PP-YOLOE+ مقابل YOLO26: نظرة متعمقة على بنى الكشف عن الكائنات في الوقت الفعلي
شهد مجال الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً، مدفوعاً بالحاجة إلى نماذج قابلة للتطوير وفعالة وعالية الدقة للكشف عن الأجسام. ومن بين البنى المتميزة في هذا المجال PP-YOLOE+، وهو كاشف قوي من PaddlePaddle و Ultralytics ، أحدث نموذج متطور يعيد تعريف كفاءة النشر والتدريب المتطور.
يقارن هذا الدليل الشامل بين هذين النموذجين، ويسلط الضوء على هياكلهما ومقاييس أدائهما ومنهجيات التدريب وحالات الاستخدام المثالية لمساعدتك في اتخاذ قرار مستنير بشأن مشروع الذكاء الاصطناعي التالي.
المواصفات الفنية والمؤلف
إن فهم الأصول والفلسفات التصميمية الكامنة وراء هذه النماذج يوفر سياقًا مهمًا لتطبيقها في العالم الواقعي.
تفاصيل PP-YOLOE+:
- المؤلفون: مؤلفو PaddlePaddle
- المؤسسة:بايدو
- التاريخ: 2 أبريل 2022
- أرشيف:https://arxiv.org/abs/2203.16250
- GitHub:مستودع PaddleDetection
- الوثائق:وثائق PP-YOLOE+
تفاصيل YOLO26:
- المؤلفون: غلين جوشر وجينغ تشيو
- المؤسسة:Ultralytics
- التاريخ: 14 يناير 2026
- GitHub:Ultralytics Repository
- الوثائق:وثائق YOLO26
الابتكارات المعمارية
بنية PP-YOLOE+
بُني على سلفه PP-YOLOv2، يقدم PP-YOLOE+ تصميمًا قويًا مصممًا خصيصًا للتطبيقات الصناعية. يستفيد من العمود الفقري CSPRepResNet ورأس ET (رأس محاذاة المهام الفعالة) للموازنة بين السرعة والدقة. يستخدم PP-YOLOE+ تعيين التسميات الديناميكي (TAL) ويتكامل بسلاسة مع إطار عمل PaddlePaddle من Baidu، مما يجعله محسّنًا للغاية لوحدات معالجة الرسوميات (GPUs) من NVIDIA مثل T4 و V100. ومع ذلك، فإن اعتماده الكبير على النظام البيئي لـ PaddlePaddle يمكن أن يسبب احتكاكًا للمطورين المتأصلين في سير عمل PyTorch.
YOLO26 Architecture: ثورة "الحدود أولاً"
تم إصدار Ultralytics في أوائل عام 2026، وهو يعيد تصور خط أنابيب الكشف في الوقت الفعلي بشكل كامل، مع التركيز بشكل كبير على بساطة النشر وكفاءة الحافة.
تشمل ابتكارات YOLO26 الرئيسية ما يلي:
- تصميم شامل بدون NMS: يتميز YOLO26 بتصميم شامل بطبيعته، مما يلغي تمامًا الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression (NMS). يضمن هذا الإنجاز، الذي كان رائداً لأول مرة في YOLOv10، زمن استجابة استدلال ثابتًا بغض النظر عن ازدحام المشهد، مما يبسط عملية النشر بشكل كبير.
- إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، يبسط YOLO26 رأس الإخراج الخاص به بشكل كبير. وينتج عن ذلك توافق أفضل بكثير مع الأجهزة الطرفية ووحدات التحكم الدقيقة.
- استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): بفضل إزالة DFL والتحسينات الهيكلية، تم تحسين YOLO26 بشكل كبير للبيئات التي لا تحتوي على وحدات GPU مخصصة، محققًا سرعات استدلال أسرع بنسبة تصل إلى 43% على وحدات CPU مقارنة بـ YOLO11.
- مُحسِّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (LLM) المتقدمة كتلك المستخدمة من قبل Moonshot AI، يقدم YOLO26 هجينًا من SGD و Muon. وهذا يجلب استقرارًا تدريبيًا لا مثيل له وتقاربًا أسرع لمهام الرؤية الحاسوبية.
- ProgLoss + STAL: دوال خسارة متقدمة تستهدف وتحسن بشكل خاص التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لعمليات الطائرات بدون طيار ومستشعرات الحافة لإنترنت الأشياء.
تحسينات محددة للمهام في YOLO26
بالإضافة إلى صناديق الإحاطة القياسية، يقدم YOLO26 ترقيات محددة عبر جميع مهام الرؤية. يستخدم فقدان التجزئة الدلالية والنمذجة متعددة المقاييس لـ التجزئة (Segmentation)، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـ تقدير الوضعية (Pose Estimation)، وفقدان زاوية متخصص لحل مشكلات الحدود في الكشف عن صناديق الإحاطة الموجهة (OBB).
الأداء والمقاييس
يقدم الجدول أدناه نظرة شاملة على مقارنة PP-YOLOE+ مع YOLO26 عبر مختلف أحجام النماذج. من الواضح أن نماذج YOLO26 تتفوق في السرعة الخام وكفاءة المعلمات ومتوسط الدقة الإجمالي (mAP).
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
ملاحظة: تبرز القيم المكتوبة بالخط العريض المقاييس الأفضل أداءً في جميع النماذج.
تحليل
- متطلبات الذاكرة والكفاءة: يتطلب YOLO26 عددًا أقل بكثير من المعاملات وعمليات الفاصلة العائمة (FLOPs) لتحقيق درجات mAP أعلى. على سبيل المثال، يحقق نموذج YOLO26n (النانو) 40.9 mAP بـ 2.4 مليون معامل فقط، متفوقًا على نموذج PP-YOLOE+t بينما يبلغ حجمه تقريبًا النصف. وهذا يترجم إلى استهلاك أقل للذاكرة أثناء التدريب والنشر على حد سواء.
- سرعة الاستدلال: عند التصدير باستخدام TensorRT، يهيمن YOLO26 على مقاييس زمن الاستجابة. يضمن إزالة NMS أن يظل وقت الاستدلال البالغ 1.7 مللي ثانية على GPU T4 مستقرًا تمامًا، بينما يعتمد PP-YOLOE+ على أوقات معالجة لاحقة قد تكون متغيرة.
Ultralytics : النظام البيئي وسهولة الاستخدام
على الرغم من أهمية المقاييس الأولية، غالبًا ما تحدد تجربة المطور نجاح المشروع. Ultralytics نظامًا بيئيًا جيد الصيانة يتفوق تمامًا على الأطر القديمة.
- سهولة الاستخدام: تجرد Ultralytics التعليمات البرمجية المتكررة المعقدة. يستغرق تدريب YOLO26 بضعة أسطر فقط من Python، متجنبًا ملفات التكوين الكثيفة التي يتطلبها PP-YOLOE+.
- تعدد الاستخدامات: PP-YOLOE+ هو في الأساس بنية للكشف عن الكائنات. يوفر YOLO26 دعمًا جاهزًا للتجزئة، والتصنيف، وتقدير الوضعيات، و OBB.
- كفاءة التدريب: تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير مقارنة بـ نماذج المحولات الضخمة مثل RT-DETR أو المعماريات القديمة، مما يمكّن الباحثين من تدريب أحدث النماذج على الأجهزة الاستهلاكية.
Ultralytics الأخرى
في حين أن YOLO26 يمثل قمة الأبحاث الحالية، فإن نظام Ultralytics يضم أيضًا YOLO11 و YOLOv8. وكلاهما لا يزالان نموذجين عاليي الكفاءة يحظيان بدعم كبير من المجتمع، وهما مثاليان للمستخدمين الذين ينتقلون من أنظمة قديمة.
مثال على الكود: تدريب YOLO26
البدء في Ultralytics سهل Ultralytics . فيما يلي مثال قابل للتشغيل بالكامل يوضح كيفية تحميل نموذج YOLO26 وتدريبه والتحقق من صحته:
from ultralytics import YOLO
# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
optimizer="auto", # MuSGD is automatically engaged for YOLO26
)
# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")
حالات الاستخدام المثالية
متى تختار PP-YOLOE+
- البنية التحتية القديمة لـ PaddlePaddle: إذا كانت مؤسسة ما مدمجة بالفعل بعمق في حزمة تقنية Baidu وتستخدم أجهزة مهيأة مسبقًا لـ Paddle Inference، فإن PP-YOLOE+ هو خيار آمن ومستقر.
- مراكز التصنيع الآسيوية: تمتلك العديد من خطوط رؤية الآلة الصناعية في آسيا دعمًا قويًا وموجودًا مسبقًا لـ PP-YOLOE+ في الكشف التلقائي عن العيوب.
متى تختار YOLO26
- الحوسبة الحافة وإنترنت الأشياء: استدلال CPU الأسرع بنسبة 43% وإزالة DFL يجعلان YOLO26 البطل بلا منازع للنشر على Raspberry Pis والهواتف المحمولة والأجهزة المدمجة.
- المشاهد المزدحمة والمدن الذكية: تضمن بنية End-to-End NMS-Free زمن استجابة مستقرًا في البيئات الكثيفة مثل إدارة مواقف السيارات ومراقبة حركة المرور، حيث قد تتسبب NMS التقليدية في اختناقات.
- مشاريع المهام المتعددة: إذا كان مسار عملك يتطلب تتبع الكائنات، تقدير وضعيات البشر، أو إنشاء أقنعة دقيقة بالبكسل، يتعامل YOLO26 مع كل ذلك ضمن حزمة Python واحدة وموحدة.
الخلاصة
في حين أن PP-YOLOE+ لا يزال كاشفًا عالي الكفاءة ضمن نظامه البيئي المحدد، إلا أن إصدار YOLO26 قد غيّر النموذج السائد. من خلال الجمع بين تحسينات التدريب المستوحاة من LLM (MuSGD) والبنية المُحسّنة باستمرار NMS Ultralytics نموذجًا عالي الدقة وسهل النشر. بالنسبة للمطورين المعاصرين الذين يبحثون عن أفضل توازن بين السرعة والدقة وتجربة المطور، فإن YOLO26 هو الخيار الأمثل.