PP-YOLOE+ مقابل YOLOv6-3.0
توسعت الرؤية الحاسوبية في الوقت الفعلي بسرعة، ما أدى إلى ظهور بنى متخصصة محسّنة لسيناريوهات نشر متنوعة. وكثيرًا ما يقارن المطورون بين PP-YOLOE+ وYOLOv6-3.0 عند إنشاء تطبيقات تتطلب توازنًا بين الإنتاجية العالية والدقة الموثوقة. وقد حقق كلا النموذجين تحسينات معمارية كبيرة عند إطلاقهما، مع التركيز على زيادة سرعة 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 يستند إلى أسلافه لتقديم أداء موثوق ضمن متطلبات المقاييس المختلفة.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
أبرز سمات البنية#
قدّم PP-YOLOE+ تحسينات أساسية عدة مقارنةً بتصميم PP-YOLOE الأصلي. فهو يستخدم عمودًا فقريًا CSPRepResNet يوازن بكفاءة بين التكلفة الحسابية وقدرات استخراج السمات. كما يضم شبكة هرم السمات (FPN) مع شبكة تجميع المسارات (PAN) لضمان دمج السمات متعددة المقاييس. ومن أبرز ميزاته ET-head (الرأس المتوافق مع المهام بكفاءة)، الذي يحسّن بدرجة كبيرة التنسيق بين التصنيف وتحديد المواقع أثناء كشف الأجسام.
رغم تحقيق PP-YOLOE+ متوسط دقة (mAP) قويًا، فإن اعتماده على منظومة PaddlePaddle قد يشكل أحيانًا منحنى تعلم حادًا للباحثين المعتادين على مسارات العمل المعتمدة أصليًا على PyTorch. وقد يعقّد ذلك قليلًا عملية نشر النموذج عند استهداف أجهزة طرفية غير متجانسة لا تدعم استدلال Paddle مباشرةً.
حُسّن PP-YOLOE+ بدرجة كبيرة للنشر ضمن حزمة تقنيات Baidu، ما يجعله خيارًا جيدًا إذا كانت بيئة الإنتاج لديك تعتمد بشدة على أدوات استدلال Paddle.
تعرّف على المزيد حول PP-YOLOE+
YOLOv6-3.0: إنتاجية صناعية#
أطلق قسم Meituan Vision AI نموذج YOLOv6-3.0، وصُمم صراحةً ليكون كاشف أجسام من الجيل التالي للتطبيقات الصناعية، مع إعطاء الأولوية لمعدل نقل عالٍ على أجهزة 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 EfficientRep مصمم خصيصًا لزيادة الاستفادة من الأجهزة، ولا سيما وحدات GPU من NVIDIA باستخدام TensorRT. وأضاف التحديث v3.0 وحدة التجميع ثنائية الاتجاه (BiC) إلى العنق، ما يحسّن الاحتفاظ بالسمات المكانية دون زيادة كبيرة في عدد المعلمات. كما قدّم استراتيجية التدريب المدعوم بالمراسي (AAT)، التي تجمع مزايا الاستقرار القائم على المراسي أثناء تدريب النموذج، مع الحفاظ على بنية سريعة خالية من المراسي أثناء الاستدلال الفوري.
لكن لأن YOLOv6-3.0 محسّن بدرجة كبيرة لوحدات GPU المخصصة للخوادم، فقد تتضاءل مكاسب زمن الاستجابة أحيانًا عند نشره على أجهزة طرفية شديدة التقييد وتعتمد على CPU فقط. ويعني هذا التخصص أنه يحقق أفضل أداء في بيئات مثل تحليل الفيديو دون اتصال، وقد يتأخر عن النماذج المحسّنة للأجهزة الطرفية عند العمل على أجهزة أصغر.
جدول مقارنة الأداء#
يسلط الجدول التالي الضوء على مقاييس الأداء الرئيسية، ويقارن مباشرةً بين إصدارات المقاييس المختلفة في كلتا البنيتين.
| النموذج | الحجم (بكسل) | mAPval50-95 | 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 تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
- 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 وفعالة في استهلاك الذاكرة. وهنا توفر منصة Ultralytics تجربة مميزة للمطورين. وباستخدام Python API موحدة، يمكنك تدريب النماذج الحديثة والتحقق منها ونشرها دون عبء الإعداد الثقيل الشائع في مستودعات الأبحاث الأقدم.
تدعم نماذج Ultralytics أصليًا طيفًا واسعًا من مهام الرؤية يتجاوز الكشف التقليدي، بما فيها تقسيم الكائنات وتصنيف الصور وتقدير الوضعيات واستخراج مربعات الحدود الموجّهة (OBB). كما حُسّنت لتقليل استهلاك الذاكرة أثناء التدريب، خلافًا لـالنماذج القائمة على Transformer مثل RT-DETR، التي تتطلب عمومًا تخصيص سعة كبيرة من VRAM لوحدات GPU.
تعرّف على YOLO26: المعيار الجديد#
للمؤسسات الراغبة في نشر أحدث نماذج الرؤية، يتفوق Ultralytics YOLO26، الذي أُطلق في يناير 2026، بدرجة كبيرة على الأجيال الأقدم بفضل عدة ابتكارات مهمة:
- تصميم شامل خالٍ من NMS: استنادًا إلى مفاهيم من YOLOv10، يلغي الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) تمامًا المعالجة اللاحقة عبر كبح غير القيم العظمى (NMS). ويوفر هذا النهج الشامل الأصلي استدلالًا متوقعًا بزمن استجابة منخفض، وهو أمر بالغ الأهمية لأنظمة السلامة الفورية. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة خسارة البؤرة التوزيعية (DFL) من البنية، حُسّن YOLO26 للحوسبة الطرفية والبيئات التي تفتقر إلى تسريع مخصص بواسطة GPU؛ إذ يعمل YOLO26n على CPU بسرعة أكبر بنسبة تصل إلى 43% من YOLO11n.
- 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 تقنيات التدريب هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر أساسي لتطبيقات مثل التصوير الجوي بالطائرات المسيّرة وتحليل المشاهد المزدحمة.
إذا كنت تبني مشروعًا جديدًا اليوم، فابدأ باستخدام YOLO26 بدلًا من البنى الأقدم. فكفاءته في استخدام الذاكرة وسرعته الخالية من NMS تجعل نشره في الإنتاج أسهل بكثير.
التنفيذ#
إن تدريب النماذج وتصديرها باستخدام حزمة Ultralytics لـPython أمر بسيط. يوضح المثال التالي كيفية تدريب أحدث نموذج YOLO26 وتصديره إلى ONNX للنشر السريع على الأجهزة الطرفية:
from ultralytics import YOLO
# تحميل نموذج YOLO26 الصغير
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")بالنسبة إلى الفرق المندمجة بعمق في مسارات العمل الأقدم لكنها تبحث عن استقرار حديث، يُعد استكشاف Ultralytics YOLO11 خطوة انتقالية جيدة أيضًا، إذ يوفر تنوعًا شاملًا في المهام مدعومًا بمنظومة Ultralytics الكاملة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.