PP-YOLOE+ مقابل YOLO26#

شهد مجال الرؤية الحاسوبية الآنية نموًا هائلًا، مدفوعًا بالحاجة إلى نماذج قابلة للتوسع وفعّالة وعالية الدقة لاكتشاف الأجسام. ومن أبرز بنيتين معماريتين في هذا المجال PP-YOLOE+، وهو كاشف قوي من منظومة PaddlePaddle، و**Ultralytics YOLO26**، أحدث نماذج المستوى المتقدم الذي يعيد تعريف النشر على الحافة وكفاءة التدريب.

يقارن هذا الدليل الشامل بين هذين النموذجين، مع تسليط الضوء على بنيتيهما المعماريتين، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثالية، لمساعدتك على اتخاذ قرار مستنير لمشروعك التالي في مجال الذكاء الاصطناعي.

المواصفات التقنية والجهة المؤلفة#

يوفّر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا بالغ الأهمية لتطبيقها في العالم الحقيقي.

تفاصيل PP-YOLOE+:

• المؤلفون: مؤلفو PaddlePaddle
• المنظمة: Baidu
• التاريخ: 2 أبريل 2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: مستودع PaddleDetection
• الوثائق: وثائق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

تفاصيل YOLO26:

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 14 يناير 2026
• GitHub: مستودع Ultralytics
• الوثائق: وثائق YOLO26

الابتكارات المعمارية#

بنية PP-YOLOE+#

استنادًا إلى سابقه PP-YOLOv2، يقدّم PP-YOLOE+ تصميمًا متينًا مصممًا للتطبيقات الصناعية. ويستخدم العمود الفقري CSPRepResNet ورأس ET (رأس محاذاة المهام الفعّال) لتحقيق توازن بين السرعة والدقة. ويستخدم PP-YOLOE+ تعيين التسميات الديناميكي (TAL)، ويتكامل بسلاسة مع إطار عمل PaddlePaddle من Baidu، ما يجعله محسّنًا بدرجة كبيرة لوحدات GPU من NVIDIA مثل T4 وV100. إلا أن اعتماده الكبير على منظومة PaddlePaddle قد يفرض صعوبات على المطورين المتمرسين في سير عمل PyTorch.

بنية YOLO26: ثورة الحافة أولًا#

أُطلق Ultralytics YOLO26 في أوائل عام 2026، وأعاد تصور خط أنابيب الكشف الآني بالكامل، مع تركيز هائل على بساطة النشر وكفاءة الحافة.

تشمل أبرز ابتكارات YOLO26 ما يلي:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يعمل YOLO26 بطبيعته من البداية إلى النهاية، ويلغي تمامًا الحاجة إلى المعالجة اللاحقة لكبح القيم العظمى غير ( NMS ). وقد ضمنت هذه النقلة النوعية، التي ابتُكرت أولًا في YOLOv10، زمن استدلال ثابتًا بغض النظر عن كثافة المشهد، ما يجعل النشر أبسط بكثير.
• إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يبسّط YOLO26 رأس المخرجات بدرجة كبيرة. وينتج عن ذلك توافق أفضل بكثير مع الأجهزة الطرفية والمتحكمات الدقيقة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات البنيوية، جرى تحسين YOLO26 بدرجة كبيرة للبيئات التي لا تحتوي على وحدات GPU مخصصة، إذ يحقق سرعات استدلال أعلى بنسبة تصل إلى 43% على وحدات CPU مقارنةً بـ YOLO11.
• مُحسِّن MuSGD: مستلهمًا من تقنيات تدريب LLM المتقدمة، مثل تلك التي طورتها Moonshot AI، يقدّم YOLO26 مزيجًا من SGD وMuon. ويوفّر ذلك استقرارًا تدريبيًا لا مثيل له وتقاربًا أسرع لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: تستهدف دوال الخسارة المتقدمة هذه التعرف على الأجسام الصغيرة وتحسّنه تحديدًا، وهو أمر بالغ الأهمية لـعمليات الطائرات المسيّرة ومستشعرات IoT الطرفية.

الأداء والمقاييس#

يقدّم الجدول أدناه نظرة شاملة على مقارنة PP-YOLOE+ بـ YOLO26 عبر أحجام نماذج مختلفة. وتتفوّق نماذج YOLO26 بوضوح في السرعة الخام وكفاءة المعلمات ومتوسط الدقة المتوسطة ( mAP ) الإجمالي.

ملاحظة: تبرز القيم الغامقة مقاييس الأداء الأفضل عبر جميع النماذج.

التحليل#

• متطلبات الذاكرة والكفاءة: يتطلب YOLO26 عددًا أقل بكثير من المعلمات وعمليات FLOPs لتحقيق درجات mAP أعلى. فعلى سبيل المثال، يحقق نموذج YOLO26n (Nano) قيمة mAP تبلغ 40.9 باستخدام 2.4M معلمة فقط، متفوقًا على نموذج PP-YOLOE+t مع كونه يقارب نصف حجمه. ويؤدي ذلك إلى انخفاض استهلاك الذاكرة أثناء كل من التدريب والنشر.
• سرعة الاستدلال: عند التصدير باستخدام TensorRT، يتفوّق YOLO26 في مقاييس زمن الاستجابة. وتضمن إزالة NMS بقاء زمن الاستدلال البالغ 1.7ms على وحدة GPU من طراز T4 مستقرًا تمامًا، بينما يعتمد PP-YOLOE+ على أزمنة معالجة لاحقة قد تكون متغيرة.

ميزة Ultralytics: النظام البيئي وسهولة الاستخدام#

رغم أهمية المقاييس الخام، غالبًا ما تحدد تجربة المطور نجاح المشروع. وتوفّر منصة Ultralytics منظومة مُدارة جيدًا تتفوّق تفوقًا كاملًا على أطر العمل الأقدم.

1. سهولة الاستخدام: تخفي Ultralytics عن المستخدم تعقيدات الشيفرة البرمجية النمطية. ولا يتطلب تدريب YOLO26 سوى بضعة أسطر من Python، متجنبًا ملفات الإعدادات الكثيفة اللازمة لـ PP-YOLOE+.
2. التعددية: تُعد PP-YOLOE+ بنية مخصصة أساسًا لـاكتشاف الأجسام. بينما يوفّر YOLO26 دعمًا جاهزًا للتجزئة والتصنيف وتقدير الوضعيات وOBB.
3. كفاءة التدريب: تتطلب نماذج YOLO من Ultralytics ذاكرة CUDA أقل بكثير مقارنةً بـنماذج Transformer الضخمة مثل RT-DETR أو البنى المعمارية الأقدم، ما يتيح للباحثين تدريب نماذج متقدمة على أجهزة بمستوى الأجهزة الاستهلاكية.

مثال برمجي: تدريب YOLO26#

يُعد البدء باستخدام Ultralytics سلسًا. فيما يلي مثال قابل للتشغيل بالكامل يوضّح 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 مندمجة بعمق بالفعل في حزمة تقنيات Baidu وتستخدم أجهزة مهيأة مسبقًا لـ Paddle Inference، فإن PP-YOLOE+ يُعد خيارًا آمنًا ومستقرًا.
• مراكز التصنيع الآسيوية: تتمتع العديد من مسارات عمل الرؤية الصناعية في آسيا بدعم قوي قائم مسبقًا لـ PP-YOLOE+ في الكشف الآلي عن العيوب.

متى تختار YOLO26#

• الحوسبة الطرفية وإنترنت الأشياء: يجعل الاستدلال على CPU الأسرع بنسبة 43% وإزالة DFL من YOLO26 البطل بلا منازع للنشر على Raspberry Pis والهواتف المحمولة والأجهزة المضمنة.
• المشاهد المزدحمة والمدن الذكية: تضمن بنية من البداية إلى النهاية والخالية من NMS زمن استجابة مستقرًا في البيئات الكثيفة مثل إدارة مواقف السيارات ومراقبة حركة المرور، حيث قد يتسبب NMS التقليدي في اختناقات.
• المشاريع متعددة المهام: إذا كان مسار عملك يتطلب تتبع الأجسام أو تقدير الوضعيات البشرية أو إنشاء أقنعة دقيقة على مستوى البكسل، فإن YOLO26 يتولى كل ذلك ضمن حزمة Python موحدة واحدة.

الخلاصة#

مع أن PP-YOLOE+ لا يزال كاشفًا عالي الكفاءة ضمن منظومته المحددة، فإن إصدار YOLO26 قد غيّر النموذج السائد. فمن خلال الجمع بين تحسينات التدريب المستوحاة من LLM (MuSGD) وبنية محسّنة بلا هوادة وخالية من NMS، أنشأت Ultralytics نموذجًا يجمع بين الدقة العالية وسهولة النشر. وبالنسبة إلى المطورين العصريين الذين يبحثون عن أفضل توازن بين السرعة والدقة وتجربة المطور، فإن YOLO26 هو الخيار الحاسم.