PP-YOLOE+ مقابل YOLOv7
يُعد اختيار نموذج كشف الأجسام المناسب أمرًا بالغ الأهمية عند إنشاء مسارات عمل الرؤية الحاسوبية. وقدّمت بنيتان بارزتان من عام 2022، هما PP-YOLOE+ وYOLOv7، تطورات مهمة في كشف الأجسام الفوري. تتناول هذه المقارنة التقنية بنيتيهما وأساليب التدريب والأداء في العالم الحقيقي، لمساعدتك على اتخاذ قرارات مدروسة لتطبيقاتك.
نظرة عامة على النماذج#
صُمم كل من PP-YOLOE+ وYOLOv7 لتحسين الدقة والسرعة، لكنهما ينتميان إلى منظومتين مختلفتين في التطوير وفلسفتين مختلفتين في التصميم.
PP-YOLOE+#
طوّر مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+ استنادًا إلى PP-YOLOE والإصدار الأسبق PP-YOLOv2. وقد طُرح لتوفير كاشف أجسام فعال ودقيق ومحسّن لمنظومة PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: 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 «مجموعة مجانية قابلة للتدريب» لوضع معايير جديدة رائدة آنذاك لكواشف الأجسام في الزمن الفعلي.
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- arXiv: 2207.02696
- GitHub: مستودع YOLOv7
- الوثائق: وثائق Ultralytics YOLOv7
ابتكارات البنية#
بنية PP-YOLOE+#
يستخدم PP-YOLOE+ تصميمًا خاليًا من المراسي، ما يبسّط النشر بإلغاء الحاجة إلى ضبط مربعات المراسي لمجموعات البيانات المخصصة. ويضم عمودًا فقريًا CSPRepResNet وشبكة PAN بأسلوب CSPNet (شبكة تجميع المسارات) لدمج السمات متعددة المقاييس بفعالية. كما يستخدم تعلم محاذاة المهام (TAL) لمحاذاة مهام التصنيف وتحديد المواقع ديناميكيًا أثناء التدريب، بما يضمن دقة عالية عبر مختلف مهام الرؤية الحاسوبية.
بنية YOLOv7#
اتبع YOLOv7 نهجًا مختلفًا، إذ قدّم شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). وتتيح هذه البنية للشبكة تعلم سمات أكثر تنوعًا دون إفساد مسار التدرج الأصلي، ما يؤدي إلى تقارب أفضل. كما يعتمد YOLOv7 بكثافة على إعادة معلمة النموذج، ولا سيما الالتفافات المعاد تمثيلها المخططة، التي تدمج طبقات الالتفاف أثناء الاستدلال لتسريع التنفيذ دون التضحية بالدقة. وهذا يجعل YOLOv7 مناسبًا لأعباء عمل GPU مثل تتبع الأجسام المتعددة وأنظمة الإنذار الأمني المعقدة.
تحليل الأداء#
عند الموازنة بين السرعة والمعلمات والدقة (mAP)، يتصدر كل نموذج في جوانب مختلفة بحسب الإصدار المحدد والأجهزة المستهدفة. يقارن الجدول أدناه مقاييسهما.
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
رغم أن نموذج PP-YOLOE+x يحقق قيمة mAP أعلى قليلًا، تقدم إصدارات YOLOv7 نسبة قوية جدًا بين عدد المعلمات والدقة. وتظل بنية YOLOv7 خيارًا مفضلًا لمعالجة GPU الخام، حيث يتيح تحسين TensorRT زمن استجابة منخفضًا جدًا.
ميزة Ultralytics#
عند تدريب هذه النماذج ونشرها، لا تقل أهمية إطار العمل الذي تختاره عن أهمية النموذج نفسه. توفر Ultralytics تجربة استخدام مبسطة بفضل Python API موحدة تبسّط دورة حياة تعلم الآلة بأكملها.
- منظومة مُصانة جيدًا: تستفيد نماذج Ultralytics YOLO من منظومة تُحدّث باستمرار، ووثائق قوية، ومجتمع نشط.
- متطلبات الذاكرة: تحسّن Ultralytics إجراءات تحميل البيانات والتدريب. ويتطلب تدريب نماذج Ultralytics YOLO عادةً ذاكرة CUDA أقل بكثير مقارنةً بالبنى الثقيلة القائمة على Transformer، ما يتيح للمطورين استخدام أحجام دفعات أكبر على الأجهزة المخصصة للمستهلكين.
- كفاءة التدريب: من خلال الاستفادة من استراتيجيات تعزيز البيانات القوية وضبط المعلمات الفائقة المدمج، تضمن Ultralytics تقارب النماذج بسرعة باستخدام أوزان مدرّبة مسبقًا ومتاحة بسهولة.
تنفيذ بسيط لواجهة API#
لا تدعم حزمة Ultralytics تدريب YOLOv7 أصليًا (راجع وثائق YOLOv7 لتشغيل صادرات YOLOv7 من المصدر الأصلي)، لكن تدريب نموذج Ultralytics YOLO حديث لا يتطلب سوى بضعة أسطر من الشيفرة، بدلًا من نصوص التدريب المعقدة:
from ultralytics import YOLO
# تحميل نموذج YOLO26 مدرّب مسبقًا
model = YOLO("yolo26n.pt")
# درّب النموذج على مجموعة البيانات المخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# التصدير إلى TensorRT للنشر
model.export(format="engine", device=0)المعيار الجديد: تقديم YOLO26#
يمثل PP-YOLOE+ وYOLOv7 محطتين بارزتين في كشف الأجسام، لكن مشهد الذكاء الاصطناعي يتطور بسرعة. لأي مشروع جديد في الرؤية الحاسوبية، النموذج الموصى به هو Ultralytics YOLO26. أُطلق YOLO26 في يناير 2026، ويمثل خطوة كبيرة إلى الأمام في الذكاء الاصطناعي للرؤية المصمم أولًا للأجهزة الطرفية.
لماذا يتفوق YOLO26 على البنى الأقدم:
- تصميم شامل خالٍ من NMS: يتميز YOLO26 بأنه شامل أصليًا. ومن خلال تخطي المعالجة اللاحقة لكبح غير القيم العظمى (NMS) باستخدام رأسه الاختياري أحادي المطابقة (
nms=False)، يوفر زمن استدلال متوقعًا؛ وهو نهج طُرح أول مرة في YOLOv10. - إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية التصدير وتحسين التوافق بدرجة كبيرة مع الأجهزة الطرفية منخفضة الطاقة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: في السيناريوهات التي تفتقر إلى وحدات GPU مخصصة، مثل مستشعرات إنترنت الأشياء في المدن الذكية، حُسّن YOLO26 للعمل بكفاءة على وحدات CPU، إذ يعمل YOLO26n بسرعة أكبر بنسبة تصل إلى 43% من YOLO11n.
- محسّن MuSGD: استُلهم YOLO26 من تقنيات تدريب نماذج اللغة الكبيرة المتقدمة، مثل Kimi K2 من Moonshot AI، ويستخدم مزيجًا هجينًا من SGD وMuon لتدريب مستقر وتقارب سريع.
- ProgLoss + STAL: تحقق الخسارة التقدمية وإسناد التسميات المراعي للأهداف الصغيرة تحسنًا ملحوظًا في كشف الأجسام الصغيرة، وهو أمر بالغ الأهمية لحالات استخدام مثل التصوير الجوي بالطائرات المسيّرة وكشف عيوب التصنيع.
حالات الاستخدام المثالية وسيناريوهات النشر#
متى تستخدم PP-YOLOE+#
يُعد PP-YOLOE+ الخيار الطبيعي إذا كنت مندمجًا بعمق في منظومتي Baidu وPaddlePaddle. فإذا كان هدف النشر يستخدم أجهزة متخصصة مصممة لنماذج Paddle، يوفر PP-YOLOE+ دقة عالية وتكاملًا وثيقًا. وهو فعّال جدًا في أتمتة التصنيع الصناعي.
متى تستخدم YOLOv7#
يظل YOLOv7 خيارًا جيدًا للاستدلال العام عالي الأداء، ولا سيما عند النشر على أجهزة NVIDIA باستخدام TensorRT. ويجعله تكامله مع منظومة PyTorch متعدد الاستخدامات جدًا للأبحاث الأكاديمية ومسارات العمل التجارية المخصصة، مثل مهام إدارة الحشود في الوقت الفعلي أو تقدير الوضعيات.
نماذج أخرى جديرة بالنظر#
بحسب احتياجاتك المحددة، قد يهمك أيضًا مقارنة هذه البنى بـYOLO11 للحصول على مرونة واسعة وجاهزة للإنتاج، أو بـRT-DETR إذا كان مشروعك يتطلب مزايا محددة للكشف القائم على Transformer مقارنةً بالشبكات الالتفافية التقليدية.
الخلاصة#
حقق كل من PP-YOLOE+ وYOLOv7 تحسينات مهمة في مجال كشف الأجسام الفوري. يتفوق PP-YOLOE+ في البيئات الموحدة حول PaddlePaddle، بينما يوفر YOLOv7 المرونة والأداء عبر منظومة PyTorch.
لكن مع استمرار تطور حلول الرؤية الحاسوبية، يصبح استخدام الأدوات الحديثة أمرًا أساسيًا. ومن خلال اعتماد منصة Ultralytics والبنى من الجيل التالي مثل YOLO26، يستطيع المطورون مواكبة أحدث مستويات السرعة والدقة وسهولة الاستخدام في تطبيقاتهم.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.