PP-YOLOE+ مقابل YOLO26: نظرة متعمقة على بنى الكشف عن الكائنات في الوقت الفعلي
شهد مجال الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً، مدفوعاً بالحاجة إلى نماذج قابلة للتطوير وفعالة وعالية الدقة للكشف عن الأجسام. ومن بين البنى المتميزة في هذا المجال PP-YOLOE+، وهو كاشف قوي من PaddlePaddle و Ultralytics ، أحدث نموذج متطور يعيد تعريف كفاءة النشر والتدريب المتطور.
يقارن هذا الدليل الشامل بين هذين النموذجين، ويسلط الضوء على هياكلهما ومقاييس أدائهما ومنهجيات التدريب وحالات الاستخدام المثالية لمساعدتك في اتخاذ قرار مستنير بشأن مشروع الذكاء الاصطناعي التالي.
المواصفات الفنية والمؤلف
إن فهم الأصول والفلسفات التصميمية الكامنة وراء هذه النماذج يوفر سياقًا مهمًا لتطبيقها في العالم الواقعي.
تفاصيل PP-YOLOE+:
- المؤلفون: مؤلفو PaddlePaddle
- المؤسسة:بايدو
- التاريخ: 2 أبريل 2022
- أرشيف:https://arxiv.org/abs/2203.16250
- GitHub:مستودع PaddleDetection
- الوثائق:وثائق PP-YOLOE+
تفاصيل YOLO26:
- المؤلفون: غلين جوشر وجينغ تشيو
- المؤسسة:Ultralytics
- التاريخ: 14 يناير 2026
- GitHub:Ultralytics Repository
- الوثائق:وثائق YOLO26
الابتكارات المعمارية
بنية PP-YOLOE+
بناءً على سابقه PP-YOLOv2، يقدم PP-YOLOE+ تصميمًا قويًا مصممًا خصيصًا للتطبيقات الصناعية. وهو يستفيد من العمود الفقري CSPRepResNet ورأس ET (رأس فعال ومتوافق مع المهام) لتحقيق التوازن بين السرعة والدقة. يستخدم PP-YOLOE+ التعيين الديناميكي للعلامات (TAL) ويتكامل بسلاسة مع PaddlePaddle من Baidu، مما يجعله محسّنًا للغاية لمعالجات NVIDIA مثل T4 و V100. ومع ذلك، فإن اعتماده الكبير على PaddlePaddle يمكن أن يمثل عائقًا للمطورين المتمرسين في PyTorch .
YOLO26 Architecture: ثورة "الحدود أولاً"
تم إصدار Ultralytics في أوائل عام 2026، وهو يعيد تصور خط أنابيب الكشف في الوقت الفعلي بشكل كامل، مع التركيز بشكل كبير على بساطة النشر وكفاءة الحافة.
تشمل ابتكارات YOLO26 الرئيسية ما يلي:
- تصميم شامل NMS: YOLO26 هو نظام شامل بطبيعته، مما يلغي تمامًا الحاجة إلى تقنية Non-Maximum Suppression (NMS). هذا الاختراق، الذي تم ابتكاره لأول مرة في YOLOv10، يضمن زمن استدلال ثابتًا بغض النظر عن ازدحام المشهد، مما يجعل النشر أسهل بكثير.
- إزالة DFL: من خلال إزالة فقدان بؤرة التوزيع (DFL)، يبسط YOLO26 رأس الإخراج بشكل كبير. وينتج عن ذلك توافق أفضل بكثير مع الأجهزة الطرفية والميكروكونترولر.
- CPU أسرع بنسبة تصل إلى 43٪ CPU : بفضل إزالة DFL والتحسينات الهيكلية، تم تحسين YOLO26 بشكل كبير للبيئات التي لا تحتوي على وحدات معالجة رسومات مخصصة، مما يحقق سرعات استنتاج أسرع بنسبة تصل إلى 43٪ على وحدات المعالجة المركزية مقارنة بـ YOLO11.
- MuSGD Optimizer: مستوحاة من تقنيات التدريب المتقدمة LLM مثل تلك المستخدمة في Moonshot AI، تقدم YOLO26 مزيجًا من SGD Muon. وهذا يوفر استقرارًا لا مثيل له في التدريب وتقاربًا أسرع لمهام الرؤية الحاسوبية.
- ProgLoss + STAL: وظائف الخسارة المتقدمة تستهدف وتحسن بشكل خاص التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لعمليات الطائرات بدون طيار وأجهزة استشعار حافة إنترنت الأشياء.
تحسينات محددة للمهام في YOLO26
بالإضافة إلى المربعات المحددة القياسية، يقدم YOLO26 تحسينات محددة في جميع مهام الرؤية. فهو يستخدم خسارة التجزئة الدلالية والنماذج الأولية متعددة المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضع، وخسارة زاوية متخصصة لحل مشكلات الحدود في الكشف عن المربعات المحددة الموجهة (OBB).
الأداء والمقاييس
يقدم الجدول أدناه نظرة شاملة على مقارنة PP-YOLOE+ مع YOLO26 عبر مختلف أحجام النماذج. من الواضح أن نماذج YOLO26 تتفوق في السرعة الخام وكفاءة المعلمات ومتوسط الدقة الإجمالي (mAP).
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
ملاحظة: تبرز القيم المكتوبة بالخط العريض المقاييس الأفضل أداءً في جميع النماذج.
تحليل
- متطلبات الذاكرة والكفاءة: يتطلب YOLO26 عددًا أقل بكثير من المعلمات وعمليات FLOP لتحقيق mAP أعلى. على سبيل المثال، يحقق نموذج YOLO26n (Nano) 40.9 mAP 2.4 مليون معلمة فقط، متفوقًا على نموذج PP-YOLOE+t مع كونه أصغر بحوالي النصف. وهذا يعني استخدام أقل للذاكرة أثناء التدريب والنشر.
- سرعة الاستدلال: عند التصدير باستخدام TensorRT، يهيمن YOLO26 على مقاييس زمن الوصول. NMS إزالة NMS أن GPU زمن الاستدلال البالغ 1.7 مللي ثانية على GPU T4 مستقرًا تمامًا، في حين يعتمد PP-YOLOE+ على أزمنة معالجة لاحقة قد تكون متغيرة.
Ultralytics : النظام البيئي وسهولة الاستخدام
على الرغم من أهمية المقاييس الأولية، غالبًا ما تحدد تجربة المطور نجاح المشروع. Ultralytics نظامًا بيئيًا جيد الصيانة يتفوق تمامًا على الأطر القديمة.
- سهولة الاستخدام: Ultralytics الكود النمطي المعقد. لا يتطلب تدريب YOLO26 سوى بضع أسطر من Python، مما يتيح تجنب ملفات التكوين الكثيفة التي يتطلبها PP-YOLOE+.
- تعدد الاستخدامات: PP-YOLOE+ هي في الأساس بنية للكشف عن الأشياء. يوفر YOLO26 دعمًا جاهزًا للتجزئة والتصنيف وتقدير الوضع و OBB.
- كفاءة التدريب: تتطلبYOLO Ultralytics YOLO CUDA أقل بكثير مقارنة بنماذج المحولات الضخمة مثل RT-DETR أو البنى القديمة، مما يتيح للباحثين تدريب نماذج متطورة على أجهزة من فئة المستهلكين.
Ultralytics الأخرى
في حين أن YOLO26 يمثل قمة الأبحاث الحالية، فإن نظام Ultralytics يضم أيضًا YOLO11 و YOLOv8. وكلاهما لا يزالان نموذجين عاليي الكفاءة يحظيان بدعم كبير من المجتمع، وهما مثاليان للمستخدمين الذين ينتقلون من أنظمة قديمة.
مثال على الكود: تدريب YOLO26
البدء في Ultralytics سهل Ultralytics . فيما يلي مثال قابل للتشغيل بالكامل يوضح 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+
- PaddlePaddle القديمة PaddlePaddle : إذا كانت المؤسسة مدمجة بالفعل في مجموعة تقنيات Baidu وتستخدم أجهزة معدة مسبقًا لـ Paddle Inference، فإن PP-YOLOE+ يعد خيارًا آمنًا ومستقرًا.
- مراكز التصنيع الآسيوية: تتمتع العديد من خطوط الإنتاج الصناعية في آسيا بدعم قوي ومسبق لـ PP-YOLOE+ في الكشف الآلي عن العيوب.
متى تختار YOLO26
- الحوسبة الطرفية وإنترنت الأشياء: بفضل سرعة CPU التي تزيد بنسبة 43٪ وإزالة DFL، أصبح YOLO26 البطل بلا منازع في مجال النشر على أجهزة Raspberry Pi والهواتف المحمولة والأجهزة المدمجة.
- المشاهد المزدحمة والمدن الذكية: تضمن بنية NMS الشاملة استقرار زمن الاستجابة في البيئات المكتظة مثل إدارة مواقف السيارات ومراقبة حركة المرور، حيث NMS التقليدية NMS اختناقات.
- مشاريع متعددة المهام: إذا كان خط الإنتاج الخاص بك يتطلب تتبع الكائنات أو تقدير أوضاع البشر أو إنشاء أقنعة دقيقة للغاية، فإن YOLO26 يتولى كل ذلك ضمن Python واحدة موحدة.
الخلاصة
في حين أن PP-YOLOE+ لا يزال كاشفًا عالي الكفاءة ضمن نظامه البيئي المحدد، إلا أن إصدار YOLO26 قد غيّر النموذج السائد. من خلال الجمع بين تحسينات التدريب المستوحاة من LLM (MuSGD) والبنية المُحسّنة باستمرار NMS Ultralytics نموذجًا عالي الدقة وسهل النشر. بالنسبة للمطورين المعاصرين الذين يبحثون عن أفضل توازن بين السرعة والدقة وتجربة المطور، فإن YOLO26 هو الخيار الأمثل.