مقارنة بين PP-YOLOE+ و YOLO11#

يتطور مجال رؤية الكمبيوتر باستمرار، مدفوعاً بالحاجة إلى نماذج أسرع وأكثر دقة وأعلى كفاءة. بالنسبة للمطورين والباحثين الذين يتعاملون مع مهام object detection، يُعد اختيار البنية الصحيحة أمراً بالغ الأهمية. في هذه المقارنة الشاملة، سنستكشف الفروق الدقيقة بين نموذجين بارزين: PP-YOLOE+ وUltralytics YOLO11.

من خلال تحليل بنيتها، ومقاييس أدائها، وحالات الاستخدام المثالية لكل منهما، يهدف هذا الدليل إلى تقديم الرؤى الضرورية لاتخاذ قرار مستنير لنشر تعلم الآلة القادم الخاص بك.

أصول النماذج ونظرة عامة تقنية#

كلا النموذجين ينبعان من أبحاث أكاديمية دقيقة وهندسة واسعة النطاق، لكنهما ينشآن من أنظمة بيئية مختلفة تماماً. لنلقِ نظرة على التفاصيل الأساسية لكل نموذج.

نظرة عامة على PP-YOLOE+#

تم تطوير PP-YOLOE+ بواسطة الباحثين في Baidu، وهو تكرار لنموذج PP-YOLOE السابق، وقد صُمم لتجاوز حدود الكشف في الوقت الفعلي ضمن نظام PaddlePaddle البيئي.

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250
GitHub: PaddleDetection Repository
المستندات: توثيق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

نظرة عامة على YOLO11#

يمثل YOLO11، الذي ابتكرته Ultralytics، قفزة كبيرة إلى الأمام في سهولة الاستخدام والدقة. وهو يعتمد على إرث من البنى الناجحة للغاية، مع تحسين تجربة المطورين لضمان السلاسة وتعدد المهام.

المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 2024-09-27
GitHub: مستودع Ultralytics على GitHub
المستندات: التوثيق الرسمي لـ YOLO11

تعرف على المزيد حول YOLO11

هل تعلم؟

يدعم Ultralytics YOLO11 ما هو أكثر بكثير من مجرد اكتشاف الكائنات. يمكنك، فوراً ودون إعداد مسبق، إجراء عمليات Instance Segmentation وPose Estimation واكتشاف Oriented Bounding Box (OBB) باستخدام واجهة برمجة التطبيقات (API) نفسها تماماً.

مقارنة معمارية وأدائية#

عند مقارنة هذين الكاشفين، يجب أن ننظر إلى ما بعد الأرقام المجردة ونفهم كيف تؤثر اختياراتهما الهيكلية على model deployment في العالم الحقيقي.

بنية PP-YOLOE+#

يعتمد PP-YOLOE+ بشكل كبير على PaddlePaddle framework. فهو يقدم نموذجاً قوياً خالياً من نقاط تثبيت الرسايل (anchor-free)، مستخدماً بنية أساسية من نوع RepResNet وشبكة تجميع المسار المعدلة (PAN). لقد حسّن الإصدار "+" من سابقه من خلال دمج التدريب المسبق على مجموعات بيانات واسعة النطاق (مثل Objects365) ومكون TaskAlignedAssigner مُحسَّن. وبينما يحقق معدل دقة متوسط مرتفع mean Average Precision (mAP)، فإن الاعتماد الصلب على PaddlePaddle يمكن أن يسبب عقبات للفرق المعتادة على بيئات PyTorch أو TensorFlow.

بنية YOLO11#

تم بناء Ultralytics YOLO11 بشكل أصلي على PyTorch، وهو المعيار الصناعي للتعلم العميق الحديث. تركز بنيته بشكل كبير على توازن الأداء، محققاً مقايضة مواتية بين السرعة والدقة مناسبة لسيناريوهات نشر متنوعة في العالم الحقيقي. يتميز YOLO11 بوحدة C3k2 مُحسَّنة لتدفق أفضل للقيم المتدرجة ورأس مفصول يتعامل بكفاءة مع مهام التصنيف والانحدار بشكل منفصل. علاوة على ذلك، تم تصميم YOLO11 لمتطلبات ذاكرة أقل، محققاً استخداماً منخفضاً بشكل ملحوظ للذاكرة أثناء التدريب والاستدلال مقارنة بنماذج المحولات (transformers) المعقدة مثل RT-DETR.

جدول مقاييس الأداء#

يسلط الجدول التالي الضوء على فروق الأداء عبر أحجام النماذج المختلفة. لاحظ كيف يحقق YOLO11 عموماً دقة mAP مماثلة أو أفضل مع تقليل عدد البارامترات و FLOPs بشكل كبير.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ و YOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار PP-YOLOE+#

يعد PP-YOLOE+ خياراً قوياً في الحالات التالية:

تكامل بيئة PaddlePaddle: المنظمات التي لديها بنية تحتية حالية مبنية على إطار عمل وأدوات Baidu's PaddlePaddle.
النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.

متى تختار YOLO11#

يوصى بـ YOLO11 لـ:

نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

ميزة Ultralytics#

بينما تعتبر المعايير الأكاديمية مهمة، فإن النجاح على المدى الطويل لأي مشروع ذكاء اصطناعي يعتمد بشكل كبير على النظام البيئي المحيط بالنموذج. يقدم Ultralytics Platform مزايا مميزة للمطورين والمؤسسات على حد سواء.

سهولة الاستخدام: يعمل Ultralytics على إخفاء تعقيدات التعلم العميق. تتيح تجربة المستخدم المبسطة واجهة برمجة تطبيقات Python البسيطة للمطورين train custom models ببضع أسطر فقط من الكود. يتناقض هذا مع ملفات التكوين المعقدة التي يتطلبها غالباً PP-YOLOE+.
نظام بيئي مُصان جيداً: على عكس العديد من المستودعات المخصصة للأبحاث فقط، يتم تطوير نظام Ultralytics البيئي بنشاط. وهو يفتخر بدعم مجتمعي قوي، وتحديثات متكررة، وتكامل واسع النطاق مع أدوات مثل Weights & Biases وComet ML.
المرونة: يوفر YOLO11 إطار عمل موحداً ووحيداً لعدة computer vision tasks، مما يلغي الحاجة إلى تعلم مكتبات مختلفة للتصنيف أو التجزئة أو اكتشاف صناديق الإحاطة.
كفاءة التدريب: توفر عمليات التدريب الكفؤة لنماذج YOLO كلاً من الوقت وتكاليف الحوسبة. ومن خلال الاستفادة من الأوزان المدربة مسبقاً على COCO dataset، تتقارب النماذج بسرعة حتى على الأجهزة الاستهلاكية.

مقارنة كود التدريب#

لتوضيح سهولة الاستخدام، إليك كيفية تدريب نموذج YOLO11 متطور. فهو يتعامل مع جميع عمليات augmentation للبيانات، وتسجيل السجلات، وتنسيق الأجهزة تلقائياً:

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 المسار المقابل في PaddleDetection التنقل يدوياً في تكوينات XML معقدة وتنفيذ سلاسل أوامر طويلة، مما قد يبطئ دورات التطوير المرنة.

نتطلع قدماً: وصول YOLO26#

بينما يظل YOLO11 أداة قوية للغاية، فإن مجال الذكاء الاصطناعي يتحرك بسرعة. يمثل YOLO26، الذي تم إصداره في يناير 2026، ذروة الابتكار المطلقة لسلالة Ultralytics وهو النموذج الموصى به لجميع المشاريع الجديدة.

يقدم YOLO26 العديد من الابتكارات الرائدة:

تصميم متكامل بدون NMS (End-to-End NMS-Free): بناءً على المفاهيم التي تم طرحها لأول مرة في YOLOv10، فإن YOLO26 متكامل تماماً من البداية إلى النهاية. فهو يلغي تماماً المعالجة اللاحقة لقمع الحد الأقصى غير الضروري (Non-Maximum Suppression - NMS)، مما يجعل النشر أبسط بكثير ويقلل بشكل كبير من تباين زمن الوصول.
استدلال أسرع على وحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43%: من خلال إزالة خسارة بؤرة التوزيع (Distribution Focal Loss - DFL) بشكل استراتيجي، يصبح النموذج أخف بكثير. يجعل هذا التحسين منه الخيار الأبرز لـ edge computing وأجهزة إنترنت الأشياء منخفضة الطاقة.
مُحسّن MuSGD: يجلب YOLO26 ابتكارات تدريب النماذج اللغوية الكبيرة إلى الرؤية الحاسوبية. باستخدام مُحسّن MuSGD (هجين بين SGD و Muon)، فإنه يحقق ديناميكيات تدريب مستقرة للغاية وتقارباً أسرع.
ProgLoss + STAL: تنتج دالة الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهي ميزة بالغة الأهمية لـ drone imagery والراقبة الجوية.

الخلاصة والتطبيقات الواقعية#

عند اتخاذ قرار بين PP-YOLOE+ و YOLO11 (أو YOLO26 الأحدث)، يعتمد الاختيار على نظام النشر الخاص بك.

يبرز PP-YOLOE+ في البيئات الصناعية المحددة، لا سيما في مراكز التصنيع الآسيوية حيث يتم دمج الأجهزة بشكل عميق مع مكدس تكنولوجيا Baidu وPaddlePaddle library. إنه ممتاز لتحليل الصور الثابتة حيث يكون الحد الأقصى لمعدل mAP هو الأولوية الوحيدة.

أما YOLO11 و YOLO26، فيقدمان نهجاً أكثر تنوعاً وملاءمة للمطورين. إن عدد البارامترات المنخفض والسرعات العالية يجعلهما مثاليين لـ:

البيع بالتجزئة الذكي: معالجة تدفقات الفيديو في الوقت الفعلي للدفع الآلي وإدارة inventory management.
الروبوتات المستقلة: تمكين high-speed obstacle avoidance على الأجهزة المدمجة المحدودة الموارد.
الأمن والمراقبة: توفير تحليل قوي ومتعدد المهام (مثل التتبع وتقدير الوضعية) في تمريرات استنتاج واحدة وعالية الكفاءة.

بالنسبة لمهندسي الذكاء الاصطناعي الحديثين الباحثين عن الموثوقية، والدعم المجتمعي الواسع، وخطوط أنابيب النشر المباشرة إلى تنسيقات مثل ONNX وTensorRT، يظل نظام Ultralytics البيئي الخيار الذي لا يُنازع.

المساهمون

GLglenn-jocher¹⁶ PDpderrenger² ONonuralpszr¹

تم الإنشاء 27 يناير 2025تم التحديث الأسبوع الماضي