مقارنة بين PP-YOLOE+ وYOLO11#

يتطور مجال الرؤية الحاسوبية باستمرار، مدفوعًا بالحاجة إلى نماذج أسرع وأكثر دقة وكفاءة. وبالنسبة إلى المطورين والباحثين الذين يتعاملون مع مهام اكتشاف الكائنات، يُعد اختيار البنية المناسبة أمرًا بالغ الأهمية. في هذه المقارنة الشاملة، سنستكشف الفروق الدقيقة بين نموذجين بارزين: PP-YOLOE+ وUltralytics YOLO11.

ومن خلال تحليل بنيتيهما ومقاييس الأداء وحالات الاستخدام المثالية، يهدف هذا الدليل إلى توفير الرؤى اللازمة لاتخاذ قرار مستنير بشأن عملية نشر تعلّم الآلة التالية.

أصول النماذج ونظرات عامة تقنية#

ينحدر كلا النموذجين من أبحاث أكاديمية صارمة وهندسة واسعة النطاق، لكنهما نشآ ضمن منظومتين مختلفتين تمامًا. لنلقِ نظرة على التفاصيل الأساسية لكل نموذج.

نظرة عامة على PP-YOLOE+#

طوّره باحثون في Baidu، ويمثل PP-YOLOE+ إصدارًا من PP-YOLOE السابق، وقد صُمم لتوسيع حدود الاكتشاف في الوقت الفعلي ضمن منظومة PaddlePaddle.

• المؤلفون: مؤلفو PaddlePaddle
• المنظمة: Baidu
• التاريخ: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: مستودع PaddleDetection
• الوثائق: وثائق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

نظرة عامة على YOLO11#

يمثل YOLO11، الذي أنشأته Ultralytics، قفزة كبيرة إلى الأمام في سهولة الاستخدام والدقة. وهو يبني على إرث من البنى الناجحة للغاية، مع تحسين تجربة المطور الخالية من التعقيدات وتعدد المهام.

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: مستودع Ultralytics على GitHub
• الوثائق: الوثائق الرسمية لـ YOLO11

مقارنة البنية والأداء#

عند مقارنة هذين الكاشفين، يجب أن نتجاوز الأرقام الخام ونفهم كيف تؤثر خياراتهما المعمارية في نشر النماذج في العالم الحقيقي.

بنية PP-YOLOE+#

يعتمد PP-YOLOE+ اعتمادًا كبيرًا على إطار PaddlePaddle. وهو يقدّم نهجًا قويًا خاليًا من المراسي، مستخدمًا بنية RepResNet الأساسية وشبكة تجميع المسارات المعدّلة (PAN). وقد حسّن الإصدار "+" سلفه من خلال دمج التدريب المسبق على مجموعات بيانات واسعة النطاق، مثل Objects365، وTaskAlignedAssigner محسّن. وعلى الرغم من تحقيقه متوسط الدقة (mAP) مرتفعًا، فإن اعتماده الصارم على PaddlePaddle قد يفرض تحديات على الفرق المعتادة على بيئات PyTorch أو TensorFlow.

بنية YOLO11#

بُني Ultralytics YOLO11 أصلاً على PyTorch، وهو المعيار الصناعي للتعلّم العميق الحديث. وتركّز بنيته بدرجة كبيرة على توازن الأداء، محققةً مفاضلة ملائمة بين السرعة والدقة، بما يناسب سيناريوهات النشر المتنوعة في العالم الحقيقي. ويتميز YOLO11 بوحدة C3k2 محسّنة لتحسين تدفق التدرجات، وبرأس غير مقترن يتعامل بكفاءة مع مهمتَي التصنيف والانحدار كلٌّ على حدة. علاوةً على ذلك، صُمم YOLO11 ليتطلب ذاكرة أقل، إذ يستهلك ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنةً بنماذج Transformer المعقدة مثل RT-DETR.

جدول مقاييس الأداء#

يسلط الجدول التالي الضوء على فروق الأداء عبر مقاييس النماذج المختلفة. لاحظ أن YOLO11 يحقق عمومًا قيمة mAP مماثلة أو أفضل، مع تقليل عدد المعلمات وعمليات FLOPs بدرجة كبيرة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ وYOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار PP-YOLOE+#

يُعد PP-YOLOE+ خيارًا قويًا من أجل:

• التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة على إطار عمل وأدوات PaddlePaddle الخاصة بـBaidu.
• النشر الطرفي باستخدام Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة كبيرة خصيصًا لمحرك Paddle Lite أو محرك Paddle للاستدلال.
• الاكتشاف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يمثل الاعتماد على إطار العمل مصدر قلق.

متى تختار YOLO11#

يوصى باستخدام YOLO11 من أجل:

• النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تمثل الموثوقية والصيانة النشطة أولوية قصوى.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتقسيم، وتقدير الوضعيات، وOBB ضمن إطار عمل موحد واحد.
• إنشاء النماذج الأولية والنشر بسرعة: الفرق التي تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics Python البرمجية المبسطة.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

ميزة Ultralytics#

على الرغم من أهمية المعايير الأكاديمية، فإن نجاح مشروع الذكاء الاصطناعي على المدى الطويل يعتمد بدرجة كبيرة على المنظومة المحيطة بالنموذج. وتوفر منصة Ultralytics مزايا متميزة للمطورين والمؤسسات على حد سواء.

1. سهولة الاستخدام: تجرد Ultralytics عملية التعلّم العميق من تعقيداتها. وتتيح تجربة المستخدم السلسة وواجهة Python البرمجية البسيطة للمطورين تدريب نماذج مخصصة باستخدام بضعة أسطر من التعليمات البرمجية فقط. ويتناقض ذلك مع ملفات الإعداد المعقدة التي يتطلبها PP-YOLOE+ غالبًا.
2. منظومة تتم صيانتها جيدًا: بخلاف العديد من المستودعات المخصصة للأبحاث فقط، تتطور منظومة Ultralytics بنشاط. وهي تحظى بدعم قوي من المجتمع وتحديثات متكررة وتكامل واسع مع أدوات مثل Weights & Biases وComet ML.
3. تعدد الاستخدامات: يوفر YOLO11 إطارًا موحدًا واحدًا لمهام الرؤية الحاسوبية المتعددة، مما يلغي الحاجة إلى تعلم مكتبات مختلفة للتصنيف أو التجزئة أو اكتشاف المربعات المحيطة.
4. كفاءة التدريب: توفر عمليات التدريب الفعالة لنماذج YOLO الوقت وتكاليف الحوسبة معًا. ومن خلال الاستفادة من الأوزان المدربة مسبقًا على مجموعة بيانات COCO، تتقارب النماذج بسرعة حتى على الأجهزة المخصصة للمستهلكين.

مقارنة شيفرات التدريب#

لتوضيح سهولة الاستخدام، إليك طريقة تدريب نموذج YOLO11 متطور. فهو يتولى تلقائيًا جميع عمليات زيادة البيانات والتسجيل وتنسيق العتاد:

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run a quick inference test on a public image
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

يتطلب إعداد خط الأنابيب المكافئ في PaddleDetection التنقل اليدوي عبر تكوين YAML المعقدة وتنفيد سلاسل أوامر طويلة، مما قد يبطئ دورات التطوير المرنة.

التطلع إلى المستقبل: ظهور YOLO26#

مع بقاء YOLO11 أداة قوية للغاية، يتحرك مجال الذكاء الاصطناعي بسرعة. وقد أُطلق YOLO26 في يناير 2026، ويمثل أحدث ما توصلت إليه سلسلة Ultralytics، وهو النموذج الموصى به لجميع المشاريع الجديدة.

يقدم YOLO26 العديد من الابتكارات الرائدة:

• تصميم شامل من البداية وخالٍ من NMS: استنادًا إلى المفاهيم التي ابتكرها YOLOv10 أولًا، يعمل YOLO26 أصلاً بطريقة شاملة من البداية إلى النهاية. وهو يلغي تمامًا المعالجة اللاحقة لكبت غير الأعظمي (NMS)، مما يجعل النشر أبسط بكثير ويقلل بدرجة كبيرة من تباين زمن الاستجابة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL) على نحو استراتيجي، يصبح النموذج أخف بكثير. ويجعل هذا التحسين منه الخيار الأمثل للحوسبة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
• مُحسِّن MuSGD: يجلب YOLO26 ابتكارات تدريب نماذج LLM إلى الرؤية الحاسوبية. وباستخدام مُحسِّن MuSGD، وهو مزيج من SGD وMuon، يحقق ديناميكيات تدريب مستقرة للغاية وتقاربًا أسرع.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهي ميزة بالغة الأهمية للصور الملتقطة بالطائرات المسيّرة والمراقبة الجوية.

الخلاصة والتطبيقات في العالم الحقيقي#

عند الاختيار بين PP-YOLOE+ وYOLO11، أو YOLO26 الأحدث، يتوقف القرار على منظومة النشر لديك.

يتألق PP-YOLOE+ في بيئات صناعية محددة، ولا سيما مراكز التصنيع الآسيوية حيث تكون الأجهزة مدمجة بعمق مع حزمة تقنيات Baidu ومكتبة PaddlePaddle. وهو ممتاز لتحليل الصور الثابتة عندما تكون قيمة mAP القصوى هي الأولوية الوحيدة.

أما YOLO11 وYOLO26، فيقدمان نهجًا أكثر تنوعًا وملاءمة للمطورين بكثير. ويجعلهما انخفاض عدد المعلمات والسرعات العالية مثاليين من أجل:

• تجارة التجزئة الذكية: معالجة تدفقات الفيديو في الوقت الفعلي لإتمام الدفع آليًا وإدارة المخزون.
• الروبوتات ذاتية التشغيل: تمكين تجنب العوائق عالي السرعة على الأجهزة المضمنة محدودة الموارد.
• الأمن والمراقبة: توفير تحليل قوي متعدد المهام، مثل التتبع وتقدير الوضعية، ضمن عمليات استدلال مفردة عالية الكفاءة.

بالنسبة إلى مهندسي الذكاء الاصطناعي العصريين الباحثين عن الموثوقية ودعم المجتمع الواسع وخطوط أنابيب النشر المباشرة إلى تنسيقات مثل ONNX وTensorRT، تظل منظومة Ultralytics الخيار الذي لا ينافسه خيار آخر.