YOLOv9 مقابل PP-YOLOE+#
يواصل مجال اكتشاف الكائنات آنيًا تقدمه السريع، موفرًا لمهندسي الرؤية الحاسوبية خيارات واسعة 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 ينتميان إلى مسارين بحثيين ومنظومتين برمجيتين مختلفتين.
تستعرض هذه المقارنة التقنية الشاملة بنيتيهما ومنهجيات التدريب ومقاييس الأداء والتطبيقات المثالية في العالم الحقيقي. وسنتناول أيضًا كيف توفّر منظومة Ultralytics مزايا كبيرة للمطورين الذين يعطون الأولوية لسهولة الاستخدام وكفاءة الذاكرة وتعدد خيارات النشر.
أصول النماذج والمواصفات التقنية#
يساعد فهم خلفية هذه النماذج على وضع قراراتها المعمارية واعتماديات أطر العمل في سياقها الصحيح.
YOLOv9: معالجة اختناق المعلومات#
طُرح YOLOv9 في أوائل عام 2024 لمعالجة فقدان البيانات الذي يحدث أثناء تدفق المعلومات عبر الشبكات العصبية العميقة. وهو شبكة عصبية التفافية محسّنة للغاية، صُمّمت لتعظيم كفاءة المعلمات.
- المؤلفون: Chien-Yao Wang، Hong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 21 فبراير 2024
- Arxiv: 2402.13616
- GitHub: WongKinYiu/yolov9
- الوثائق: وثائق Ultralytics YOLOv9
PP-YOLOE+: تطوير منظومة Paddle#
أصدرت Baidu نموذج PP-YOLOE+ في عام 2022 بوصفه تحسينًا تكراريًا على PP-YOLOv2. ويستخدم نهجًا خاليًا من المراسي، ويقدّم استراتيجية ديناميكية لتعيين التسميات بهدف تحسين التقارب والدقة ضمن إطار عمل PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2 أبريل 2022
- Arxiv: 2203.16250
- GitHub: PaddleDetection
- الوثائق: إعداد PP-YOLOE+
تعرّف على المزيد حول PP-YOLOE+
مقارنة البنى#
معلومات التدرّج القابلة للبرمجة مقابل CSPRepResStage#
يتمثل الابتكار الأساسي في YOLOv9 في معلومات التدرّج القابلة للبرمجة (PGI). تعمل PGI بوصفها إطار إشراف مساعدًا يضمن الحفاظ على معلومات التدرّج المهمة ونقلها بدقة إلى الطبقات الضحلة أثناء التدريب. ويقترن ذلك بـ شبكة تجميع الطبقات الفعّالة المعمّمة (GELAN)، التي تجمع بين مزايا CSPNet وELAN لتحقيق دقة عالية مع خفض التكلفة الحاسوبية (FLOPs) بدرجة كبيرة.
يعتمد PP-YOLOE+ على عمود فقري متخصص يسمى CSPRepResStage. ويستفيد من تقنيات إعادة المعلمة، المشابهة لتلك المستخدمة في RepVGG، لتسريع الاستدلال عبر دمج الطبقات الالتفافية أثناء النشر. كما يستخدم رأسًا متوافقًا مع المهام وفعّالًا (ET-head) لتحقيق التوازن بين مهام التصنيف والانحدار.
على الرغم من موثوقية PP-YOLOE+، تتطلب بنية GELAN في YOLOv9 عادةً بصمة ذاكرة أصغر أثناء التدريب والاستدلال، ما يجعلها مناسبة للغاية لـأجهزة الذكاء الاصطناعي الطرفية.
مقارنة الأداء#
عند تقييم النماذج للاستخدام الإنتاجي، تُعد المفاضلة بين mAP (متوسط الدقة) وسرعة الاستدلال وحجم النموذج أمرًا بالغ الأهمية.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| 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، يسجل YOLOv9c قيمة mAP تبلغ 53.0% باستخدام 25.5M معلمة فقط، بينما يحتاج PP-YOLOE+l إلى أكثر من ضعف عدد المعلمات (52.2M) لتحقيق قيمة mAP أقل قليلًا تبلغ 52.9%. وهذا يقلل متطلبات الذاكرة في YOLOv9 بدرجة كبيرة.
- سرعة الاستدلال: تُظهر نماذج YOLOv9 تحسينًا ممتازًا لمسرّعات الأجهزة مثل TensorRT، ما يحقق سرعات استدلال تنافسية على وحدات GPU من نوع NVIDIA T4، وهي ضرورية لـالاستدلال الآني.
منهجيات التدريب والمنظومة#
غالبًا ما يتوقف الاختيار بين هذه النماذج على المنظومة البرمجية.
PP-YOLOE+ وPaddlePaddle#
يرتبط PP-YOLOE+ ارتباطًا وثيقًا بحزمة PaddleDetection. وعلى الرغم من قدراتها، يتطلب استخدامه التعامل مع بيئة تعتمد بكثافة على ملفات الإعداد وسطر الأوامر. وبالنسبة إلى الفرق التي تعتمد بعمق على منظومتي PyTorch أو TensorFlow، يؤدي الانتقال إلى PaddlePaddle إلى عوائق كبيرة ومنحنى تعلم أكثر حدة.
ميزة Ultralytics: تبسيط مسارات العمل#
في المقابل، يعمل YOLOv9 ضمن منظومة Ultralytics المصقولة للغاية. وتعطي Ultralytics الأولوية لسهولة الاستخدام الاستثنائية، إذ صُممت للمطورين والباحثين. وتجرّد واجهة Python البرمجية تمامًا تفاصيل الشيفرة النمطية المعقدة.
from ultralytics import YOLO
# تحميل نموذج YOLOv9 مدرّب مسبقًا
model = YOLO("yolov9c.pt")
# التدريب بسهولة على مجموعة بيانات مخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# إجراء الاستدلال وعرض النتائج بصريًا
results = model("https://ultralytics.com/images/bus.jpg")
# التصدير إلى ONNX للنشر في بيئة الإنتاج
model.export(format="onnx")يوضح سير العمل هذا كفاءة التدريب الفائقة في نماذج Ultralytics. إذ يأتي الدعم الأصلي لتحسين البيانات والتدريب الموزّع والتسجيل التلقائي على منصات مثل Weights & Biases أو MLflow مضمّنًا.
على الرغم من الأداء الاستثنائي الذي يقدمه YOLOv9، نوصي بشدة بالنظر في Ultralytics YOLO26 الذي صدر حديثًا للمشاريع الجديدة. يتضمن YOLO26 تصميمًا أصليًا شاملًا من البداية إلى النهاية دون NMS (اختياري عبر nms=False)، ما يبسّط النشر بدرجة كبيرة. وبفضل إزالة DFL (إزالة خسارة البؤرة التوزيعية لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، يوفّر استدلالًا على CPU أسرع بنسبة تصل إلى 43% للحوسبة الطرفية. ويضمن محسّن MuSGD تدريبًا مستقرًا وتقاربًا سريعًا. كما توفّر ProgLoss + STAL دوال خسارة محسّنة مع تحسن ملحوظ في تمييز الكائنات الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء والروبوتات والصور الجوية.
تعدد الاستخدامات ودعم المهام#
نادراً ما تقتصر مشاريع الرؤية الحاسوبية الحديثة على مربعات الإحاطة البسيطة.
صُمّم PP-YOLOE+ أساسًا لمهمة اكتشاف الكائنات القياسية. ويتطلب تكييف بنيته مع مهام أخرى قدرًا كبيرًا من العمل الهندسي المخصص.
في المقابل، يُعد إطار عمل Ultralytics حلاً قويًا متعدد المهام. فمن خلال واجهة API موحدة، يستطيع المطورون الانتقال بسهولة من اكتشاف الكائنات القياسي إلى تجزئة الكائنات المعقدة، وتقدير الوضعية عالي الدقة، واكتشاف مربعات الإحاطة الموجّهة (OBB) للصور الجوية، وتصنيف الصور. وهذا التعدد الاستثنائي في الاستخدامات هو ما يدفع فرق المؤسسات إلى اختيار النماذج المدعومة من Ultralytics باستمرار، مثل YOLOv9 وYOLO11 وYOLO26.
حالات الاستخدام والتطبيقات المثالية#
- تحليلات المدن الذكية وإدارة حركة المرور: تجعل كفاءة المعلمات العالية وزمن الاستجابة المنخفض في YOLOv9 (وكذلك YOLO26 الأحدث) منهما خيارًا مثاليًا للنشر على الأجهزة الطرفية محدودة الموارد، مثل أجهزة NVIDIA Jetson، لمراقبة تدفق حركة المرور والأمن الحضري.
- أنظمة مخزون البيع بالتجزئة: عند اكتشاف ترتيبات كثيفة للمنتجات الصغيرة على الرفوف، تحافظ PGI في YOLOv9 بفاعلية على التفاصيل المكانية الدقيقة، ما يجعله يتفوق على PP-YOLOE+ في مهام اكتشاف الكائنات الصغيرة.
- عمليات النشر القديمة: يظل PP-YOLOE+ خيارًا مناسبًا حصرًا للفرق الملزمة صراحةً باستخدام حزمة برامج Baidu/PaddlePaddle في بنيتها التحتية القديمة القائمة.
بالنسبة إلى الباحثين الذين يستكشفون البنى القائمة على Transformer، تدعم Ultralytics أيضًا RT-DETR دعمًا أصليًا ضمن واجهة API سهلة الاستخدام نفسها تمامًا، ما يضمن إتاحة النموذج الأمثل دائمًا لمتطلبات النشر المحددة لديك.