مقارنة بين PP-YOLOE+ وYOLOv7#
عند بناء مسارات عمل للرؤية الحاسوبية، يُعد اختيار نموذج اكتشاف الأجسام المناسب أمرًا بالغ الأهمية. قدمت بنيتان معماريتان بارزتان من عام 2022، هما PP-YOLOE+ وYOLOv7، تطورات قوية في اكتشاف الأجسام في الوقت الفعلي. وتقدم هذه المقارنة التقنية نظرة متعمقة على بنيتهما المعمارية ومنهجيات تدريبهما وأدائهما في العالم الحقيقي، لمساعدتك على اتخاذ قرارات مدروسة لتطبيقاتك.
نظرة عامة على النماذج#
صُمم كل من PP-YOLOE+ وYOLOv7 لتجاوز حدود الدقة والسرعة، لكنهما ينحدران من منظومتين مختلفتين للتطوير وفلسفتين مختلفتين في التصميم.
PP-YOLOE+#
طوّره مؤلفو PaddlePaddle في Baidu، ويعتمد PP-YOLOE+ على PP-YOLOv2 الأصلي. وقد قُدّم لتوفير كاشف أجسام فعال وعالي الدقة، ومُحسّن لمنظومة PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: مستودع PaddleDetection
- الوثائق: وثائق PP-YOLOE+
تعرّف على المزيد حول PP-YOLOE+
YOLOv7#
طوّر Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao نموذج YOLOv7، الذي قدّم مفهوم "حقيبة المزايا المجانية القابلة للتدريب" لوضع معايير جديدة رائدة في ذلك الوقت لكواشف الأجسام في الوقت الفعلي.
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
- التاريخ: 2022-07-06
- Arxiv: 2207.02696
- GitHub: مستودع YOLOv7
- الوثائق: وثائق Ultralytics YOLOv7
الابتكارات المعمارية#
بنية PP-YOLOE+#
يعتمد PP-YOLOE+ بدرجة كبيرة على نهج خالٍ من المراسي، مما يجعل عملية النشر أبسط من خلال إلغاء الحاجة إلى ضبط مربعات المراسي لمجموعات البيانات المخصصة. ويضم عمودًا فقريًا قويًا من نوع RepResNet وشبكة PAN بأسلوب CSPNet (شبكة تجميع المسارات) لدمج السمات متعددة المقاييس بفعالية. بالإضافة إلى ذلك، يستفيد من مفهوم تعلّم محاذاة المهام (TAL) لمحاذاة مهمتَي التصنيف وتحديد الموقع ديناميكيًا أثناء التدريب، مما يضمن دقة عالية عبر مختلف مهام الرؤية الحاسوبية.
بنية YOLOv7#
اتخذ YOLOv7 نهجًا مختلفًا من خلال تقديم شبكة تجميع الطبقات الفعالة الموسّعة (E-ELAN). وتتيح هذه البنية للشبكة تعلّم سمات أكثر تنوعًا دون تدمير مسار التدرج الأصلي، مما يؤدي إلى تقارب أفضل. كما يستخدم YOLOv7 إعادةَ بارَمتَرة النموذج على نطاق واسع—وتحديدًا الالتفافات المخططة المُعادَة البارَمتَرة—التي تدمج طبقات الالتفاف أثناء الاستدلال لتسريع التنفيذ دون التضحية بالدقة. وهذا يجعل YOLOv7 قويًا بصورة استثنائية في مهام مثل تتبّع الأجسام المتعددة وأنظمة إنذار الأمان المعقدة.
تحليل الأداء#
عند الموازنة بين السرعة وعدد المعاملات والدقة (mAP)، تتفوق النماذج بالتناوب بحسب المتغير المحدد والعتاد المستهدف. فيما يلي مقارنة شاملة لمقاييسها.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
مع أن نموذج PP-YOLOE+x يحقق mAP أعلى قليلًا، فإن متغيرات YOLOv7 تقدم نسبة قوية جدًا بين عدد المعاملات والدقة. وتظل بنية YOLOv7 مفضلة لمعالجة GPU الخام، حيث يوفر تحسين TensorRT زمن استجابة منخفضًا بصورة استثنائية.
ميزة Ultralytics#
عند تدريب هذه النماذج ونشرها، يكون إطار العمل الذي تختاره مهمًا بقدر أهمية النموذج نفسه. ويوفر استخدام Ultralytics تجربة مستخدم مبسطة بفضل واجهة Python موحّدة بدرجة عالية، تعمل على تبسيط دورة حياة تعلّم الآلة بأكملها.
- منظومة مُصانة جيدًا: تستفيد نماذج Ultralytics YOLO من منظومة تُحدّث باستمرار، ووثائق متينة، ومجتمع نشط.
- متطلبات الذاكرة: تحسّن Ultralytics تحميل البيانات وأنظمة التدريب بدرجة كبيرة. ويتطلب تدريب نماذج Ultralytics YOLO عادةً ذاكرة CUDA أقل بكثير مقارنةً بالبنى المعمارية الثقيلة القائمة على المحوّلات، مما يتيح للمطورين استخدام أحجام دفعات أكبر على العتاد المخصص للمستهلكين.
- كفاءة التدريب: من خلال الاستفادة من استراتيجيات قوية لزيادة البيانات وضبط المعاملات الفائقة المدمج، تضمن Ultralytics تقارب النماذج بسرعة باستخدام أوزان مدرّبة مسبقًا ومتاحة بسهولة.
تنفيذ واجهة API بسيطة#
لا يتطلب تدريب نموذج YOLOv7 باستخدام Ultralytics سوى بضعة أسطر من التعليمات البرمجية، مع تجريد نصوص التدريب المعقدة بالكامل:
from ultralytics import YOLO
# Load a pretrained YOLOv7 model
model = YOLO("yolov7.pt")
# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to TensorRT for deployment
model.export(format="engine", device=0)المعيار الجديد: تقديم YOLO26#
مع أن PP-YOLOE+ وYOLOv7 يمثلان محطتين بارزتين في اكتشاف الأجسام، فإن مجال الذكاء الاصطناعي يتطور بسرعة. ولأي مشروع جديد في الرؤية الحاسوبية، نوصي بشدة باستخدام Ultralytics YOLO26. وقد أُطلق YOLO26 في يناير 2026، ويمثل قفزة هائلة إلى الأمام في الذكاء الاصطناعي للرؤية، مع إعطاء الأولوية للأجهزة الطرفية.
لماذا يتفوق YOLO26 على البنى المعمارية الأقدم:
- تصميم شامل خالٍ من NMS: يعمل YOLO26 أصلاً بطريقة شاملة من البداية إلى النهاية. ومن خلال إلغاء المعالجة اللاحقة لكبت عدم максимية (NMS)، يضمن زمن استدلال متوقعًا وحتميًا—وهو إنجاز ظهر للمرة الأولى في YOLOv10.
- إزالة DFL: تبسّط إزالة خسارة البؤرة للتوزيع عملية التصدير، وتحسّن بدرجة كبيرة التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- استدلال CPU أسرع بنسبة تصل إلى 43%: في السيناريوهات التي تفتقر إلى GPU مخصص—مثل مستشعرات إنترنت الأشياء في المدن الذكية—جرى تحسين YOLO26 بدرجة كبيرة ليعمل بكفاءة مباشرةً على وحدات CPU.
- مُحسِّن MuSGD: مستلهمًا من تقنيات تدريب LLM المتقدمة، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuon لتحقيق تدريب مستقر للغاية وتقارب سريع.
- ProgLoss + STAL: تحقق دوال الخسارة المحسّنة هذه مكاسب ملحوظة في اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية لحالات استخدام مثل الصور الجوية الملتقطة بالطائرات المسيّرة واكتشاف عيوب التصنيع.
حالات الاستخدام المثالية وسيناريوهات النشر#
متى تستخدم PP-YOLOE+#
يتألق PP-YOLOE+ عندما تكون منخرطًا بعمق في منظومة Baidu وPaddlePaddle. فإذا كان هدف النشر يستخدم عتادًا متخصصًا مهيأً لنماذج Paddle، مثل بعض مسارات التصنيع الآسيوية، فإن PP-YOLOE+ يوفر دقة ممتازة وتكاملًا سلسًا. وهو فعال جدًا في أتمتة التصنيع الصناعي.
متى تستخدم YOLOv7#
يظل YOLOv7 خيارًا ممتازًا للاستدلال العام عالي الأداء، لا سيما عند النشر على عتاد NVIDIA باستخدام TensorRT. ويجعله تكامله مع منظومة PyTorch متعدد الاستخدامات بدرجة كبيرة للبحث الأكاديمي ومسارات العمل التجارية المخصصة، مثل إدارة الحشود في الوقت الفعلي أو مهام تقدير الوضعيات المعقدة، حيث تُعد السلامة البنيوية للشبكة أمرًا بالغ الأهمية.
نماذج أخرى جديرة بالاعتبار#
بحسب احتياجاتك الدقيقة، قد تهتم أيضًا بمقارنة هذه البنى المعمارية مع YOLO11 للحصول على مرونة واسعة جاهزة للإنتاج، أو مع RT-DETR إذا كان مشروعك يتطلب المزايا المحددة لمحوّلات الرؤية مقارنةً بالشبكات الالتفافية التقليدية.
الخلاصة#
حقق كل من PP-YOLOE+ وYOLOv7 تحسينات كبيرة في مجال اكتشاف الأجسام في الوقت الفعلي. وبينما يتفوق PP-YOLOE+ في البيئات المعيارية القائمة على PaddlePaddle، يوفر YOLOv7 مرونة وأداءً مذهلين عبر منظومتي PyTorch وUltralytics.
ومع ذلك، مع استمرار حلول الرؤية الحاسوبية في التقدم، يصبح استخدام الأدوات الحديثة أمرًا أساسيًا. ومن خلال اعتماد Ultralytics Platform والبنى المعمارية من الجيل التالي مثل YOLO26، يمكن للمطورين ضمان بقاء تطبيقاتهم في طليعة السرعة والدقة وسهولة الاستخدام.