهزة الطرفية المقيدة (مثل أجهزة NVIDIA Jetson) لمراقبة حركة المرور وأمن المدن.
- أنظمة جرد التجزئة: لاكتشاف التكوينات الكثيفة للعناصر الصغيرة على الأرفف، يحافظ PGI الخاص بـ YOLOv9 بشكل فعال على تفاصيل مكانية دقيقة، متفوقًا على PP-YOLOE+ في مهام اكتشاف الكائنات الصغيرة.
- عمليات النشر القديمة: يظل PP-YOLOE+ خيارًا قابلاً للتطبيق حصريًا للفرق الملزمة صراحةً باستخدام حزمة برامج Baidu/PaddlePaddle في البنية التحتية القديمة الحالية.
للباحثين الذين يستكشفون الهياكل القائمة على Transformer، تدعم Ultralytics أيضًا بشكل أصلي RT-DETR ضمن نفس واجهة برمجة التطبيقات سهلة الاستخدام، مما يضمن حصولك دائمًا على إمكانية الوصول إلى النموذج الأمثل لمتطلبات نشرك المحددة.