PP-YOLOE+ مقابل YOLO11
تتطور الرؤية الحاسوبية باستمرار مع تزايد الحاجة إلى نماذج أسرع وأكثر دقة وكفاءة. ويُعد اختيار البنية المناسبة أمرًا بالغ الأهمية للمطوّرين والباحثين الذين يعملون على مهام الكشف عن الأجسام. وتقارن هذه المقالة نموذجين بارزين: PP-YOLOE+ وUltralytics YOLO11.
بمقارنة البنى ومقاييس الأداء وأفضل حالات الاستخدام، يساعدك هذا الدليل على اتخاذ قرار مستنير بشأن عملية نشر تعلّم الآلة التالية.
أصول النماذج ونظرة عامة تقنية#
ينبع كلا النموذجين من أبحاث دقيقة وهندسة واسعة النطاق، لكنهما ينتميان إلى منظومتين مختلفتين تمامًا. فيما يلي المعلومات الأساسية عن كل نموذج.
نظرة عامة على PP-YOLOE+#
طوّره باحثون في Baidu، ويمثل PP-YOLOE+ إصدارًا مطورًا من PP-YOLOE الأسبق، وقد صُمم لتحسين الكشف الآني 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، خطوة مهمة إلى الأمام في سهولة الاستخدام والدقة. وهو امتداد لسلسلة من البنى الناجحة، مع تحسين تجربة المطوّر وتعدد الاستخدامات للمهام المتعددة.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: مستودع Ultralytics على GitHub
- الوثائق: الوثائق الرسمية لـ YOLO11
يدعم Ultralytics YOLO11 أكثر من مجرد الكشف عن الأجسام. إذ يمكنك مباشرةً إجراء تجزئة المثيلات وتقدير الوضعيات والكشف عن الصناديق المحيطة الموجّهة (OBB) باستخدام API نفسها.
مقارنة البنية والأداء#
عند مقارنة هذين الكاشفين، من المهم تجاوز الأرقام المجردة وفهم أثر الخيارات المعمارية في نشر النماذج في العالم الحقيقي.
بنية PP-YOLOE+#
يعتمد PP-YOLOE+ بدرجة كبيرة على إطار عمل PaddlePaddle. ويستخدم تصميمًا خاليًا من المراسي مع عمود فقري CSPRepResNet وشبكة تجميع مسارات معدّلة (PAN). وقد حسّن الإصدار "+" أداء سابقه من خلال دمج التدريب المسبق على مجموعات بيانات واسعة النطاق، مثل Objects365، وتحسين TaskAlignedAssigner. وعلى الرغم من تحقيقه متوسط دقة (mAP) عاليًا، قد يؤدي اعتماده الصارم على PaddlePaddle إلى صعوبات للفرق المعتادة على بيئات PyTorch أو TensorFlow.
بنية YOLO11#
بُني Ultralytics YOLO11 محليًا على PyTorch، المعيار الصناعي للتعلّم العميق الحديث. وتركز بنيته بشدة على التوازن بين الأداء، إذ تحقق مفاضلة مواتية بين السرعة والدقة، مناسبة لمختلف سيناريوهات النشر في العالم الحقيقي. ويتضمن YOLO11 وحدة C3k2 محسّنة لتحسين تدفق التدرجات ورأسًا مفصولًا يتعامل بفعالية مع مهمتي التصنيف والانحدار كلٌّ على حدة. كما صُمم YOLO11 لتقليل متطلبات الذاكرة، إذ يستخدم ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنةً بنماذج المحوّلات 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.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
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: مشاريع تتطلب الكشف والتجزئة وتقدير الوضعيات 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 تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
- 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.
- 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.
- منظومة تحظى بصيانة جيدة: على خلاف كثير من المستودعات المخصصة للأبحاث فقط، تتطور منظومة Ultralytics بنشاط. وهي تتمتع بدعم قوي من المجتمع وتحديثات متكررة وتكامل واسع مع أدوات مثل Weights & Biases وComet.
- 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.
- 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. تتولى الحزمة تلقائيًا زيادة البيانات والتسجيل وتنسيق استخدام 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 يظل أداة قوية، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وقد طُرح YOLO26 في يناير 2026، وهو أحدث نموذج في سلسلة Ultralytics والنموذج الموصى به لجميع المشاريع الجديدة.
يقدم YOLO26 عدة ابتكارات:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى مفاهيم طُرحت أول مرة في YOLOv10، يقدم YOLO26 رأسًا أصليًا شاملًا من البداية إلى النهاية (
nms=False) يلغي تمامًا المعالجة اللاحقة باستخدام القمع غير الأقصى (NMS)، ما يبسّط النشر ويقلل بدرجة كبيرة تفاوت زمن الاستجابة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى تخفيف النموذج، ويعمل YOLO26n بسرعة أعلى بنسبة تصل إلى 43% على CPU مقارنةً بـ YOLO11n، ما يجعله خيارًا قويًا 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: تحقق الخسارة التدريجية وإسناد التسميات الواعي بالأهداف الصغيرة تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهي ميزة مهمة لصور الطائرات المسيّرة والمراقبة الجوية.
الخلاصة والتطبيقات الواقعية#
عند الاختيار بين PP-YOLOE+ وYOLO11 (أو YOLO26 الأحدث)، يتوقف القرار على منظومة النشر لديك.
يناسب PP-YOLOE+ البيئات الصناعية التي تتكامل أجهزتها وبرامجها مسبقًا مع مجموعة تقنيات Baidu ومكتبة PaddlePaddle. ويؤدي جيدًا في تحليل الصور الثابتة عندما تكون الأولوية القصوى لأعلى mAP.
أما YOLO11 وYOLO26 فيقدمان نهجًا أكثر تنوعًا وملاءمة للمطوّرين. ويجعل انخفاض عدد معلماتهما وسرعتهما العالية منهما خيارًا مناسبًا لما يلي:
- 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 الذين يبحثون عن الموثوقية والدعم الواسع من المجتمع ومسارات نشر مباشرة إلى تنسيقات مثل ONNX وTensorRT، تظل منظومة Ultralytics الخيار الموصى به.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.