مقارنة بين PP-YOLOE+ وYOLOv6-3.0#

توسع مجال الرؤية الحاسوبية في الوقت الفعلي بسرعة كبيرة، مما أدى إلى ظهور معماريات متخصصة للغاية ومحسنة لسيناريوهات النشر المتنوعة. وغالباً ما يقارن المطورون بين PP-YOLOE+ وYOLOv6-3.0 عند بناء تطبيقات تتطلب توازناً بين الإنتاجية العالية والدقة الموثوقة. وقد قدم كلا النموذجين تحسينات معمارية جوهرية عند إصدارهما، مع التركيز على تعزيز سرعات الاستدلال للتطبيقات الصناعية وتطبيقات الحافة.

قبل الغوص في التفاصيل المعمارية الدقيقة، استكشف الرسم البياني أدناه لتصور كيفية أداء هذه النماذج مقارنة ببعضها البعض من حيث السرعة والدقة.

PP-YOLOE+: نقاط القوة والضعف المعمارية#

تم تطوير PP-YOLOE+ بواسطة مؤلفي PaddlePaddle، وهو كاشف خالٍ من المرساة بارز يعتمد على سابقاته لتقديم أداء قوي عبر متطلبات النطاق المختلفة.

• المؤلفون: مؤلفو PaddlePaddle
• المنظمة: Baidu
• التاريخ: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection

أبرز ملامح المعمارية#

قدم PP-YOLOE+ العديد من التحسينات الحاسمة على تصميم PP-YOLOE الأصلي. فهو يستفيد من العمود الفقري CSPRepResNet القوي، والذي يوازن بكفاءة بين التكلفة الحسابية وقدرات استخراج الميزات. علاوة على ذلك، فهو يدمج شبكة هرمية للميزات (FPN) متقدمة مع شبكة تجميع المسارات (PAN) لضمان دمج الميزات متعددة النطاقات. ومن أبرز ميزاته هو ET-head (رأس المهام المتوافقة الفعال)، الذي يحسن بشكل كبير تنسيق التصنيف والتوطين أثناء اكتشاف الكائنات.

بينما يحقق PP-YOLOE+ متوسط دقة متوسط (mAP) مثيراً للإعجاب، فإن اعتماده على نظام PaddlePaddle البيئي يمكن أن يمثل أحياناً منحنى تعلم حاد للباحثين المعتادين على سير عمل PyTorch الأصلي. وقد يؤدي هذا إلى تعقيد عملية نشر النموذج قليلاً عند استهداف أجهزة الحافة غير المتجانسة التي تفتقر إلى دعم استدلال Paddle المباشر.

تعرف على المزيد حول PP-YOLOE+

YOLOv6-3.0: الإنتاجية الصناعية#

تم إصدار YOLOv6-3.0 بواسطة قسم الذكاء الاصطناعي للرؤية في Meituan، وقد تم تصميمه صراحة ليكون كاشف كائنات من الجيل التالي للتطبيقات الصناعية، مع إعطاء الأولوية للإنتاجية الهائلة على أجهزة 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 بنعم كفاءة EfficientRep مصمم خصيصاً لتحقيق أقصى استفادة من الأجهزة، وخاصة على وحدات معالجة الرسومات NVIDIA باستخدام TensorRT. جلبت تحديثات الإصدار v3.0 وحدة دمج ثنائية الاتجاه (BiC) إلى الرقبة، مما يعزز الاحتفاظ بالمعسمات المكانية دون تضخم كبير في عدد المعلمات. بالإضافة إلى ذلك، قدم استراتيجية تدريب مدعومة بالمثبتات (AAT) تدمج فوائد الاستقرار القائم على المثبتات أثناء model training مع الحفاظ على بنية سريعة وخالية من المثبتات أثناء real-time inference.

ومع ذلك، نظراً لأن YOLOv6-3.0 محسّن للغاية لوحدات معالجة الرسومات من فئة الخوادم، فإن مكاسب زمن الوصول تتضاءل أحياناً عند نشره على أجهزة الحافة المقيدة بشدة والتي تعمل بوحدة معالجة مركزية فقط. هذا التخصص يعني أنه يتفوق في بيئات مثل تحليلات الفيديو دون اتصال بالإنترنت، ولكنه قد يتأخر عن النماذج المحسنة ديناميكياً على أجهزة أصغر ومحلية.

اعرف المزيد حول YOLOv6

جدول مقارنة الأداء#

يوضح الجدول التالي مقاييس الأداء الرئيسية، ويقارن مباشرة بين متغيرات النطاق المختلفة لكلا المعماريين.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ وYOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار PP-YOLOE+#

يعد PP-YOLOE+ خياراً قوياً في الحالات التالية:

• التكامل مع نظام PaddlePaddle البيئي: للمؤسسات التي لديها بنية تحتية موجودة مبنية على إطار عمل Baidu's PaddlePaddle.
• النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
• الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.

متى تختار YOLOv6#

يوصى بـ YOLOv6 لـ:

• النشر المدرك للأجهزة الصناعية: السيناريوهات التي يوفر فيها التصميم المدرك للأجهزة وإعادة تحديد المعلمات الفعال للنموذج أداءً محسناً على أجهزة مستهدفة محددة.
• الكشف السريع في مرحلة واحدة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو الفوري في بيئات خاضعة للتحكم.
• تكامل نظام Meituan البيئي: الفرق التي تعمل بالفعل ضمن مكدس التكنولوجيا والبنية التحتية للنشر الخاصة بـ Meituan.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

ميزة Ultralytics: التقدم إلى ما بعد النماذج القديمة#

بينما يقدم PP-YOLOE+ وYOLOv6-3.0 حلولاً مستهدفة، يتطلب تطوير الذكاء الاصطناعي الحديث سير عمل متعدد الاستخدامات وفعال في استخدام الذاكرة. وهنا توفر منصة Ultralytics تجربة مطور لا مثيل لها. فمن خلال واجهة برمجة تطبيقات Python موحدة، يمكنك تدريب النماذج المتطورة والتحقق منها ونشرها بسلاسة دون عبء التكوين الهائل الموجود عادةً في مستودعات الأبحاث القديمة.

تدعم نماذج Ultralytics بشكل أصلي مجموعة واسعة من مهام الرؤية إلى جانب الكشف القياسي، بما في ذلك instance segmentation، وpose estimation، وimage classification، واستخراج Oriented Bounding Box (OBB). علاوة على ذلك، فهي محسنة للغاية لاستهلاك أقل للذاكرة أثناء التدريب—وهو تناقض صارخ مع transformer-based models مثل RT-DETR التي تتطلب عادةً تخصيصات هائلة لذاكرة VRAM لوحدة معالجة الرسومات.

اكتشف YOLO26: المعيار الجديد#

بالنسبة للمؤسسات التي تتطلع إلى نشر أحدث نماذج الرؤية المتطورة، فإن Ultralytics YOLO26 (الذي تم إصداره في يناير 2026) يعيد تحديد حدود الأداء. فهو يتفوق بشكل كبير على الأجيال القديمة مع العديد من الابتكارات الحاسمة:

• تصميم نهائي خالي من NMS: بناءً على المفاهيم المأخوذة من YOLOv10، يلغي YOLO26 تماماً المعالجة اللاحقة Non-Maximum Suppression (NMS). يضمن هذا النهج الأصلي المتكامل تماماً استنتاجاً ذا زمن انتقال متوقع ومنخفض للغاية، وهو أمر بالغ الأهمية لأنظمة السلامة في الوقت الفعلي.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية: من خلال إزالة خسارة التوزيع البؤري (DFL) من المعمارية، تم تحسين YOLO26 بشكل جذري لحوسبة الحافة والبيئات التي تفتقر إلى تسريع مخصص بـ GPU.
• مُحسن MuSGD: من خلال دمج استقرار تدريب النماذج اللغوية الكبيرة (LLM) في نماذج الرؤية، يتيح هذا المُحسن الهجين (المستوحى من Moonshot AI) التقارب السريع وجلسات تدريب مخصصة مستقرة للغاية.
• ProgLoss + STAL: توفر صياغات الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر حيوي لتطبيقات مثل صور الطائرات بدون طيار وتحليل المشاهد المزدحمة.

تنفيذ سلس#

يعد تدريب وتصدير النماذج المتطورة باستخدام حزمة Ultralytics Python بسيطاً للغاية. يوضح المثال التالي كيفية تدريب أحدث طراز YOLO26 وتصديره إلى ONNX للنشر السريع عند 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 للفرق المندمجة بعمق في سير العمل القديم ولكنها تبحث عن استقرار حديث، فإن استكشاف Ultralytics YOLO11 يعد أيضاً خطوة انتقالية ممتازة، حيث يوفر تنوعاً شاملاً في المهام مدعوماً بنظام Ultralytics البيئي الكامل.