PP-YOLOE+ مقابل YOLOv10#

يتطور مجال الرؤية الحاسوبية باستمرار، إذ تدفع النماذج الجديدة حدود ما يمكن تحقيقه في اكتشاف الكائنات في الوقت الفعلي. في هذه المقارنة التقنية الشاملة، سنفحص PP-YOLOE+ وYOLOv10، وهما بنيتان معماريتان عاليّتا الكفاءة مصممتان لنظامين بيئيين مختلفين. وسنستكشف أيضًا كيف يتجه المشهد الأوسع نحو منصات أكثر توحيدًا وسهولة في الاستخدام، مثل منصة Ultralytics ونموذج YOLO26 المتطور.

مقدمة إلى النماذج#

يتطلب اختيار الأساس المناسب لـمشروعات الرؤية الحاسوبية فهمًا عميقًا للمفاضلات المعمارية لكل نموذج، وقيود النشر، ودعم النظام البيئي.

نظرة عامة على PP-YOLOE+#

طوّره مؤلفو PaddlePaddle في Baidu، ويُعد PP-YOLOE+ خطوة تطورية مقارنةً بالتكرارات السابقة ضمن النظام البيئي PaddleDetection.

• المؤلفون: مؤلفو PaddlePaddle
• المنظمة: Baidu
• التاريخ: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: مستودع PaddleDetection
• المستندات: التوثيق الرسمي لـ PP-YOLOE+

نقاط القوة: يتفوق PP-YOLOE+ في البيئات المندمجة بعمق مع إطار PaddlePaddle. ويقدم backbone متقدمًا من نوع CSPRepResNet، ويعتمد على استراتيجية قوية لتعيين التسميات (TAL) لتحقيق متوسط الدقة (mAP) بمستوى متميز. كما أنه محسّن بدرجة كبيرة للنشر على وحدات GPU المخصصة للخوادم، والشائعة في التطبيقات الصناعية في أنحاء آسيا.

نقاط الضعف: يتمثل العيب الأساسي في PP-YOLOE+ في اعتماده الكبير على النظام البيئي PaddlePaddle، الذي قد يكون أقل سهولة للمطورين المعتادين على PyTorch. بالإضافة إلى ذلك، يتطلب القمع التقليدي غير الأقصى (NMS) للمعالجة اللاحقة، ما يضيف زمن استجابة وتعقيدًا إلى عملية النشر.

تعرّف على المزيد حول PP-YOLOE+

نظرة عامة على YOLOv10#

أصدره باحثون في جامعة تسينغهوا، وأحدث YOLOv10 تحولًا معماريًا كبيرًا بإزالة NMS من مسار الاستدلال.

• المؤلفون: Ao Wang، Hui Chen، Lihao 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 التعيينات المزدوجة المتسقة للتدريب الخالي من NMS. وهذا يعني أن النموذج يتنبأ بمربعات الإحاطة أصلاً دون الحاجة إلى خطوة ترشيح ثانوية، ما يجعل نشر النموذج أبسط وأسرع بكثير على الأجهزة الطرفية. كما يحقق توازنًا ممتازًا بين انخفاض عدد المعلمات وارتفاع الدقة.

نقاط الضعف: رغم كفاءته العالية في اكتشاف الكائنات القياسي ثنائي الأبعاد، يفتقر YOLOv10 إلى الدعم الأصلي لمهام أخرى مهمة في الرؤية الحاسوبية، مثل تقسيم المثيلات وتقدير الوضعيات، ما يحد من تعدد استخداماته في مسارات العمل المعقدة ومتعددة المهام.

تعرّف على المزيد حول YOLOv10

مقارنة الأداء والمقاييس#

يُعد فهم أداء هذه النماذج ضمن معايير قياس موحّدة أمرًا بالغ الأهمية لاختيار البنية المعمارية المناسبة. فيما يلي مقارنة مفصلة لحجمها ودقتها وزمن استجابتها.

التحليل التقني#

عند تحليل البيانات، تظهر بعض الاتجاهات الرئيسية. تستهدف نماذج YOLOv10 nano وsmall كفاءة الأجهزة الطرفية بقوة، إذ يضم YOLOv10n عددًا ضئيلًا يبلغ 2.3 مليون معلمة و6.7B من FLOPs. ويؤدي هذا التصميم خفيف الوزن، إلى جانب بنيته الخالية من NMS، إلى خفض زمن الاستجابة بدرجة كبيرة على المنصات التي تستخدم TensorRT وOpenVINO.

وعلى النقيض، يُظهر PP-YOLOE+ قدرة قوية ضمن فئات الأوزان الأكبر، إذ يتفوق إصداره X-large بفارق طفيف على YOLOv10x في mAP (54.7% مقابل 54.4%). إلا أن ذلك يأتي على حساب عدد معلمات يقارب الضعف (98.42M مقابل 56.9M)، ما يجعل YOLOv10x النموذج الأكثر كفاءة بفارق واضح في البيئات المقيّدة بالذاكرة.

ميزة منظومة Ultralytics#

رغم أن كلًا من PP-YOLOE+ وYOLOv10 يقدمان إنجازات تقنية مهمة، فإن هندسة ML الحديثة تتطلب أكثر من مجرد بنية معمارية خام؛ فهي تتطلب نظامًا بيئيًا مُدارًا جيدًا.

توفر Ultralytics حزمة Python SDK رائدة في المجال تعمل على تبسيط جمع البيانات ووسمها والتدريب والنشر بدرجة كبيرة. وبالمقارنة مع أطر البحث الثقيلة أو نماذج Transformer الأقدم، تتطلب بنيات Ultralytics جزءًا بسيطًا من ذاكرة CUDA أثناء التدريب، ما يتيح أحجام دفعات أكبر وتكرارات أسرع. علاوةً على ذلك، توفر حزمة Ultralytics تعدد استخدامات هائلًا—إذ تدعم تصنيف الصور وOBB (مربع الإحاطة الموجّه) وتتبع الكائنات المتين مباشرةً.

قدّم YOLO26: الجيل التالي#

أُصدر Ultralytics YOLO26 في يناير 2026، ويمثل ذروة تطور الرؤية الحاسوبية، إذ يجمع أفضل الرؤى المستخلصة من نماذج مثل YOLOv10 مع معالجة أوجه قصورها.

الابتكارات الرئيسية في YOLO26:

• تصميم شامل من البداية وخالٍ من NMS: استنادًا إلى المفهوم الذي ابتكره YOLOv10، يعمل YOLO26 أصلاً بطريقة شاملة من البداية إلى النهاية، ويلغي تمامًا المعالجة اللاحقة عبر NMS لتحقيق نشر أسرع وأبسط عبر عتاد متنوع.
• إزالة DFL: من خلال إزالة دالة الخسارة البؤرية للتوزيع (DFL)، تصبح بنية النموذج أبسط بكثير عند التصدير، ما يضمن توافقًا سلسًا مع أجهزة Edge AI منخفضة الطاقة.
• مُحسِّن MuSGD: مستلهمًا من تقنيات تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuون. ويوفر ذلك استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع بكثير.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل تحسينه المكثف للسيناريوهات الواقعية، يوفر YOLO26 تسارعات هائلة للتطبيقات التي تعتمد على الحوسبة عبر CPU، ما يجعله مثاليًا لـالمراقبة الذكية وعمليات النشر على الأجهزة المحمولة.
• ProgLoss + STAL: تزيد دوال الخسارة المحسّنة هذه الأداء بدرجة كبيرة في التعرّف على الكائنات الصغيرة، وهو عامل حاسم في الصور الجوية والروبوتات.
• تحسينات خاصة بالمهام: بخلاف YOLOv10، يدعم YOLO26 أصلاً proto متعدد المقاييس للتقسيم، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات.

التنفيذ العملي#

صُمم بدء استخدام نماذج Ultralytics ليكون سلسًا. فباستخدام بضعة أسطر من التعليمات البرمجية فقط، يمكنك بدء تشغيل تدريب باستخدام ضبط تلقائي للمعلمات الفائقة ومسارات حديثة لزيادة البيانات.

from ultralytics import YOLO

# Load the highly recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# Memory usage is highly optimized compared to transformer architectures
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run an end-to-end NMS-free inference
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX or TensorRT for deployment
model.export(format="onnx", simplify=True)

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار PP-YOLOE+#

يُعد PP-YOLOE+ خيارًا قويًا من أجل:

• التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة على إطار عمل وأدوات PaddlePaddle الخاصة بـBaidu.
• النشر الطرفي باستخدام Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة كبيرة خصيصًا لمحرك Paddle Lite أو محرك Paddle للاستدلال.
• الاكتشاف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يمثل الاعتماد على إطار العمل مصدر قلق.

متى تختار YOLOv10#

يوصى باستخدام YOLOv10 من أجل:

• الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
• المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
• التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

الخلاصة#

يظل PP-YOLOE+ خيارًا راسخًا للفرق المقيدة بالنظام البيئي Baidu وبيئات الخوادم الصناعية. ويمثل YOLOv10 إنجازًا أكاديميًا بارزًا أثبت جدوى الاكتشاف في الوقت الفعلي والخالي من NMS.

ومع ذلك، بالنسبة إلى المطورين الذين يسعون إلى أفضل مزيج من الدقة وسرعة الاستدلال الفائقة والقدرات السلسة متعددة المهام، فإن Ultralytics YOLO26 هو الخيار الحاسم. وتضمن ابتكاراته في كفاءة التدريب وبنيته المعمارية للنشر التي تضع الأجهزة الطرفية في المقام الأول أن يظل الحل الأكثر متانة وتنوعًا للرؤية الحاسوبية على مستوى الإنتاج في عام 2026 وما بعده.