PP-YOLOE+ مقابل YOLOv6-3.0#
توسع مجال الرؤية الحاسوبية في الزمن الفعلي بسرعة، ما أدى إلى ظهور بنى متخصصة للغاية ومحسّنة لسيناريوهات نشر متنوعة. وكثيرًا ما يقارن المطورون بين PP-YOLOE+ وYOLOv6-3.0 عند بناء تطبيقات تتطلب توازنًا بين معدل نقل عالٍ ودقة موثوقة. وقد أدخل كلا النموذجين تحسينات معمارية كبيرة عند إصدارهما، مع التركيز على تعزيز سرعات الاستدلال للتطبيقات الصناعية والطرفية.
قبل التعمق في التفاصيل المعمارية، استكشف الرسم البياني أدناه لتصور أداء هذه النماذج مقارنةً بعضها ببعض من حيث السرعة والدقة.
PP-YOLOE+: نقاط القوة والضعف المعمارية#
طوّر مؤلفو PaddlePaddle نموذج PP-YOLOE+، وهو كاشف خالٍ من المراسي بارز يبني على أسلافه لتقديم أداء قوي عبر متطلبات المقاييس المختلفة.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
أبرز سمات البنية#
قدّم PP-YOLOE+ عدة تحسينات جوهرية مقارنةً بتصميم PP-YOLOE الأصلي. فهو يستفيد من عمود فقري قوي من نوع CSPRepResNet، يوازن بكفاءة بين التكلفة الحاسوبية وقدرات استخراج السمات. كما يضم شبكة هرمية للسمات (FPN) متقدمة، إلى جانب شبكة تجميع المسارات (PAN)، لضمان دمج السمات متعددة المقاييس. ومن أبرز ميزاته رأس ET (الرأس الفعّال المتوائم مع المهام)، الذي يحسّن بدرجة كبيرة التنسيق بين التصنيف وتحديد الموقع أثناء اكتشاف الأجسام.
على الرغم من أن PP-YOLOE+ يحقق متوسط دقة متوسطًا (mAP) مثيرًا للإعجاب، فإن اعتماده على منظومة PaddlePaddle قد يشكل أحيانًا منحنى تعلّم حادًا للباحثين المعتادين على مسارات العمل الأصلية لـPyTorch. وقد يعقّد ذلك قليلًا عملية نشر النموذج عند استهداف أجهزة طرفية غير متجانسة تفتقر إلى دعم استدلال Paddle المباشر.
حُسّن PP-YOLOE+ بدرجة كبيرة للنشر ضمن حزمة تقنيات Baidu، ما يجعله خيارًا ممتازًا إذا كانت بيئة الإنتاج لديك تعتمد بشدة على أدوات استدلال Paddle.
تعرّف على المزيد حول PP-YOLOE+
YOLOv6-3.0: إنتاجية صناعية#
أصدر قسم Meituan Vision AI نموذج YOLOv6-3.0، وصُمم صراحةً ليكون كاشف أجسام من الجيل التالي للتطبيقات الصناعية، مع إعطاء الأولوية لمعدل نقل هائل على عتاد GPU.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
- المؤسسة: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
أبرز سمات البنية#
يتميز YOLOv6-3.0 بعمود فقري من نوع EfficientRep صُمم خصيصًا لتعظيم الاستفادة من العتاد، ولا سيما وحدات GPU من NVIDIA التي تستخدم TensorRT. وأضاف تحديث الإصدار 3.0 وحدة BiC (الدمج ثنائي الاتجاه) إلى العنق، ما عزز الاحتفاظ بالسمات المكانية من دون زيادة عدد المعلمات بشدة. كما قدّم استراتيجية التدريب بمساعدة المراسي (AAT)، التي تجمع فوائد الاستقرار القائم على المراسي أثناء تدريب النموذج، مع الحفاظ على بنية سريعة خالية من المراسي أثناء الاستدلال في الزمن الفعلي.
لكن لأن YOLOv6-3.0 مُحسّن بدرجة كبيرة لوحدات GPU المخصصة للخوادم، فإن مكاسب زمن الاستجابة قد تتضاءل أحيانًا عند نشره على أجهزة طرفية شديدة التقييد وتعمل حصريًا بوحدات CPU. ويعني هذا التخصص أنه يتفوق في بيئات مثل تحليلات الفيديو غير المتصلة، لكنه قد يتأخر عن النماذج المحسّنة ديناميكيًا على العتاد الأصغر والمحدود محليًا.
جدول مقارنة الأداء#
يسلط الجدول التالي الضوء على مقاييس الأداء الرئيسية، ويقارن مباشرةً بين إصدارات المقاييس المختلفة في كلتا البنيتين.
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين PP-YOLOE+ وYOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
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 YOLOv6#
يُنصح بـ YOLOv6 في الحالات التالية:
- النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
- الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
- التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.
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.
ميزة Ultralytics: تجاوز النماذج القديمة نحو آفاق جديدة#
رغم أن PP-YOLOE+ وYOLOv6-3.0 يقدمان حلولًا موجهة، فإن تطوير الذكاء الاصطناعي الحديث يتطلب مسارات عمل متعددة الاستخدامات وفعّالة في استهلاك الذاكرة. وهنا تقدم Ultralytics Platform تجربة مطور لا مثيل لها. وباستخدام واجهة Python برمجية موحدة، يمكنك تدريب أحدث النماذج والتحقق من صحتها ونشرها بسلاسة، من دون العبء الهائل للإعدادات الذي يوجد عادةً في مستودعات الأبحاث الأقدم.
تدعم نماذج Ultralytics أصليًا مجموعة واسعة من مهام الرؤية، إلى جانب اكتشاف الأجسام القياسي، بما فيها تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات واستخراج مربعات الإحاطة الموجّهة (OBB). كما أنها محسّنة بدرجة كبيرة لتقليل استهلاك الذاكرة أثناء التدريب، على خلاف واضح مع النماذج القائمة على Transformer مثل RT-DETR، التي تتطلب عمومًا تخصيصات هائلة لذاكرة GPU VRAM.
تعرّف على YOLO26: المعيار الجديد#
للمؤسسات التي تسعى إلى نشر نماذج الرؤية الأحدث على الإطلاق، يعيد Ultralytics YOLO26 (الذي صدر في يناير 2026) تعريف حدود الأداء. فهو يتفوق بدرجة كبيرة على الأجيال الأقدم بفضل عدة ابتكارات جوهرية:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى مفاهيم من YOLOv10، يلغي الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) تمامًا المعالجة اللاحقة لـقمع الحدود القصوى (NMS). يضمن هذا النهج الأصلي الشامل من البداية إلى النهاية استدلالًا بزمن استجابة منخفض للغاية ومتوقع، وهو أمر بالغ الأهمية لأنظمة السلامة في الزمن الفعلي. - استدلال أسرع على CPU بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL) من البنية، جرى تحسين YOLO26 جذريًا للحوسبة الطرفية والبيئات التي تفتقر إلى تسريع مخصص بواسطة GPU.
- محسّن MuSGD: من خلال دمج استقرار تدريب LLM في نماذج الرؤية، يتيح هذا المحسّن الهجين، المستوحى من Moonshot AI، تقاربًا سريعًا وجلسات تدريب مخصص عالية الاستقرار.
- ProgLoss + STAL: تحقق صيغ الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر حيوي لتطبيقات مثل الصور الجوية للطائرات المسيّرة وتحليل المشاهد المزدحمة.
إذا كنت تبني مشروعًا جديدًا اليوم، فنوصي بشدة بتجاوز البنى القديمة واعتماد YOLO26. ففعاليته في استهلاك الذاكرة وسرعته الخالية من NMS تجعلان نقله إلى بيئة الإنتاج أسهل بكثير.
تنفيذ سلس#
إن تدريب أحدث النماذج وتصديرها باستخدام حزمة Ultralytics لـPython أمر سهل للغاية. يوضح المثال التالي كيفية تدريب أحدث إصدار من YOLO26 وتصديره إلى ONNX لنشر سريع على الأجهزة الطرفية:
from ultralytics import YOLO
# تحميل نموذج YOLO26 small المتطور
model = YOLO("yolo26s.pt")
# تدريب النموذج على مجموعة البيانات التجريبية COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل الاستدلال الخالي من NMS على صورة اختبار
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# التصدير إلى تنسيق ONNX للنشر على الأجهزة الطرفية
model.export(format="onnx")للفرق الراسخة في مسارات العمل الأقدم والتي تسعى إلى استقرار حديث، يُعد استكشاف Ultralytics YOLO11 أيضًا خطوة انتقالية ممتازة، إذ يوفر تنوعًا شاملًا في المهام مدعومًا بمنظومة Ultralytics الكاملة.