مقارنة بين PP-YOLOE+ وYOLO26#

شهد مشهد الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً، مدفوعاً بالحاجة إلى نماذج كشف كائنات قابلة للتوسع، وفعالة، وعالية الدقة. وهناك نموذجان بارزان في هذا المجال هما PP-YOLOE+، وهو كاشف قوي من نظام PaddlePaddle البيئي، و Ultralytics YOLO26، وهو أحدث طراز متطور يعيد تعريف النشر على الحافة وكفاءة التدريب.

يقدم هذا الدليل الشامل مقارنة بين هذين النموذجين، مسلطاً الضوء على بنياتهما، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثالية لمساعدتك في اتخاذ قرار مستنير لمشروعك القادم في مجال الذكاء الاصطناعي.

المواصفات الفنية والتأليف#

يوفر فهم الأصول وفلسفات التصميم الكامنة وراء هذه النماذج سياقاً حاسماً لتطبيقاتها في العالم الحقيقي.

تفاصيل PP-YOLOE+:

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

اعرف المزيد عن PP-YOLOE+

تفاصيل YOLO26:

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 14 يناير 2026
• GitHub: مستودع Ultralytics
• المستندات: توثيق YOLO26

تعرف على المزيد حول YOLO26

الابتكارات المعمارية#

بنية PP-YOLOE+#

بناءً على سابقه PP-YOLOv2، يقدم PP-YOLOE+ تصميماً قوياً مخصصاً للتطبيقات الصناعية. وهو يتيح استخدام الهيكل الأساسي CSPRepResNet ورأس ET (رأس موجه للمهام الفعالة) لتحقيق التوازن بين السرعة والدقة. يستخدم PP-YOLOE+ تعيين التسميات الديناميكي (TAL) ويتكامل بسلاسة مع إطار عمل PaddlePaddle من بايدو، مما يجعله مُحسّناً بشكل كبير لوحدات معالجة الرسومات من NVIDIA مثل T4 وV100. ومع ذلك، فإن اعتماده الكبير على النظام البيئي لـ PaddlePaddle يمكن أن يمثل عائقاً للمطورين المعتمدين على سير عمل PyTorch.

بنية YOLO26: ثورة الحافة أولاً#

تم إصدار Ultralytics YOLO26 في أوائل عام 2026، وهو يعيد تصور خط أنابيب الكشف في الوقت الفعلي بالكامل، مع تركيز هائل على بساطة النشر وكفاءة الحافة.

تشمل ابتكارات YOLO26 الرئيسية ما يلي:

• تصميم خالٍ من NMS من البداية إلى النهاية: يتميز YOLO26 بأنه يعمل من البداية إلى النهاية بشكل أصلي، مما يزيل تماماً الحاجة إلى المعالجة اللاحقة لقمع الحد الأقصى غير (NMS). هذا الإنجاز، الذي تم ريادته لأول مرة في YOLOv10، يضمن زمن انتقال استدلال متسق بغض النظر عن ازدحام المشهد، مما يجعل النشر أسهل بكثير.
• إزالة DFL: من خلال إزالة توزيع خسارة التركيز (DFL)، يبسط YOLO26 رأس الإخراج الخاص به بشكل كبير. وهذا يؤدي إلى توافق أفضل بكثير مع أجهزة الحافة والمتحكمات الدقيقة.
• استدلال أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات الهيكلّية، تم تحسين YOLO26 بشكل كبير للبيئات التي لا تحتوي على وحدات معالجة رسومات مخصصة، مما يحقق سرعات استدلال أسرع بنسبة تصل إلى 43% على وحدات المعالجة المركزية مقارنة بـ YOLO11.
• محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة المتقدمة مثل تلك الخاصة بـ Moonshot AI، يقدم YOLO26 مزيجاً هجيناً من SGD وMuon. وهذا يتيح استقراراً لا مثيل له في التدريب وتقارباً أسرع لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: تستهدف وظائف الخسارة المتقدمة وتعمل على تحسين التعرف على الكائنات الصغيرة بشكل خاص، وهو أمر بالغ الأهمية لـ عمليات الطائرات بدون طيار ومستشعرات حافة إنترنت الأشياء.

الأداء والمقاييس#

يوفر الجدول أدناه نظرة شاملة حول كيفية مقارنة PP-YOLOE+ بـ YOLO26 عبر أحجام النماذج المختلفة. تسيطر نماذج YOLO26 بوضوح في السرعة الخام، وكفاءة المعلمات، وإجمالي متوسط دقة المتوسط (mAP).

ملاحظة: القيم الغامقة تسلط الضوء على أفضل المقاييس أداءً عبر جميع النماذج.

تحليل#

• متطلبات الذاكرة والكفاءة: يتطلب YOLO26 معلمات وعمليات فاصلة عائمة (FLOPs) أقل بكثير لتحقيق درجات mAP أعلى. على سبيل المثال، يحقق نموذج YOLO26n (Nano) قيمة mAP تبلغ 40.9 مع 2.4 مليون معلمة فقط، متفوقاً على نموذج PP-YOLOE+t مع كون حجمه حوالي النصف. وهذا يترجم إلى استهلاك أقل للذاكرة أثناء كل من التدريب والنشر.
• سرعة الاستدلال: عند تصديره باستخدام TensorRT، يهيمن YOLO26 على مقاييس زمن الانتقال. تضمن إزالة NMS أن يظل وقت الاستدلال البالغ 1.7 مللي ثانية على وحدة معالجة رسومات T4 مستقراً تماماً، بينما يعتمد PP-YOLOE+ على أوقات معالجة لاحقة قد تكون متغيرة.

ميزة Ultralytics: النظام البيئي وسهولة الاستخدام#

في حين أن المقاييس الخام مهمة، فإن تجربة المطور غالباً ما تحدد نجاح المشروع. توفر منصة Ultralytics نظاماً بيئياً مُصاناً جيداً يتفوق تماماً على الأطر القديمة.

1. سهولة الاستخدام: تقوم Ultralytics بتجريد الكود المعقد. يستغرق تدريب YOLO26 بضعة أسطر فقط من Python، مما يتجنب ملفات التكوين الكثيفة المطلوبة بواسطة PP-YOLOE+.
2. التنوع: يُعد PP-YOLOE+ في المقام الأول هيكل اكتشاف كائنات. بينما يوفر YOLO26 دعماً جاهزاً للتجزئة، والتصنيف، وتقدير الوضعية، وOBB.
3. كفاءة التدريب: تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير مقارنة بـ نماذج المحولات الضخمة مثل RT-DETR أو الهياكل القديمة، مما يُمكّن الباحثين من تدريب نماذج متطورة على الأجهزة الاستهلاكية.

مثال كودي: تدريب YOLO26#

البدء مع Ultralytics أمر سلس. إليك مثال قابل للتشغيل بالكامل يوضح كيفية تحميل وتدريب والتحقق من صحة نموذج YOLO26:

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+#

• بنية PaddlePaddle القديمة: إذا كانت المؤسسة مندمجة بالفعل بعمق في مكدس تكنولوجيا Baidu وتستخدم أجهزة مُعدة مسبقاً لـ Paddle Inference، فإن PP-YOLOE+ هو خيار آمن ومستقر.
• مراكز التصنيع الآسيوية: تمتلك العديد من خطوط أنابيب الرؤية الصناعية في آسيا دعماً قوياً ومسبقاً لـ PP-YOLOE+ في الكشف الآلي عن العيوب.

متى تختار YOLO26#

• حوسبة الحافة وإنترنت الأشياء: تجعل سرعة الاستدلال الأسرع بنسبة 43% على وحدة المعالجة المركزية وإزالة DFL نموذج YOLO26 البطل بلا منازع للنشر على Raspberry Pis والهواتف المحمولة والأجهزة المدمجة.
• المشاهد المزدحمة والمدن الذكية: تضمن بنية End-to-End NMS-Free زمناً انتقالياً مستقراً في البيئات الكثيفة مثل إدارة وقوف السيارات ومراقبة حركة المرور، حيث يتسبب NMS التقليدي في اختناقات.
• مشاريع المهام المتعددة: إذا كان خط الأنابيب الخاص بك يتطلب تتبع الكائنات، أو تقدير أوضاع البشر، أو إنشاء أقنعة دقيقة للبكسل، فإن YOLO26 يتعامل مع كل ذلك ضمن حزمة Python واحدة موحدة.

الخلاصة#

بينما يظل PP-YOLOE+ كاشفاً قادراً للغاية ضمن نظامه البيئي الخاص، فقد غير إصدار YOLO26 النموذج. من خلال الجمع بين تحسينات التدريب المستوحاة من LLM (MuSGD) وبنية مُحسنة بلا هوادة وخالية من NMS، أنشأت Ultralytics نموذجاً يتسم بدقة عالية وسهولة في النشر. بالنسبة للمطورين المعاصرين الذين يبحثون عن أفضل توازن بين السرعة والدقة وتجربة المطور، يعد YOLO26 هو الخيار النهائي.