PP-YOLOE+ مقابل YOLOv5#
عند اختيار إطار التعلم العميق المناسب للرؤية الحاسوبية، يقارن المطورون غالبًا إمكانات البنى المختلفة للعثور على التوازن الأمثل بين السرعة والدقة وسهولة النشر. سنتعمق هنا في الفروق التقنية بين PP-YOLOE+ وYOLOv5. ومن خلال تحليل بنيتيهما ومقاييس الأداء وسيناريوهات النشر المثالية، يمكنك اتخاذ قرار مستنير لمشروعك المقبل، سواء تعلق الأمر بالروبوتات في الزمن الفعلي أو النشر على الأجهزة الطرفية أو تحليلات الفيديو المستندة إلى السحابة.
أصول النماذج وبياناتها الوصفية#
ينحدر كلا النموذجين من فرق هندسية عالية الكفاءة، لكنهما يستهدفان منظومتين مختلفتين قليلًا. ويوفر فهم أصولهما سياقًا قيّمًا لخيارات تصميمهما المعماري.
تفاصيل PP-YOLOE+ :
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- الوثائق: الملف التمهيدي لـPaddleDetection
تعرّف على المزيد حول PP-YOLOE+
تفاصيل YOLOv5:
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- الوثائق: https://docs.ultralytics.com/models/yolov5
مقارنة البنى#
بنية PP-YOLOE+#
يمثل PP-YOLOE+ تطورًا ضمن منظومة Baidu، وقد بُني على أساس نماذج سابقة مثل PP-YOLOv2. ويقدم عمودًا فقريًا محسّنًا بدرجة كبيرة من نوع CSPRepResNet، يعزز استخراج السمات عبر الجمع بين مبادئ شبكات الأجزاء الجزئية عبر المراحل (CSP) وتقنيات إعادة المعلمة. ويتيح ذلك للنموذج الحفاظ على دقة عالية أثناء التدريب، مع التحول إلى بنية أكثر انسيابية لتسريع الاستدلال.
إضافةً إلى ذلك، يستخدم PP-YOLOE+ تعلّم مواءمة المهام (TAL) ورأسًا فعّالًا متوائمًا مع المهام (ET-head). ويهدف هذا المزيج إلى معالجة عدم المواءمة بين مهام التصنيف وتحديد الموقع، وهو عائق شائع في كواشف الأجسام الكثيفة. وعلى الرغم من قوة البنية، فإنها ترتبط ارتباطًا وثيقًا بـإطار عمل PaddlePaddle، ما قد يفرض تحديات في التكامل على الفرق التي تعتمد معايير مكتبات تعلم الآلة السائدة الأخرى.
بنية YOLOv5#
على النقيض، صُمم YOLOv5 أصليًا باستخدام PyTorch، وهو المعيار الصناعي للأبحاث الأكاديمية والإنتاج المؤسسي على حد سواء. ويستخدم عمودًا فقريًا معدلًا من نوع CSPDarknet53، معروفًا بتدفق التدرّج الاستثنائي وكفاءة المعلمات.
من السمات المميزة لـYOLOv5 خوارزمية AutoAnchor، التي تتحقق ديناميكيًا من أحجام مربعات المراسي وتضبطها استنادًا إلى مجموعة بياناتك المخصصة، قبل التدريب. وهذا يلغي الضبط اليدوي للمعلمات الفائقة لمربعات الإحاطة. كما تضمن شبكة PANet في عنق النموذج دمجًا قويًا للسمات متعددة المقاييس، ما يجعله فعّالًا للغاية في اكتشاف الأجسام ذات الأحجام المتفاوتة.
لأن YOLOv5 مبني مباشرةً على PyTorch، فإن تصديره إلى تنسيقات محسّنة مثل ONNX وTensorRT يتطلب إعدادًا وسيطًا أقل بكثير من النماذج المرتبطة بأطر عمل محلية.
تحليل الأداء#
يتطلب تقييم هذه النماذج النظر في المفاضلة بين متوسط الدقة المتوسط (mAP) وزمن الاستجابة. ويعرض الجدول التالي المقاييس لأحجام النماذج المختلفة.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
مع أن PP-YOLOE+ يحقق قيم mAP تنافسية للغاية في المقاييس الأكبر، مثل إصدار X، فإن YOLOv5 يوفر سرعة أعلى وعدد معلمات أقل في الطرف الأصغر من النطاق. ولا يتطلب إصدار YOLOv5 Nano (YOLOv5n) سوى 1.9 مليون معلمة، ما يجعله مناسبًا جدًا للأجهزة الطرفية محدودة الموارد حيث تكون متطلبات الذاكرة صارمة. إضافةً إلى ذلك، يستهلك تدريب نماذج YOLO عادةً ذاكرة CUDA أقل مقارنةً بالبدائل الثقيلة القائمة على Transformer مثل RT-DETR.
ميزة Ultralytics#
عند اختيار بنية، لا تمثل المقاييس الخام سوى جزء من المعادلة. فكثيرًا ما تحدد تجربة المطور ودعم المنظومة ومسارات النشر نجاح المشروع في العالم الفعلي. وهنا تتألق نماذج Ultralytics.
سهولة استخدام لا مثيل لها#
تجرّد واجهة Python البرمجية لـUltralytics المطورين من التعليمات البرمجية النمطية المعقدة. ويمكن للمطورين بدء التدريب والتحقق من الأداء ونشر النماذج بسلاسة. والوثائق شاملة وتحظى بصيانة جيدة، ويدعمها مجتمع عالمي ضخم مفتوح المصدر.
التنوع عبر المهام#
رغم أن PP-YOLOE+ كاشف مخصص للأجسام، تتيح منظومة Ultralytics للمستخدمين تنفيذ مهام متعددة للرؤية الحاسوبية باستخدام واجهة موحدة واحدة. ومع YOLOv5 وخلفائه، يمكنك الانتقال بسهولة من مربعات الإحاطة القياسية إلى مسارات عمل تجزئة الصور والتصنيف.
مثال على التعليمات البرمجية: تدريب YOLOv5#
لا يتطلب البدء سوى بضعة أسطر من التعليمات البرمجية. وتسرّع هذه البساطة دورات البحث والتطوير بدرجة كبيرة.
from ultralytics import YOLO
# تحميل نموذج YOLOv5 صغير مدرّب مسبقًا
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل استدلال سريع على صورة
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()حالات الاستخدام في العالم الحقيقي#
متى تختار PP-YOLOE+: إذا كانت مؤسستك راسخة بعمق ضمن حزمة برمجيات Baidu أو تعتمد بشدة على عتاد متخصص يفرض استخدام إطار عمل PaddlePaddle، فإن PP-YOLOE+ يقدم أداءً موثوقًا. ويُستخدم كثيرًا في مسارات التصنيع المتخصصة في أنحاء آسيا حيث يوجد تكامل قديم مع Paddle.
متى تختار YOLOv5: بالنسبة إلى الغالبية العظمى من المطورين والباحثين والمؤسسات حول العالم، يظل YOLOv5 نموذجًا قويًا. ويعني اعتماده على PyTorch توافقه الفوري مع أدوات مثل Weights & Biases لتتبّع التجارب، كما يتيح تصديره بسلاسة إلى TensorRT لتسريع وحدات GPU من NVIDIA، أو إلى CoreML لأجهزة Apple. ويتفوق في مجالات متنوعة، من مراقبة المحاصيل الزراعية إلى الملاحة عالية السرعة للطائرات المسيّرة.
مستقبل الاكتشاف: Ultralytics YOLO26#
رغم أن YOLOv5 نموذج شهير، فقد تقدم مجال الرؤية الحاسوبية. ونوصي بشدة بالانتقال إلى YOLO26، الذي صدر في يناير 2026، في جميع التطويرات الجديدة. ويتوفر YOLO26 بسلاسة عبر Ultralytics Platform، ويعيد تعريف الكفاءة بالكامل.
الابتكارات الرئيسية في YOLO26:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) المعالجة اللاحقة لقمع الحدود القصوى تمامًا. وهذا يقلل تفاوت زمن الاستجابة ويبسط مسار النشر بدرجة كبيرة. - استدلال أسرع على CPU بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL) استراتيجيًا، يعزز YOLO26 السرعة بدرجة كبيرة على الأجهزة الطرفية التي لا تحتوي على GPU.
- محسّن MuSGD: استلهامًا من نماذج اللغة الكبيرة الرائدة، يثبّت هذا المحسّن الهجين ديناميكيات التدريب ويتيح تقاربًا أسرع بكثير على مجموعات البيانات المخصصة.
- تحسينات خاصة بالمهام: يضم ميزات مثل دوال الخسارة المتقدمة ProgLoss وSTAL، محققًا دقة غير مسبوقة في اكتشاف الأجسام الصغيرة جدًا. كما يدعم أصليًا اكتشاف مربعات الإحاطة الموجّهة (OBB) للصور الجوية.
إذا كنت تستكشف أحدث نماذج الرؤية، فقد يهمك أيضًا مقارنة الجيل السابق YOLO11 أو الأساليب القائمة على Transformer مثل RT-DETR. وفي نهاية المطاف، ترسّخ المنظومة القوية، إلى جانب التطورات المعمارية المتقدمة، مكانة Ultralytics بوصفها الخيار الأبرز لمهام الرؤية الحاسوبية الحديثة.