PP-YOLOE+ مقابل YOLO26#

شهد مجال الرؤية الحاسوبية في الزمن الحقيقي نموًا هائلًا، مدفوعًا بالحاجة إلى نماذج لاكتشاف الأجسام قابلة للتوسع وفعالة وعالية الدقة. ومن أبرز البنى المعمارية في هذا المجال PP-YOLOE+، وهو كاشف قوي من منظومة PaddlePaddle، و Ultralytics YOLO26، أحدث نموذج متطور يعيد تعريف النشر على الأجهزة الطرفية وكفاءة التدريب.

يقارن هذا الدليل الشامل بين هذين النموذجين، ويسلط الضوء على بنيتيهما ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثلى، لمساعدتك على اتخاذ قرار مستنير بشأن مشروع الذكاء الاصطناعي القادم.

المواصفات التقنية والجهة المؤلفة#

يوفر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا أساسيًا لتطبيقها في العالم الحقيقي.

تفاصيل PP-YOLOE+ :

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

تعرّف على المزيد حول PP-YOLOE+

تفاصيل YOLO26:

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

ابتكارات البنية#

بنية PP-YOLOE+#

بُني PP-YOLOE+ على النموذج السابق PP-YOLOv2، ويقدم تصميمًا متينًا ملائمًا للتطبيقات الصناعية. ويستفيد من العمود الفقري CSPRepResNet ورأس ET (رأس متوافق مع المهام وفعال) لتحقيق التوازن بين السرعة والدقة. ويستخدم PP-YOLOE+ إسناد التسميات الديناميكي (TAL)، ويتكامل بسلاسة مع إطار عمل PaddlePaddle من Baidu، ما يجعله محسّنًا بدرجة كبيرة لوحدات GPU من NVIDIA مثل T4 وV100. غير أن اعتماده الكبير على منظومة PaddlePaddle قد يشكل عائقًا أمام المطورين المعتادين على سير عمل PyTorch.

بنية YOLO26: ثورة تضع الأجهزة الطرفية أولًا#

أُطلق Ultralytics YOLO26 في مطلع عام 2026، وأعاد ابتكار مسار الكشف في الوقت الفعلي بالكامل، مع تركيز كبير على بساطة النشر وكفاءة الأجهزة الطرفية.

تشمل أبرز ابتكارات YOLO26 ما يلي:

• تصميم شامل من دون NMS: يدعم YOLO26 الاستدلال الشامل الأصلي (nms=False)، ويلغي الحاجة إلى المعالجة اللاحقة عبر الكبت غير الأقصى (NMS). ويضمن هذا الإنجاز، الذي رُوّج له أول مرة في YOLOv10، ثبات زمن الاستدلال بصرف النظر عن كثافة المشهد، ما يجعل النشر أبسط بكثير.
• إزالة DFL: عبر إزالة Distribution Focal Loss (DFL)، يبسط YOLO26 رأس الإخراج إلى حد كبير. وينتج عن ذلك توافق أفضل بكثير مع الأجهزة الطرفية والمتحكمات الدقيقة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات البنيوية، حُسّن YOLO26 بدرجة كبيرة للبيئات التي لا تتوفر فيها وحدات GPU مخصصة، محققًا سرعات استدلال على وحدات CPU أعلى بنسبة تصل إلى 43% مقارنة بـYOLO11.
• محسّن MuSGD: استلهامًا من تقنيات تدريب النماذج اللغوية الكبيرة المتقدمة، مثل التقنيات التي طورتها Moonshot AI، يقدم YOLO26 مزيجًا هجينًا من SGD وMuon. ويوفر ذلك استقرارًا فائقًا للتدريب وتقاربًا أسرع لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: تستهدف دوال الخسارة المتقدمة هذه التعرف على الأجسام الصغيرة وتحسّنه، وهو أمر بالغ الأهمية لـعمليات الطائرات المسيّرة ومستشعرات إنترنت الأشياء الطرفية.

الأداء والمقاييس#

يقدم الجدول أدناه نظرة شاملة على مقارنة PP-YOLOE+ مع YOLO26 عبر أحجام النماذج المختلفة. تتفوق نماذج YOLO26 بوضوح من حيث السرعة الخام وكفاءة المعلمات ومتوسط الدقة المتوسطة (mAP) الإجمالي.

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: يتفوق YOLO26 في مقاييس زمن الاستجابة عند تصديره باستخدام TensorRT. ويضمن الرأس أحادي المطابقة الخالي من NMS (nms=False، والمستخدم لهذه المعايير) استقرار زمن الاستدلال البالغ 1.7 مللي ثانية على وحدة GPU من طراز T4، بينما يعتمد PP-YOLOE+ على أزمنة معالجة لاحقة قد تتفاوت.

ميزة Ultralytics: المنظومة وسهولة الاستخدام#

على الرغم من أهمية المقاييس الخام، فإن تجربة المطورين غالبًا ما تحدد نجاح المشروع. وتوفر منصة Ultralytics منظومة مصانة جيدًا تتفوق تمامًا على 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 مقارنةً بـنماذج المحولات الضخمة مثل RT-DETR أو البنى الأقدم، ما يتيح للباحثين تدريب نماذج متطورة باستخدام أجهزة استهلاكية.

مثال برمجي: تدريب YOLO26#

البدء باستخدام Ultralytics سهل وسلس. إليك مثالًا قابلًا للتنفيذ 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="MuSGD",  # hybrid SGD + Muon optimizer
)

# 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 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.
• مراكز التصنيع الآسيوية: تتمتع العديد من مسارات عمل الرؤية الصناعية في آسيا بدعم راسخ ومسبق لـPP-YOLOE+ في الكشف الآلي عن العيوب.

متى تختار YOLO26#

• الحوسبة الطرفية وإنترنت الأشياء: تجعل سرعة الاستدلال على CPU الأعلى بنسبة 43% وإزالة DFL من YOLO26 الخيار الأبرز بلا منازع للنشر على أجهزة Raspberry Pi والهواتف المحمولة والأجهزة المضمنة.
• المشاهد المزدحمة والمدن الذكية: تضمن بنية شاملة من دون NMS ثبات زمن الاستجابة في البيئات الكثيفة، مثل إدارة مواقف السيارات ومراقبة حركة المرور، حيث قد تؤدي NMS التقليدية إلى اختناقات.
• المشاريع متعددة المهام: إذا كان مسار العمل لديك يتطلب تتبع الأجسام أو تقدير وضعيات الأشخاص 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، فقد غيّر إطلاق YOLO26 النهج السائد. فمن خلال الجمع بين تحسينات التدريب المستوحاة من النماذج اللغوية الكبيرة (MuSGD) وبنية محسّنة بلا هوادة وخالية من NMS، ابتكرت Ultralytics نموذجًا يجمع بين الدقة العالية وسهولة النشر. وبالنسبة إلى المطورين المعاصرين الباحثين عن أفضل توازن بين السرعة والدقة وتجربة المطورين، يُعد YOLO26 الخيار الأمثل بلا منازع.