Link to this sectionمقارنة بين PP-YOLOE+ و YOLOv5#

عند اختيار إطار عمل التعلم العميق المناسب لرؤية الحاسوب، يجد المطورون أنفسهم غالباً في مرحلة مقارنة قدرات الهياكل المختلفة لتحقيق التوازن الأمثل بين السرعة، والدقة، وسهولة النشر. في هذا التحليل المتعمق، سنستكشف الفروق التقنية الدقيقة بين PP-YOLOE+ و YOLOv5. من خلال تحليل هياكلهما، ومقاييس الأداء، وسيناريوهات النشر المثالية، يمكنك اتخاذ قرار مستنير لمشروعك القادم، سواء كان يتضمن الروبوتات في الوقت الفعلي، أو النشر على الحافة، أو تحليلات الفيديو القائمة على السحابة.

Link to this sectionأصول النماذج والبيانات الوصفية#

ينحدر كلا النموذجين من فرق هندسية ذات كفاءة عالية ولكنهما يستهدفان أنظمة بيئية مختلفة قليلاً. يوفر فهم أصولهما سياقاً قيماً لخيارات تصميمهما الهيكلي.

تفاصيل PP-YOLOE+:

• المؤلفون: مؤلفو PaddlePaddle
• المؤسسة: Baidu
• التاريخ: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Docs: PaddleDetection README

تعرف على المزيد حول PP-YOLOE+

تفاصيل YOLOv5:

• المؤلف: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 26-06-2020
• GitHub: https://github.com/ultralytics/yolov5
• Docs: https://docs.ultralytics.com/models/yolov5/

اعرف المزيد عن YOLOv5

Link to this sectionمقارنة معمارية#

Link to this sectionبنية PP-YOLOE+#

يُعد PP-YOLOE+ تطوراً ضمن نظام Baidu البيئي، وقد بُني على أساس نماذج سابقة مثل PP-YOLOv2. وهو يقدم هيكلاً أساسياً CSPRepResNet محسناً للغاية، مما يعزز استخراج الميزات من خلال الجمع بين مبادئ شبكات Cross Stage Partial (CSP) وتقنيات إعادة المعاملة. يسمح هذا للنموذج بالحفاظ على دقة عالية أثناء التدريب مع تقليصه إلى بنية أكثر انسيابية للحصول على استنتاج أسرع.

بالإضافة إلى ذلك، يستخدم PP-YOLOE+ خاصية Task Alignment Learning (TAL) ورأساً محاذاً للمهام بكفاءة (ET-head). يهدف هذا المزيج إلى حل مشكلة عدم المحاذاة بين مهام التصنيف وتحديد الموقع، وهي عقبة شائعة في كاشفات الأجسام الكثيفة. على الرغم من إثارة الهيكل للإعجاب، إلا أنه مرتبط بشكل وثيق بـ PaddlePaddle framework، مما قد يفرض تحديات تكامل للفرق التي توحد معايير عملها على مكتبات تعلم آلي سائدة أخرى.

Link to this sectionهيكل YOLOv5#

في المقابل، تم تصميم YOLOv5 بشكل أصلي في PyTorch، وهو المعيار الصناعي لكل من الأبحاث الأكاديمية والإنتاج المؤسسي. وهو يستخدم هيكلاً أساسياً معدلاً CSPDarknet53، معروف بتدفق التدرج الاستثنائي وكفاءة المعلمات.

من السمات المميزة لـ YOLOv5 هي خوارزمية AutoAnchor، التي تقوم بفحص وضبط أحجام صناديق الارتساء ديناميكياً بناءً على مجموعة البيانات المخصصة الخاصة بك قبل التدريب. هذا يلغي الضبط اليدوي للمعاملات الفائقة لصناديق الإحاطة. تضمن شبكة تجميع المسار (PANet) الخاصة بالنموذج دمجاً قوياً للميزات متعددة المقاييس، مما يجعله فعالاً للغاية في اكتشاف الأجسام عبر أحجام مختلفة.

Link to this sectionتحليل الأداء#

يتطلب تقييم هذه النماذج النظر في المقايضة بين متوسط دقة الاكتشاف (mAP) وزمن الاستجابة. يوضح الجدول التالي المقاييس عبر أحجام مختلفة للنماذج.

في حين يحقق PP-YOLOE+ نتائج mAP تنافسية للغاية على النطاقات الأكبر (مثل الإصدار X)، يوفر YOLOv5 سرعة فائقة وعدد معلمات أقل في الطرف الأصغر من الطيف. يتطلب نموذج YOLOv5 Nano (YOLOv5n) مجرد 2.6 مليون معلمة، مما يجعله مناسباً جداً لأجهزة الحافة المقيدة حيث تكون متطلبات الذاكرة صارمة. علاوة على ذلك، يستهلك تدريب نماذج YOLO عادةً ذاكرة CUDA أقل مقارنة بالبدائل الثقيلة القائمة على Transformer مثل RT-DETR.

Link to this sectionميزة Ultralytics#

عند اختيار الهيكل، لا تمثل المقاييس الخام سوى جزء من المعادلة. غالباً ما تحدد تجربة المطور، ودعم النظام البيئي، وخطوط أنابيب النشر نجاح المشروع في العالم الحقيقي. وهنا تتألق نماذج Ultralytics.

Link to this sectionسهولة استخدام لا تضاهى#

تقوم Python API الخاصة بـ Ultralytics بتجريد الكود المصدري المعقد. يمكن للمطورين بدء التدريب، والتحقق من الأداء، ونشر النماذج بسلاسة. الوثائق شاملة، ويتم صيانتها بشكل كبير، ومدعومة من قبل مجتمع ضخم عالمي مفتوح المصدر.

Link to this sectionتعدد الاستخدامات عبر المهام#

بينما يعد PP-YOLOE+ كاشف أجسام متخصصاً، يتيح نظام Ultralytics البيئي للمستخدمين معالجة مهام رؤية حاسوبية متعددة تحت واجهة برمجة تطبيقات واحدة موحدة. مع YOLOv5 وخلفائه، يمكنك الانتقال بسهولة من صناديق الإحاطة القياسية إلى سير عمل Image Segmentation والتصنيف.

Link to this sectionمثال كود: تدريب YOLOv5#

البدء يتطلب بضعة أسطر فقط من الكود. هذه البساطة تسرع بشكل كبير دورات البحث والتطوير.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Link to this sectionحالات الاستخدام في العالم الحقيقي#

متى تختار PP-YOLOE+: إذا كانت مؤسستك متجذرة بعمق ضمن مجموعة برمجيات Baidu أو تعتمد بشكل كبير على أجهزة متخصصة تفرض إطار عمل PaddlePaddle، فإن PP-YOLOE+ يعد خياراً قوياً. يُستخدم بشكل متكرر في خطوط أنابيب التصنيع المتخصصة عبر آسيا حيث يوجد تكامل قديم مع Paddle.

متى تختار YOLOv5: بالنسبة للغالبية العظمى من المطورين والباحثين والمؤسسات الدولية، يظل YOLOv5 قوة دافعة. تعني جذوره في PyTorch أنه متوافق فوراً مع أدوات مثل Weights & Biases للتتبع، كما يتم تصديره بشكل نظيف إلى TensorRT لتسريع GPU الخاص بـ NVIDIA أو CoreML لأجهزة Apple. وهو يتفوق في مجالات متنوعة تتراوح من مراقبة المحاصيل الزراعية إلى الملاحة عالية السرعة للطائرات بدون طيار.

Link to this sectionمستقبل الاكتشاف: Ultralytics YOLO26#

على الرغم من أن YOLOv5 نموذج أيقوني، إلا أن حدود رؤية الحاسوب قد تقدمت. لجميع التطورات الجديدة، نوصي بشدة بالانتقال إلى YOLO26، الذي تم إصداره في يناير 2026. متاح بسلاسة عبر Ultralytics Platform، حيث يعيد YOLO26 تعريف الكفاءة تماماً.

تعرف على المزيد حول YOLO26

الابتكارات الرئيسية في YOLO26:

• تصميم شامل خالٍ من NMS: يلغي YOLO26 معالجة Non-Maximum Suppression بالكامل. هذا يقلل من تباين زمن الاستجابة ويبسط خط أنابيب النشر بشكل كبير.
• استنتاج أسرع على CPU بنسبة تصل إلى 43%: من خلال الإزالة الاستراتيجية لـ Distribution Focal Loss (DFL)، يزيد YOLO26 السرعة بشكل كبير على أجهزة الحافة التي لا تحتوي على وحدات GPU.
• محسن MuSGD: مستوحى من نماذج اللغات الكبيرة الرائدة، يعمل هذا المحسن الهجين على استقرار ديناميكيات التدريب ويسمح بتقارب أسرع بكثير على مجموعات البيانات المخصصة.
• تحسينات خاصة بالمهمة: ميزات وظائف خسارة متقدمة مثل ProgLoss و STAL، مما يحقق دقة غير مسبوقة على الأجسام الصغيرة. وهو يدعم أصلاً اكتشاف Oriented Bounding Box (OBB) للصور الجوية.

إذا كنت تستكشف نماذج الرؤية المتطورة، فقد تهتم أيضاً بمقارنة الجيل السابق YOLO11 أو النهج القائمة على Transformer مثل RT-DETR. في نهاية المطاف، يعزز النظام البيئي القوي، جنباً إلى جنب مع التطورات الهيكلية المتطورة، مكانة Ultralytics كخيار رئيسي لمهام رؤية الحاسوب الحديثة.