PP-YOLOE+ مقابل YOLOv6-3.0#

شهد مجال الرؤية الحاسوبية في الوقت الفعلي توسعًا سريعًا، مما أدى إلى ظهور بنيات متخصصة للغاية ومُحسّنة لسيناريوهات نشر متنوعة. يقارن المطورون باستمرار بين PP-YOLOE+ وYOLOv6-3.0 عند بناء تطبيقات تتطلب تحقيق توازن بين معدل نقل عالٍ ودقة موثوقة. وقدّم كلا النموذجين تحسينات معمارية كبيرة عند إصدارهما، مع التركيز على تعزيز سرعات الاستدلال للتطبيقات الصناعية وتطبيقات الحافة.

قبل الخوض في التحليلات المعمارية التفصيلية، استكشف المخطط أدناه لتصور أداء هذين النموذجين مقارنةً بأحدهما بالآخر من حيث السرعة والدقة.

نقاط القوة والضعف المعمارية في PP-YOLOE+#

طوّره مؤلفو PaddlePaddle، ويُعد PP-YOLOE+ كاشفًا خاليًا من المراسي بارزًا 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 ملامح المعمارية#

قدّم PP-YOLOE+ عدة تحسينات مهمة مقارنةً بتصميم PP-YOLOE الأصلي. فهو يستفيد من العمود الفقري القوي CSPRepResNet، الذي يوازن بكفاءة بين التكلفة الحاسوبية وقدرات استخراج الميزات. علاوةً على ذلك، يدمج شبكة هرم الميزات (FPN) المتقدمة مع شبكة تجميع المسارات (PAN) لضمان دمج الميزات متعددة المقاييس. ومن أبرز ميزاته رأس ET (الرأس الموائم للمهام بكفاءة)، الذي يحسّن بدرجة كبيرة التنسيق بين التصنيف وتحديد الموضع أثناء اكتشاف الكائنات.

رغم أن PP-YOLOE+ يحقق متوسط الدقة (mAP) مثيرًا للإعجاب، فإن اعتماده على منظومة PaddlePaddle قد يفرض أحيانًا منحنى تعلم حادًا على الباحثين المعتادين على سير العمل الأصلي لـ PyTorch. وقد يؤدي ذلك إلى تعقيد عملية نشر النموذج قليلًا عند استهداف أجهزة حافة غير متجانسة تفتقر إلى دعم مباشر لاستدلال Paddle.

تعرّف على المزيد حول PP-YOLOE+

YOLOv6-3.0: معدل نقل البيانات الصناعي#

أصدره قسم Meituan للذكاء الاصطناعي والرؤية، وقد صُمّم YOLOv6-3.0 صراحةً ليكون كاشف كائنات من الجيل التالي للتطبيقات الصناعية، مع إعطاء الأولوية لمعدل نقل هائل على عتاد GPU.

• المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، وآخرون.
• المنظمة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

أبرز ملامح المعمارية#

يتميز YOLOv6-3.0 بعمود فقري EfficientRep مصمم خصيصًا لتعظيم الاستفادة من العتاد، ولا سيما على وحدات معالجة الرسومات NVIDIA باستخدام TensorRT. جلب تحديث v3.0 وحدة BiC إلى العنق، مما عزز الاحتفاظ بالميزات المكانية دون زيادة عدد المعلمات بشكل مفرط. بالإضافة إلى ذلك، قدّم استراتيجية التدريب بمساعدة المراسي (AAT)، التي تدمج فوائد الاستقرار القائم على المراسي أثناء تدريب النموذج، مع الحفاظ على بنية سريعة خالية من المراسي أثناء الاستدلال في الوقت الفعلي.

ومع ذلك، نظرًا إلى أن YOLOv6-3.0 مُحسّن بدرجة كبيرة لوحدات معالجة الرسومات المخصصة للخوادم، فإن مكاسب زمن الاستجابة تتضاءل أحيانًا عند نشره على أجهزة حافة مقيدة بشدة وتعمل بوحدة CPU فقط. ويعني هذا التخصص أنه يتفوق في بيئات مثل تحليلات الفيديو غير المتصلة، لكنه قد يتأخر عن النماذج المحسّنة ديناميكيًا على العتاد الأصغر والمحلي.

تعرّف على المزيد حول YOLOv6

جدول مقارنة الأداء#

يسلط الجدول التالي الضوء على مقاييس الأداء الرئيسية، مع مقارنة مباشرة بين متغيرات المقاييس المختلفة لكلتا البنيتين.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ وYOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

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 YOLOv6#

يوصى باستخدام YOLOv6 في الحالات التالية:

• النشر المراعي للعتاد الصناعي: السيناريوهات التي يوفر فيها تصميم النموذج المراعي للعتاد وإعادة المعلمة الفعالة أداءً محسنًا على عتاد مستهدف محدد.
• الاكتشاف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للرقابة.
• التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنيتها التحتية للنشر.

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.

ميزة Ultralytics: التقدم إلى ما بعد النماذج القديمة#

رغم أن PP-YOLOE+ وYOLOv6-3.0 يقدمان حلولًا موجهة، فإن تطوير الذكاء الاصطناعي الحديث يتطلب سير عمل مرنًا وفعّالًا من حيث استخدام الذاكرة. وهنا توفر منصة Ultralytics تجربة مطور لا مثيل لها. فمن خلال واجهة Python موحدة، يمكنك تدريب النماذج المتطورة والتحقق منها ونشرها بسلاسة، من دون عبء الإعداد الهائل الموجود عادةً في مستودعات الأبحاث الأقدم.

تدعم نماذج Ultralytics أصلاً مجموعة واسعة من مهام الرؤية التي تتجاوز الاكتشاف القياسي، بما في ذلك تجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور، واستخراج المربع المحيط الموجّه (OBB). علاوةً على ذلك، جرى تحسينها بدرجة كبيرة لخفض استخدام الذاكرة أثناء التدريب، في contrast صارخ مع النماذج القائمة على Transformer مثل RT-DETR، التي تتطلب عمومًا تخصيصات هائلة من ذاكرة GPU.

اكتشف YOLO26: المعيار الجديد#

بالنسبة إلى المؤسسات التي تتطلع إلى نشر نماذج الرؤية المتطورة الأحدث، تعيد Ultralytics YOLO26 (الذي أُصدر في يناير 2026) رسم حدود الأداء. فهو يتفوق بدرجة كبيرة على الأجيال الأقدم بفضل عدة ابتكارات مهمة:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: بالاستناد إلى مفاهيم من YOLOv10، يلغي YOLO26 تمامًا المعالجة اللاحقة الخاصة بـقمع عدم最大ية القيم (NMS). ويضمن هذا النهج الأصلي الشامل من البداية إلى النهاية استدلالًا بزمن استجابة منخفض للغاية ويمكن التنبؤ به، وهو أمر بالغ الأهمية لأنظمة السلامة في الوقت الفعلي.
• استدلال CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة Distribution Focal Loss (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 مستقرة للغاية.
• ProgLoss + STAL: توفر صيغ الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر حيوي لتطبيقات مثل الصور الجوية الملتقطة بالطائرات المسيّرة وتحليل المشاهد المزدحمة.

تنفيذ سلس#

يُعد تدريب النماذج المتطورة وتصديرها باستخدام حزمة Ultralytics Python أمرًا بسيطًا للغاية. يوضح المثال التالي كيفية تدريب أحدث نموذج YOLO26 وتصديره إلى ONNX للنشر السريع على الحافة:

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

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

# Run inference on a test image (NMS-free speed)
predict_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for edge deployment
model.export(format="onnx")

بالنسبة إلى الفرق المندمجة بعمق في سير العمل الأقدم لكنها تسعى إلى تحقيق استقرار حديث، يُعد استكشاف Ultralytics YOLO11 أيضًا خطوة انتقالية ممتازة، إذ يوفر تنوعًا شاملًا في المهام مدعومًا بمنظومة Ultralytics الكاملة.