PP-YOLOE+ مقابل YOLOv10#

يتطور مجال الرؤية الحاسوبية باستمرار، مع نماذج جديدة تدفع حدود الممكن في كشف الأجسام في الوقت الفعلي. في هذه المقارنة التقنية الشاملة، سنفحص PP-YOLOE+ وYOLOv10، وهما بنيتان عاليّتا الكفاءة صُممتا لمنظومتين مختلفتين. كما سنستكشف التحول الأوسع نحو منصات موحدة سهلة الاستخدام مثل منصة Ultralytics ونموذج YOLO26 المتطور.

مقدمة عن النماذج#

يتطلب اختيار الأساس المناسب لـمشاريع الرؤية الحاسوبية فهمًا عميقًا 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 متقدمًا من نوع CSPRepResNet، ويعتمد على استراتيجية فعالة لإسناد التسميات (TAL) لتحقيق متوسط الدقة المتوسطة (mAP) مميز. كما أنه محسّن بدرجة كبيرة للنشر على وحدات GPU المخصصة للخوادم، الشائعة في التطبيقات الصناعية في أنحاء آسيا.

نقاط الضعف: يتمثل العيب الرئيسي في PP-YOLOE+ في اعتماده الكبير على منظومة PaddlePaddle، ما قد يجعله أقل سهولة للمطورين المعتادين على PyTorch. بالإضافة إلى ذلك، يتطلب استخدام الكبت غير الأقصى (NMS) التقليدي للمعالجة اللاحقة، ما يزيد زمن الاستجابة وتعقيد النشر.

تعرّف على المزيد حول PP-YOLOE+

نظرة عامة على YOLOv10#

أطلق باحثون في جامعة تسينغهوا YOLOv10، الذي أحدث تحولًا معماريًا كبيرًا بإزالة 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 الميزة الأبرز في YOLOv10 في إسناداته المزدوجة المتسقة للتدريب من دون NMS. وهذا يعني أن النموذج يتنبأ بمربعات الإحاطة مباشرةً، من دون الحاجة إلى خطوة ترشيح ثانوية، ما يجعل نشر النماذج أبسط بكثير وأسرع على الأجهزة الطرفية. كما يحقق توازنًا ممتازًا بين انخفاض عدد المعلمات والدقة العالية.

نقاط الضعف: مع أن YOLOv10 يتمتع بكفاءة عالية في كشف الأجسام ثنائي الأبعاد التقليدي، فإنه لا يدعم محليًا مهام الرؤية الحاسوبية المهمة الأخرى، مثل تقسيم المثيلات وتقدير الوضعية، ما يحد من تعدد استخداماته في مسارات العمل المعقدة متعددة المهام.

تعرّف على المزيد حول YOLOv10

مقارنة الأداء والمقاييس#

يُعد فهم أداء هذه النماذج ضمن معايير قياس موحّدة أمرًا بالغ الأهمية لاختيار البنية المناسبة. فيما يلي مقارنة مفصّلة لأحجامها ودقتها وزمن الاستجابة.

التحليل التقني#

عند تحليل البيانات، تظهر بعض الاتجاهات الرئيسية. تستهدف نماذج YOLOv10 nano وsmall بكفاءةٍ عالية الأجهزة الطرفية؛ إذ لا يحتوي YOLOv10n سوى على 2.3 مليون مُعامِل و6.7B FLOPs. ويقلل هذا التصميم خفيف الوزن، إلى جانب بنيته الخالية من NMS، 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 تطوير Python SDK رائدة في المجال، تبسّط بدرجة كبيرة جمع البيانات وتعليقها والتدريب والنشر. وبالمقارنة مع أُطر البحث الثقيلة أو نماذج Transformer الأقدم، تتطلب بنى Ultralytics جزءًا ضئيلًا من ذاكرة CUDA أثناء التدريب، ما يتيح استخدام أحجام دفعات أكبر وتكرارات أسرع. وإضافةً إلى ذلك، تتميز مجموعة Ultralytics بمرونة كبيرة، إذ تدعم تصنيف الصور والصناديق المحيطة الموجّهة (OBB) وتتبع الكائنات المتين مباشرةً.

تعرّف على YOLO26: الجيل التالي#

يمثل Ultralytics YOLO26، الذي صدر في يناير 2026، ذروة تطور الرؤية الحاسوبية؛ إذ يجمع أفضل الرؤى المستفادة من نماذج مثل YOLOv10، مع معالجة أوجه قصورها.

أبرز ابتكارات YOLO26:

• تصميم شامل خالٍ من NMS: استنادًا إلى المفهوم الذي قدمه YOLOv10، يوفر YOLO26 رأسًا شاملًا اختياريًا (nms=False) يلغي المعالجة اللاحقة لـ NMS، ما يتيح نشرًا أسرع وأبسط على مختلف الأجهزة.
• إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، تُبسّط بنية النموذج بدرجة كبيرة للتصدير، بما يضمن توافقًا سلسًا مع أجهزة الذكاء الاصطناعي الطرفية منخفضة الطاقة.
• مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuon. ويوفر ذلك استقرارًا غير مسبوق للتدريب ومعدلات تقارب أسرع بكثير.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: يقدم YOLO26، المحسّن بدرجة كبيرة لسيناريوهات العالم الحقيقي، تسارعًا هائلًا للتطبيقات التي تعتمد على حوسبة CPU، ما يجعله مثاليًا لـالمراقبة الذكية والنشر على الأجهزة المحمولة.
• ProgLoss + STAL: تحسّن دوال الخسارة هذه أداء التعرّف على الكائنات 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#

صُممت بداية العمل باستخدام نماذج Ultralytics لتكون سلسة. فببضعة أسطر من التعليمات البرمجية فقط، يمكنك بدء التدريب باستخدام مسارات 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)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• 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 تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• 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 المرتبطة بمنظومة Baidu وبيئات الخوادم الصناعية. أما YOLOv10 فيمثل إنجازًا أكاديميًا بارزًا أثبت جدوى الكشف الفوري الخالي من NMS.

لكن للمطورين الساعين إلى الجمع الأمثل بين الدقة وسرعة الاستدلال الفائقة وقدرات المهام المتعددة السلسة، يُعد Ultralytics YOLO26 الخيار الأمثل بلا منازع. وتضمن ابتكاراته في كفاءة التدريب وبنية النشر المصممة للأجهزة الطرفية أن يكون الحل الأكثر متانة ومرونة للرؤية الحاسوبية الجاهزة للإنتاج في عام 2026 وما بعده.