Link to this sectionمقارنة بين PP-YOLOE+ وYOLO26#

شهد مجال الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً، مدفوعاً بالحاجة إلى نماذج كشف كائنات قابلة للتوسع، وفعالة، وعالية الدقة. ومن بين أبرز البنيات في هذا المجال نجد PP-YOLOE+، وهو كاشف قوي من نظام PaddlePaddle البيئي، و**Ultralytics YOLO26**، وهو أحدث طراز متطور يعيد تعريف عمليات النشر على الحافة وكفاءة التدريب.

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.

Link to this sectionالمواصفات 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: مستودع PaddleDetection
• الوثائق: وثائق PP-YOLOE+

اعرف المزيد عن PP-YOLOE+

تفاصيل YOLO26:

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

تعرف على المزيد حول YOLO26

Link to this sectionالابتكارات المعمارية#

Link to this sectionبنية PP-YOLOE+#

بُني نموذج PP-YOLOE+ على سلفه PP-YOLOv2، ويقدم تصميماً قوياً مصمماً للتطبيقات الصناعية. وهو يستفيد من العمود الفقري CSPRepResNet ورأس ET (رأس مواءمة المهام بكفاءة) لتحقيق التوازن بين السرعة والدقة. يستخدم PP-YOLOE+ تعيين التسميات الديناميكي (TAL) ويتكامل بسلاسة مع إطار عمل PaddlePaddle الخاص بشركة Baidu، مما يجعله مُحسناً للغاية لوحدات معالجة الرسومات NVIDIA مثل T4 وV100. ومع ذلك، فإن اعتماده الكبير على نظام PaddlePaddle البيئي قد يمثل صعوبة للمطورين المعتمدين على سير عمل PyTorch.

Link to this sectionبنية 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 من طرف إلى طرف بدون NMS: يعمل YOLO26 بشكل أصلي من طرف إلى طرف، مما يلغي تماماً الحاجة إلى معالجة ما بعد الكشف باستخدام كبت غير الحد الأقصى (NMS). هذا الاختراق، الذي تم ريادته لأول مرة في YOLOv10، يضمن استقرار زمن الاستجابة للاستدلال بغض النظر عن ازدحام المشهد، مما يجعل النشر أبسط 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 بنسبة تصل إلى 43% على 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 (CPUs) مقارنة بـ YOLO11.
• مُحسِّن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM) المتقدمة مثل تلك الخاصة بـ Moonshot AI، يقدم YOLO26 هجيناً من SGD وMuon. وهذا يجلب استقراراً لا مثيل له في التدريب وتقارباً أسرع لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: وظائف خسارة متقدمة تستهدف وتحسن بشكل خاص التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ عمليات الطائرات بدون طيار وأجهزة استشعار الحافة لإنترنت الأشياء (IoT).

Link to this sectionالأداء والمقاييس#

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

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

Link to this sectionتحليل#

• متطلبات الذاكرة والكفاءة: يتطلب YOLO26 معلمات وFLOPs أقل بكثير لتحقيق درجات mAP أعلى. على سبيل المثال، يحقق نموذج YOLO26n (Nano) 40.9 mAP مع 2.4 مليون معلمة فقط، متفوقاً على نموذج PP-YOLOE+t مع كونه بحجم أصغر بنسبة تقريبية تبلغ النصف. وهذا يترجم إلى استخدام ذاكرة أقل أثناء كل من التدريب والنشر.
• سرعة الاستدلال: عند التصدير باستخدام TensorRT، يهيمن YOLO26 على مقاييس زمن الاستجابة. 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.

Link to this sectionميزة Ultralytics: النظام البيئي وسهولة الاستخدام#

في حين أن المقاييس الخام مهمة، غالباً ما تحدد تجربة المطور نجاح المشروع. توفر منصة Ultralytics نظاماً بيئياً مُداراً 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: يعتبر PP-YOLOE+ في المقام الأول بنية لـ كشف الكائنات. بينما يوفر YOLO26 دعماً جاهزاً للتجزئة، والتصنيف، وتقدير الوضع، وOBB.
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.

Link to this sectionمثال 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}")

Link to this sectionحالات الاستخدام المثالية#

Link to this sectionمتى 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.

Link to this sectionمتى 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 زمن استجابة مستقراً في البيئات الكثيفة مثل إدارة مواقف السيارات ومراقبة حركة المرور، حيث تسبب NMS التقليدية 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.

Link to this sectionالخلاصة#

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.