PP-YOLOE+ مقابل YOLO11#

يتطور مجال الرؤية الحاسوبية باستمرار، مدفوعًا بالحاجة إلى نماذج أسرع وأكثر دقة وكفاءة. ويُعد اختيار البنية المناسبة أمرًا بالغ الأهمية للمطورين والباحثين الذين يعملون على مهام كشف الأجسام. في هذه المقارنة الشاملة، سنستكشف الفروق الدقيقة بين نموذجين بارزين: PP-YOLOE+ وUltralytics YOLO11.

من خلال تحليل بنيتيهما ومقاييس أدائهما وحالات الاستخدام المثلى، يهدف هذا الدليل إلى توفير الرؤى اللازمة لاتخاذ قرار مستنير بشأن عملية نشر التعلم الآلي القادمة.

أصول النماذج ونظرة عامة تقنية#

ينبع كلا النموذجين من أبحاث أكاديمية دقيقة وهندسة واسعة النطاق، لكنهما ينتميان إلى منظومتين مختلفتين تمامًا. لنلقِ نظرة على التفاصيل الأساسية لكل نموذج.

نظرة عامة على PP-YOLOE+#

طوّر باحثون في Baidu نموذج PP-YOLOE+، وهو إصدار من PP-YOLOE السابق، صُمم لدفع حدود الكشف في الوقت الفعلي ضمن منظومة PaddlePaddle.

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

تعرّف 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 سلسلة من البنى الناجحة للغاية، مع تحسين تجربة المطورين لتكون سلسة وتوفير تعدد الاستخدامات في المهام.

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

مقارنة البنية والأداء#

عند مقارنة هذين الكاشفين، ينبغي أن نتجاوز الأرقام المجردة ونفهم أثر خياراتهما المعمارية في نشر النماذج في العالم الحقيقي.

بنية PP-YOLOE+#

يعتمد PP-YOLOE+ اعتمادًا كبيرًا على إطار عمل PaddlePaddle. ويقدم نهجًا قويًا خاليًا من المراسي، مستخدمًا عمودًا فقريًا CSPRepResNet وشبكة تجميع مسارات معدلة (PAN). وقد حسّن الإصدار «+» النموذج السابق بإضافة التدريب المسبق على مجموعات بيانات واسعة النطاق، مثل Objects365، وتحسين TaskAlignedAssigner. ومع أنه يحقق متوسط الدقة المتوسطة (mAP) مرتفعًا، فإن اعتماده الصارم على PaddlePaddle قد يشكل عائقًا للفرق المعتادة على بيئات PyTorch أو TensorFlow.

بنية YOLO11#

بُني Ultralytics YOLO11 أصليًا على PyTorch، المعيار الصناعي للتعلم العميق الحديث. وتركز بنيته بشدة على التوازن في الأداء، محققةً مفاضلة ملائمة بين السرعة والدقة تناسب سيناريوهات النشر المتنوعة في العالم الحقيقي. ويتميز YOLO11 بوحدة C3k2 محسّنة لتحسين تدفق التدرجات، ورأس مفصول يتولى بفاعلية مهام التصنيف والانحدار كلًّا على حدة. بالإضافة إلى ذلك، صُمم YOLO11 لتقليل متطلبات الذاكرة، إذ يستخدم ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنةً بنماذج المحولات المعقدة مثل RT-DETR.

جدول مقاييس الأداء#

يوضح الجدول التالي اختلافات الأداء عبر مقاييس النماذج المختلفة. لاحظ أن YOLO11 يحقق عمومًا قيمة mAP مماثلة أو أفضل، مع خفض كبير في عدد المعلمات وعمليات FLOPs.

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 لـ:

• التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
• النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
• اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.

متى تختار YOLO11#

يوصى بـ YOLO11 لما يلي:

• النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
• النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics#

على الرغم من أهمية المعايير الأكاديمية، يعتمد النجاح طويل الأمد لمشروع الذكاء الاصطناعي بدرجة كبيرة على المنظومة المحيطة بالنموذج. وتوفر منصة Ultralytics مزايا واضحة للمطورين والمؤسسات على حد سواء.

1. سهولة الاستخدام: تخفي Ultralytics تعقيدات التعلم العميق. وتتيح تجربة المستخدم السلسة وواجهة Python API البسيطة للمطورين تدريب نماذج مخصصة باستخدام بضعة أسطر من التعليمات البرمجية فحسب. ويختلف ذلك عن ملفات الإعدادات المعقدة التي يتطلبها PP-YOLOE+ غالبًا.
2. منظومة مصانة جيدًا: على خلاف كثير من مستودعات الأبحاث فقط، تشهد منظومة Ultralytics تطويرًا مستمرًا. وهي تحظى بدعم مجتمعي قوي وتحديثات متكررة وتكامل واسع مع أدوات مثل Weights & Biases وComet ML.
3. تعدد الاستخدامات: يوفر YOLO11 إطار عمل موحدًا واحدًا لمجموعة من مهام الرؤية الحاسوبية، ما يلغي الحاجة إلى تعلم مكتبات مختلفة للتصنيف أو التقسيم أو كشف مربعات الإحاطة.
4. كفاءة التدريب: توفر عمليات التدريب الفعالة لنماذج YOLO الوقت وتكاليف الحوسبة. وبالاستفادة من الأوزان المدربة مسبقًا على مجموعة بيانات COCO، تتقارب النماذج بسرعة حتى على الأجهزة الاستهلاكية.

مقارنة التعليمات البرمجية للتدريب#

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

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 صغير مدرّب مسبقًا⁩
model = YOLO("yolo11s.pt")

# ⁨درّب النموذج على مجموعة بياناتك المخصصة لمدة 100 حقبة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨أجرِ اختبار استدلال سريعًا على صورة عامة⁩
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

يتطلب إعداد مسار العمل المكافئ في PaddleDetection التنقل يدويًا ضمن إعدادات YAML المعقدة وتنفيذ سلاسل طويلة من أوامر سطر الأوامر، ما قد يبطئ دورات التطوير المرنة.

نظرة إلى المستقبل: ظهور YOLO26#

مع أن YOLO11 لا يزال أداة قوية للغاية، فإن مجال الذكاء الاصطناعي يتطور بسرعة. ويمثل YOLO26، الذي صدر في يناير 2026، أحدث ما توصلت إليه سلسلة Ultralytics، وهو النموذج الموصى به لجميع المشاريع الجديدة.

يقدم YOLO26 عدة ابتكارات رائدة:

• تصميم شامل من دون NMS: استنادًا إلى مفاهيم طُرحت أول مرة في YOLOv10، يوفر YOLO26 رأسًا شاملًا أصليًا (nms=False) يلغي تمامًا المعالجة اللاحقة بالكبت غير الأقصى (NMS)، ما يجعل النشر أبسط بكثير ويقلل تفاوت زمن الاستجابة بدرجة كبيرة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: عبر إزالة Distribution Focal Loss (DFL) على نحو مدروس، يصبح النموذج أخف بكثير. ويجعله هذا التحسين الخيار الأمثل لـالحوسبة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
• محسّن MuSGD: ينقل YOLO26 ابتكارات تدريب النماذج اللغوية الكبيرة إلى مجال الرؤية الحاسوبية. وباستخدام محسّن MuSGD، وهو مزيج هجين من SGD وMuon، يحقق النموذج ديناميكيات تدريب مستقرة للغاية وتقاربًا أسرع.
• ProgLoss + STAL: تحسّن دوال الخسارة المتقدمة هذه التعرف على الأجسام الصغيرة بدرجة ملحوظة، وهي ميزة بالغة الأهمية لـصور الطائرات المسيّرة والمراقبة الجوية.

الخلاصة والتطبيقات الواقعية#

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 تتكامل الأجهزة بعمق مع مجموعة تقنيات Baidu ومكتبة PaddlePaddle. وهو ممتاز لتحليل الصور الثابتة عندما تكون الأولوية الوحيدة هي تحقيق أقصى قيمة mAP.

أما YOLO11 وYOLO26 فيقدمان نهجًا أكثر تنوعًا وملاءمة للمطورين. ويجعلهما انخفاض عدد المعلمات والسرعة العالية خيارًا مثاليًا لـ:

• البيع بالتجزئة الذكي: معالجة تدفقات الفيديو في الوقت الفعلي لإتمام عمليات الدفع آليًا وإدارة المخزون.
• الروبوتات ذاتية التشغيل: تمكين تجنب العوائق عالي السرعة على الأجهزة المضمنة محدودة الموارد.
• الأمن والمراقبة: توفير تحليل موثوق متعدد المهام، مثل التتبع وتقدير الوضعية، ضمن تمريرات استدلال مفردة وعالية الكفاءة.

بالنسبة إلى مهندسي الذكاء الاصطناعي المعاصرين الباحثين عن الموثوقية والدعم المجتمعي الواسع ومسارات نشر مباشرة إلى تنسيقات مثل ONNX وTensorRT، تظل منظومة Ultralytics الخيار الأبرز بلا منازع.