ابدأ

PP-YOLOE+ مقابل YOLO26

شهدت الرؤية الحاسوبية الآنية نموًا سريعًا مدفوعًا بالحاجة إلى نماذج قابلة للتوسّع وفعالة ودقيقة للكشف عن الأجسام. ومن البنى البارزة في هذا المجال PP-YOLOE+، وهو كاشف من منظومة PaddlePaddle، وUltralytics YOLO26، أحدث نماذج Ultralytics، المصمم للنشر الطرفي وكفاءة التدريب.

يقارن هذا الدليل بين النموذجين، مع تسليط الضوء على بنيتيهما ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثالية، لمساعدتك على اتخاذ قرار مستنير بشأن مشروع الذكاء الاصطناعي القادم.

المواصفات التقنية والجهة المؤلفة#

توفر أصول هذه النماذج وفلسفات تصميمها سياقًا مفيدًا لفهم تطبيقاتها في العالم الحقيقي.

تفاصيل PP-YOLOE+ :

تعرّف على المزيد حول PP-YOLOE+

تفاصيل YOLO26:

ابتكارات البنية#

بنية PP-YOLOE+#

استنادًا إلى PP-YOLOE وإلى PP-YOLOv2 الأسبق، يقدم PP-YOLOE+ تصميمًا متينًا ملائمًا للتطبيقات الصناعية. ويستخدم العمود الفقري CSPRepResNet ورأس ET (رأس متوافق مع المهام وفعّال) لتحقيق التوازن بين السرعة والدقة. كما يستخدم PP-YOLOE+ إسناد التسميات الديناميكي (TAL) ويتكامل بإحكام مع إطار عمل PaddlePaddle من Baidu، ما يجعله محسّنًا بدرجة كبيرة لوحدات GPU من NVIDIA مثل T4 وV100. لكن اعتماده الكبير على منظومة PaddlePaddle قد يسبب صعوبات للمطوّرين المعتادين على مسارات عمل PyTorch.

بنية YOLO26: تصميم يبدأ من الأجهزة الطرفية#

أُطلق Ultralytics YOLO26 في يناير 2026، وأعاد تصميم مسار الكشف الآني مع تركيز كبير على بساطة النشر والكفاءة الطرفية.

تشمل أبرز ابتكارات YOLO26 ما يلي:

  • تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يدعم YOLO26 الاستدلال الأصلي الشامل من البداية إلى النهاية (nms=False)، مستغنيًا عن المعالجة اللاحقة باستخدام القمع غير الأقصى (NMS). ويحافظ هذا النهج، الذي ظهر أول مرة في YOLOv10، على اتساق زمن الاستدلال بصرف النظر عن كثافة المشهد، ما يبسّط النشر بدرجة كبيرة.
  • إزالة DFL: من خلال حذف خسارة البؤرة التوزيعية (DFL)، يبسّط YOLO26 رأس الإخراج لديه ويحسّن التوافق مع الأجهزة الطرفية منخفضة الطاقة.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات الهيكلية، جرى تحسين YOLO26 للبيئات التي لا تتوفر فيها وحدات GPU مخصصة، إذ يحقق YOLO26n سرعات استدلال على CPU أعلى بنسبة تصل إلى 43% مقارنةً بـ YOLO11n.
  • مُحسِّن MuSGD: استلهامًا من تقنيات تدريب LLM المتقدمة، مثل تقنيات Moonshot AI، يقدم YOLO26 مزيجًا هجينًا من SGD وMuon. ويوفر ذلك تدريبًا مستقرًا وتقاربًا أسرع لمهام الرؤية الحاسوبية.
  • ProgLoss + STAL: تستهدف الخسارة التدريجية وإسناد التسميات الواعي بالأهداف الصغيرة التعرّف على الأجسام الصغيرة وتحسّنه تحديدًا، وهو أمر بالغ الأهمية لمستشعرات إنترنت الأشياء الطرفية وصور الطائرات المسيّرة، مثل مجموعة بيانات VisDrone.
تحسينات خاصة بالمهام في YOLO26

بالإضافة إلى مربعات الإحاطة التقليدية، يقدم YOLO26 ترقيات محددة في جميع مهام الرؤية. فهو يستخدم خسارة التقسيم الدلالي والنمذجة الأولية متعددة المقاييس لـالتقسيم، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـتقدير الوضعية، وخسارة زاوية متخصصة لمعالجة مشكلات الحدود في كشف مربع الإحاطة الموجّه (OBB).

الأداء والمقاييس#

يقدم الجدول أدناه مقارنة شاملة بين PP-YOLOE+ وYOLO26 عبر أحجام مختلفة من النماذج. وتتفوق نماذج YOLO26 في السرعة الخام وكفاءة المعلمات ومتوسط الدقة (mAP) إجمالًا.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

ملاحظة: تشير القيم العريضة إلى المقياس الأفضل ضمن كل زوج من النماذج المتقاربة في الحجم.

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 2.4 مليون معلمة فقط، متفوقًا على نموذج PP-YOLOE+t مع أن حجمه يقارب نصف حجمه. ويؤدي ذلك إلى خفض استخدام الذاكرة أثناء التدريب والنشر.
  • سرعة الاستدلال: يتصدر YOLO26 مقاييس زمن الاستجابة عند تصديره باستخدام TensorRT. ويحافظ الرأس أحادي المطابقة الخالي من NMS (nms=False، المستخدم في هذه المقارنات المعيارية) على استقرار زمن الاستدلال البالغ 1.7ms على GPU من طراز T4، بينما يعتمد PP-YOLOE+ على أزمنة معالجة لاحقة قد تتغير.

ميزة Ultralytics: المنظومة وسهولة الاستخدام#

مع أهمية المقاييس الخام، غالبًا ما تحدد تجربة المطوّر نجاح المشروع. وتوفر منصة Ultralytics منظومة ذات صيانة جيدة وأسهل بكثير في الاستخدام من أطر العمل الأقدم.

  1. سهولة الاستخدام: تخفي Ultralytics تعقيدات التعليمات البرمجية النمطية. ولا يتطلب تدريب YOLO26 سوى بضعة أسطر من Python، ما يجنب المطورين ملفات الإعدادات المفصلة التي يتطلبها PP-YOLOE+.
  2. تعدد الاستخدامات: تُعد PP-YOLOE+ بنية مخصصة أساسًا لـكشف الأجسام. أما YOLO26 فيوفر دعمًا جاهزًا للتقسيم والتصنيف وتقدير الوضعية وOBB.
  3. كفاءة التدريب: تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير من نماذج المحوّلات الضخمة مثل RT-DETR أو البنى الأقدم، ما يتيح للباحثين تدريب نماذج دقيقة على أجهزة استهلاكية.
نماذج Ultralytics الأخرى

مع أن YOLO26 هو الخيار الافتراضي الموصى به، تضم منظومة Ultralytics أيضًا YOLO11 وYOLOv8. ولا يزال كلاهما نموذجًا كفؤًا يحظى بدعم واسع من المجتمع، ويناسبان المستخدمين الذين يتولون صيانة الأنظمة القائمة.

مثال برمجي: تدريب YOLO26#

البدء باستخدام Ultralytics أمر يسير. فيما يلي مثال قابل للتشغيل يوضح كيفية تحميل نموذج YOLO26 وتدريبه وتصديره:

from ultralytics import YOLO

# Load the 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="MuSGD",  # hybrid SGD + Muon optimizer
)

# Export 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 لـPaddlePaddle: إذا كانت مؤسسة ما تعتمد بالفعل اعتمادًا عميقًا على مجموعة تقنيات Baidu وتستخدم أجهزة مهيأة مسبقًا لـPaddle Inference، فإن PP-YOLOE+ خيار آمن ومستقر.
  • خطوط الإنتاج الحالية المعتمدة على Paddle: يمكن لمسارات عمل الرؤية الصناعية التي تستخدم PP-YOLOE+ بالفعل للكشف الآلي عن العيوب مواصلة استخدام أدواتها الراسخة.

متى تختار YOLO26#

  • الحوسبة الطرفية وإنترنت الأشياء: تجعل سرعة الاستدلال على CPU، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، وإزالة DFL من YOLO26 خيارًا ملائمًا للنشر على لوحات Raspberry Pi والهواتف المحمولة والأجهزة المضمنة.
  • المشاهد المزدحمة والمدن الذكية: تحافظ بنية الشاملة من البداية إلى النهاية والخالية من NMS على استقرار زمن الاستجابة في البيئات الكثيفة مثل إدارة مواقف السيارات ومراقبة حركة المرور، حيث يتسبب NMS التقليدي في اختناقات.
  • المشاريع متعددة المهام: إذا كان مسار عملك يتطلب تتبّع الأجسام أو تقدير الوضعيات البشرية أو إنشاء أقنعة تجزئة دقيقة، فيتولى YOLO26 كل ذلك ضمن حزمة Python موحدة واحدة.

الخلاصة#

على الرغم من أن PP-YOLOE+ يظل كاشفًا كفؤًا ضمن منظومته المحددة، يرفع YOLO26 سقف معايير الكشف الآني. فمن خلال الجمع بين تحسينات التدريب المستوحاة من LLM (MuSGD) وبنية محسّنة خالية من NMS، أنشأت Ultralytics نموذجًا بالغ الدقة وسهل النشر. وللمطوّرين المعاصرين الباحثين عن أفضل توازن بين السرعة والدقة وتجربة المطوّر، يُوصى باستخدام YOLO26.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.