PP-YOLOE+ مقابل YOLO26: نظرة متعمقة في بنيات اكتشاف الأجسام في الوقت الفعلي

شهد مشهد الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً، مدفوعاً بالحاجة إلى نماذج اكتشاف أجسام قابلة للتوسع، وفعالة، وعالية الدقة. اثنان من أبرز البنيات في هذا المجال هما PP-YOLOE+، وهو كاشف قوي من نظام PaddlePaddle البيئي، و Ultralytics YOLO26، وهو أحدث طراز متطور يعيد تعريف كفاءة النشر على الحافة والتدريب.

يقارن هذا الدليل الشامل بين هذين النموذجين، ويسلط الضوء على بنيتهما، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثالية لمساعدتك في اتخاذ قرار مستنير لمشروع الذكاء الاصطناعي التالي الخاص بك.

المواصفات التقنية والمؤلفون

يوفر فهم الأصول وفلسفات التصميم الكامنة وراء هذه النماذج سياقاً حيوياً 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
• المستندات: توثيق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

تفاصيل YOLO26:

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

اعرف المزيد عن YOLO26

الابتكارات المعمارية

بنية PP-YOLOE+

بُني PP-YOLOE+ على سابقه PP-YOLOv2، ويقدم تصميماً قوياً مصمماً للتطبيقات الصناعية. وهو يستفيد من العمود الفقري CSPRepResNet ورأس ET-head (رأس محاذاة المهام الفعال) للموازنة بين السرعة والدقة. يستخدم PP-YOLOE+ تعيين التسمية الديناميكي (TAL) ويتكامل بسلاسة مع إطار عمل PaddlePaddle من Baidu، مما يجعله محسناً للغاية لوحدات معالجة الرسومات NVIDIA مثل T4 و V100. ومع ذلك، فإن اعتماده الكبير على نظام PaddlePaddle البيئي قد يمثل عائقاً للمطورين المنخرطين في سير عمل PyTorch.

بنية YOLO26: ثورة الحافة أولاً

أُطلق Ultralytics YOLO26 في أوائل عام 2026، وهو يعيد تصور خط أنابيب الاكتشاف في الوقت الفعلي بالكامل، مع التركيز بشكل هائل على بساطة النشر وكفاءة الحافة.

تشمل ابتكارات YOLO26 الرئيسية ما يلي:

• تصميم من طرف إلى طرف خالٍ من NMS: يعتبر YOLO26 نموذجاً أصلياً من طرف إلى طرف (end-to-end)، مما يلغي تماماً الحاجة إلى المعالجة اللاحقة لقمع غير الحد الأقصى (NMS). يضمن هذا الإنجاز، الذي تم ريادته لأول مرة في YOLOv10، استقرار زمن استجابة الاستدلال بغض النظر عن ازدحام المشهد، مما يجعل النشر أبسط بكثير.
• إزالة DFL: من خلال إزالة توزيع خسارة البؤرة (DFL)، يبسط YOLO26 رأس مخرجاته بشكل كبير. ينتج عن ذلك توافق أفضل بكثير مع أجهزة الحافة والمتحكمات الدقيقة.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): بفضل إزالة DFL والتحسينات الهيكلية، 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.
• مُحسِّن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM) المتقدمة مثل تلك الموجودة لدى Moonshot AI، يقدم YOLO26 مزيجاً من SGD و Muon. هذا يجلب استقراراً لا مثيل له في التدريب وتقارباً أسرع لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: تستهدف وظائف الخسارة المتقدمة وتحسن بشكل خاص التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـ عمليات الطائرات بدون طيار ومستشعرات الحافة لإنترنت الأشياء (IoT).

الأداء والمقاييس

يوفر الجدول أدناه نظرة شاملة حول كيفية مقارنة PP-YOLOE+ مع YOLO26 عبر أحجام النماذج المختلفة. تهيمن نماذج YOLO26 بوضوح من حيث السرعة الخام، وكفاءة المعلمات، ومتوسط دقة متوسط (mAP) الإجمالي.

ملاحظة: تبرز القيم الغامقة المقاييس ذات الأداء الأفضل عبر جميع النماذج.

التحليل

• متطلبات الذاكرة والكفاءة: يتطلب YOLO26 عدداً أقل بكثير من المعلمات و FLOPs لتحقيق درجات mAP أعلى. على سبيل المثال، يحقق نموذج YOLO26n (Nano) دقة 40.9 mAP مع 2.4 مليون معلمة فقط، متفوقاً على نموذج PP-YOLOE+t بينما يبلغ حجمه نصف الحجم تقريباً. وهذا يترجم إلى استخدام أقل للذاكرة أثناء كل من التدريب والنشر.
• سرعة الاستدلال: عند التصدير باستخدام TensorRT، يهيمن YOLO26 على مقاييس زمن الاستجابة. تضمن إزالة NMS بقاء وقت الاستدلال البالغ 1.7 مللي ثانية على وحدة معالجة رسومات T4 مستقراً تماماً، في حين يعتمد PP-YOLOE+ على أوقات معالجة لاحقة قد تكون متغيرة.

ميزة Ultralytics: النظام البيئي وسهولة الاستخدام

على الرغم من أهمية المقاييس الخام، إلا أن تجربة المطور غالباً ما تحدد نجاح المشروع. توفر منصة Ultralytics نظاماً بيئياً مُداراً جيداً يتفوق تماماً على الأطر القديمة.

1. سهولة الاستخدام: تقوم Ultralytics بتجريد التعليمات البرمجية المعقدة. يتطلب تدريب YOLO26 بضعة أسطر فقط من Python، مما يتجنب ملفات التكوين الكثيفة المطلوبة بواسطة PP-YOLOE+.
2. تعدد الاستخدامات: PP-YOLOE+ هو في الأساس بنية اكتشاف الأجسام. بينما يوفر YOLO26 دعماً جاهزاً للتجزئة، والتصنيف، وتقدير الوضع، و OBB.
3. كفاءة التدريب: تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير مقارنة بـ نماذج المحولات الضخمة مثل RT-DETR أو البنيات القديمة، مما يمكّن الباحثين من تدريب نماذج متطورة على أجهزة المستهلك العادية.

مثال برمجي: تدريب YOLO26

البدء باستخدام Ultralytics أمر سلس. إليك مثال قابل للتشغيل بالكامل يوضح كيفية تحميل وتدريب والتحقق من 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+

• البنية التحتية القديمة لـ PaddlePaddle: إذا كانت المؤسسة مندمجة بالفعل بعمق في مكدس تكنولوجيا Baidu وتستخدم أجهزة تم تكوينها مسبقاً لـ Paddle Inference، فإن PP-YOLOE+ يعد خياراً آمناً ومستقراً.
• مراكز التصنيع في آسيا: العديد من خطوط أنابيب الرؤية الصناعية في آسيا لديها دعم قوي ومسبق 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 من YOLO26 البطل بلا منازع للنشر على Raspberry Pis، والهواتف المحمولة، والأجهزة المدمجة.
• المشاهد المزدحمة والمدن الذكية: تضمن البنية الخالية من NMS من طرف إلى طرف زمن استجابة مستقراً في البيئات المزدحمة مثل إدارة مواقف السيارات ومراقبة المرور، حيث قد تسبب NMS التقليدية اختناقات.
• مشاريع المهام المتعددة: إذا كان خط أنابيبك يتطلب تتبع الأجسام، أو تقدير أوضاع البشر، أو إنشاء أقنعة مثالية للبكسل، فإن YOLO26 يتعامل مع كل ذلك ضمن حزمة Python واحدة وموحدة.

خاتمة

في حين يظل PP-YOLOE+ كاشفاً عالي القدرة ضمن نظامه البيئي الخاص، فإن إصدار YOLO26 قد غير النموذج الفكري. من خلال الجمع بين تحسينات التدريب المستوحاة من LLM (MuSGD) وبنية محسنة بلا هوادة وخالية من NMS، أنشأت Ultralytics نموذجاً دقيقاً للغاية وسهل النشر. بالنسبة للمطورين المعاصرين الذين يبحثون عن أفضل توازن بين السرعة، والدقة، وتجربة المطور، فإن YOLO26 هو الخيار الحاسم.