PP-YOLOE+ مقابل YOLOv10
تتطور الرؤية الحاسوبية باستمرار، مع تحسين النماذج الجديدة للكشف الآني عن الأجسام. وتقارن هذه المقالة التقنية بين PP-YOLOE+ وYOLOv10، وهما بنيتان كفؤتان صُممتا لمنظومتين مختلفتين. كما توضح انتقال المجال إلى أدوات موحدة وسهلة الاستخدام، مثل منصة Ultralytics ونموذج YOLO26.
مقدمة عن النماذج#
يتطلب اختيار الأساس المناسب لـمشاريع الرؤية الحاسوبية فهمًا واضحًا للمفاضلات المعمارية لكل نموذج وقيود النشر ودعم المنظومة.
نظرة عامة على PP-YOLOE+#
طوّر مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+، وهو خطوة تطويرية تتجاوز الإصدارات السابقة ضمن منظومة PaddleDetection.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: مستودع PaddleDetection
- الوثائق: الوثائق الرسمية لـPP-YOLOE+
نقاط القوة: يتفوق PP-YOLOE+ في البيئات المتكاملة بعمق مع إطار عمل PaddlePaddle. ويقدم عمودًا فقريًا CSPRepResNet، ويعتمد استراتيجية لإسناد التسميات متوافقة مع المهام (TAL) لتحقيق متوسط دقة (mAP) قوي. كما أنه محسّن للنشر على وحدات GPU بمستوى الخوادم الشائعة في التطبيقات الصناعية.
نقاط الضعف: يتمثل العيب الأساسي في PP-YOLOE+ في اعتماده الكبير على منظومة PaddlePaddle، التي قد تكون أقل سهولة للمطوّرين المعتادين على PyTorch. كما يتطلب القمع غير الأقصى التقليدي (NMS) للمعالجة اللاحقة، ما يزيد زمن الاستجابة وتعقيد النشر.
تعرّف على المزيد حول PP-YOLOE+
نظرة عامة على YOLOv10#
أحدث YOLOv10، الذي أطلقه باحثون في جامعة تسينغهوا، تحولًا معماريًا كبيرًا من خلال إزالة NMS من مسار الاستدلال.
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- التاريخ: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: مستودع YOLOv10
- الوثائق: وثائق YOLOv10
نقاط القوة: تتمثل السمة الأبرز في YOLOv10 في إسناده المزدوج المتسق للتدريب الخالي من NMS. وهذا يعني أن النموذج يتنبأ بالصناديق المحيطة بطبيعته من دون الحاجة إلى خطوة تصفية ثانوية، ما يجعل نشر النماذج أبسط وأسرع بكثير على الأجهزة الطرفية. كما يحقق توازنًا قويًا بين انخفاض عدد المعلمات وارتفاع الدقة.
نقاط الضعف: على الرغم من كفاءته العالية في الكشف ثنائي الأبعاد عن الأجسام القياسي، لا يدعم YOLOv10 بطبيعته مهامًا مهمة أخرى في الرؤية الحاسوبية، مثل تجزئة المثيلات وتقدير الوضعيات، ما يحد من تعدد استخداماته في مسارات العمل المعقدة متعددة المهام.
مقارنة الأداء والمقاييس#
يُعد فهم أداء هذه النماذج في ظل المقاييس المعيارية الموحدة أمرًا بالغ الأهمية لاختيار البنية المناسبة. ويقارن الجدول أدناه حجمها ودقتها وزمن استجابتها.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
التحليل التقني#
عند تحليل البيانات، تظهر عدة اتجاهات رئيسية. تستهدف نسختا YOLOv10 النانوية والصغيرة الكفاءة الطرفية، إذ يستخدم YOLOv10n 2.3 مليون معلمة و6.7B FLOPs فقط. ويؤدي هذا التصميم الخفيف، إلى جانب بنيته الخالية من NMS، إلى تقليل زمن الاستجابة بدرجة كبيرة على المنصات التي تستخدم TensorRT وOpenVINO.
على النقيض، يُظهر PP-YOLOE+ أداءً قويًا ضمن فئات الأوزان الأكبر، إذ يتفوق الإصدار X-large بفارق طفيف على YOLOv10x في mAP (54.7% مقابل 54.4%). لكن ذلك يأتي على حساب زيادة عدد المُعامِلات إلى أكثر من ثلاثة أضعاف (98.42M مقابل 29.5M)، ما يجعل YOLOv10x أكثر كفاءة بكثير للبيئات ذات الذاكرة المحدودة.
ميزة منظومة Ultralytics#
على الرغم من الإنجازات التقنية اللافتة لكل من PP-YOLOE+ وYOLOv10، فإن هندسة ML الحديثة تتطلب أكثر من مجرد بنية خام؛ فهي تحتاج إلى منظومة متكاملة تحظى بصيانة جيدة.
توفر Ultralytics حزمة Python تيسّر كثيرًا جمع البيانات وتوصيفها والتدريب والنشر. وبالمقارنة مع أطر عمل الأبحاث الثقيلة أو نماذج المحوّلات الأقدم، تتطلب بنى Ultralytics جزءًا ضئيلًا من ذاكرة CUDA أثناء التدريب، ما يسمح بأحجام دفعات أكبر ودورات تطوير أسرع. كما توفر حزمة Ultralytics تنوعًا واسعًا، إذ تدعم تصنيف الصور وOBB (الصناديق المحيطة الموجّهة) وتتبع الأجسام المتين مباشرةً.
تعرّف على YOLO26: الجيل التالي#
يجمع Ultralytics YOLO26، الذي طُرح في يناير 2026، أفضل الرؤى المستخلصة من نماذج مثل YOLOv10، مع معالجة أوجه قصورها.
أبرز ابتكارات YOLO26:
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يوفّر YOLO26 رأسًا شاملًا اختياريًا (
nms=False) يلغي معالجة NMS اللاحقة، لتوفير نشر أسرع وأبسط عبر عتاد متنوع. - إزالة DFL: من خلال حذف خسارة البؤرة التوزيعية (DFL)، تصبح بنية النموذج أبسط للتصدير، ويتحسن توافقها مع أجهزة الذكاء الاصطناعي الطرفية منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من تقنيات تدريب النماذج اللغوية الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuon. وهذا يحقق تدريبًا مستقرًا وتقاربًا أسرع بدرجة كبيرة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: جرى تحسين YOLO26n لسيناريوهات العالم الحقيقي، وهو أسرع بنسبة تصل إلى 43% من YOLO11n في التطبيقات التي تعتمد على الحوسبة باستخدام CPU، ما يجعله مناسبًا لـالمراقبة الذكية وعمليات النشر على الأجهزة المحمولة.
- ProgLoss + STAL: تحسّن الخسارة التدريجية واستراتيجية إسناد التسميات الواعية بالأهداف الصغيرة التعرّف على الأجسام الصغيرة بدرجة كبيرة، وهو عامل حاسم في الصور الجوية والروبوتات.
- تحسينات خاصة بالمهام: بخلاف YOLOv10، يدعم YOLO26 أصليًا proto متعدد المقاييس للتجزئة وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية.
التطبيق العملي#
صُمم البدء باستخدام نماذج Ultralytics ليكون بسيطًا. فببضعة أسطر من التعليمات البرمجية فقط، يمكنك بدء التدريب باستخدام مسارات عمل حديثة لزيادة البيانات.
from ultralytics import YOLO
# تحميل نموذج YOLO26 الموصى به بشدة
model = YOLO("yolo26n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
# استخدام الذاكرة محسّن بدرجة كبيرة مقارنةً ببنى Transformer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# تشغيل الاستدلال الشامل الخالي من NMS
inference_results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# التصدير مباشرةً إلى ONNX أو TensorRT للنشر
model.export(format="onnx", simplify=True)حالات الاستخدام والتوصيات#
يعتمد الاختيار بين PP-YOLOE+ وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة المتكاملة.
متى تختار PP-YOLOE+#
يُعد PP-YOLOE+ خيارًا قويًا لـ:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
- النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
- اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.
متى تختار YOLOv10#
يوصى بـ YOLOv10 في الحالات التالية:
- الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
- موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
- التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.
متى تختار Ultralytics (YOLO26)#
يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n)، أفضلية واضحة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
الخلاصة#
يظل PP-YOLOE+ خيارًا موثوقًا للفرق الملتزمة بمنظومة Baidu وبيئات الخوادم الصناعية. ويُعد YOLOv10 إنجازًا أكاديميًا مهمًا أثبت جدوى الكشف الفوري الخالي من NMS.
لكن للمطورين الساعين إلى أفضل مزيج من الدقة وسرعة الاستدلال والقدرات متعددة المهام، يُوصى باستخدام Ultralytics YOLO26. وتجعل ابتكاراته في كفاءة التدريب والنشر المصمم للأجهزة الطرفية منه حلًا قويًا ومتعدد الاستخدامات للرؤية الحاسوبية بمستوى الإنتاج.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.