Link to this sectionمقارنة بين PP-YOLOE+ وYOLOv7#

عند بناء خطوط معالجة الرؤية الحاسوبية، يعد اختيار نموذج اكتشاف الكائنات المناسب أمراً بالغ الأهمية. قدمت بنتان معماريتان هامتان من عام 2022، وهما PP-YOLOE+ وYOLOv7، تطورات قوية في اكتشاف الكائنات في الوقت الفعلي. توفر هذه المقارنة التقنية نظرة متعمقة على بنيتهما، ومنهجيات التدريب، والأداء في العالم الحقيقي لمساعدتك في اتخاذ قرارات مستنيرة لتطبيقاتك.

Link to this sectionنظرة عامة على النماذج#

تم تصميم كل من PP-YOLOE+ وYOLOv7 لتجاوز حدود الدقة والسرعة، لكنهما ينبعان من أنظمة تطوير وفلسفات تصميم مختلفة.

Link to this sectionPP-YOLOE+#

طُوّر نموذج PP-YOLOE+ بواسطة مؤلفي PaddlePaddle في شركة Baidu، وهو يعتمد على النموذج الأصلي PP-YOLOv2. تم تقديمه لتوفير كاشف كائنات فعال وعالي الدقة ومحسّن لنظام PaddlePaddle البيئي.

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: 2203.16250
GitHub: مستودع PaddleDetection
الوثائق: وثائق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

Link to this sectionYOLOv7#

طُوّر YOLOv7 بواسطة Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao، وقد قدم "مجموعة أدوات مجانية قابلة للتدريب" (trainable bag-of-freebies) لوضع معايير حالة الفن الجديدة لكاشفات الكائنات في الوقت الفعلي في وقت إصداره.

المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 2022-07-06
Arxiv: 2207.02696
GitHub: مستودع YOLOv7
المستندات: مستندات Ultralytics YOLOv7

اعرف المزيد عن YOLOv7

Link to this sectionالابتكارات المعمارية#

Link to this sectionبنية PP-YOLOE+#

يعتمد PP-YOLOE+ بشكل كبير على نموذج بدون نقاط تثبيت (anchor-free)، مما يجعل عملية النشر أبسط من خلال إلغاء الحاجة إلى ضبط صناديق التثبيت (anchor boxes) لمجموعات البيانات المخصصة. وهو يدمج عموداً فقرياً قوياً من نوع RepResNet وشبكة تجميع المسار (PAN) على نمط CSPNet لدمج الميزات متعددة المقاييس بفعالية. بالإضافة إلى ذلك، فإنه يستفيد من مفهوم تعلم محاذاة المهام (TAL) لمحاذاة مهام التصنيف والتوطين ديناميكياً أثناء التدريب، مما يضمن دقة عالية عبر مختلف مهام الرؤية الحاسوبية.

Link to this sectionبنية YOLOv7#

اتخذ YOLOv7 نهجاً مختلفاً من خلال تقديم شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تسمح هذه البنية للشبكة بتعلم ميزات أكثر تنوعاً دون تدمير مسار التدرج الأصلي، مما يؤدي إلى تقارب أفضل. يستخدم YOLOv7 أيضاً بشكل مكثف إعادة معلمات النموذج—وتحديداً، الالتفافات المخطط لها والمعاد معلمات—التي تدمج طبقات الالتفاف أثناء الاستدلال لتسريع التنفيذ دون التضحية بالدقة. وهذا يجعل YOLOv7 قوياً بشكل استثنائي في مهام مثل تتبع الكائنات المتعددة وأنظمة الإنذار الأمني المعقدة.

اختلافات الأنظمة البيئية

بينما يتكامل PP-YOLOE+ بإحكام مع إطار عمل PaddlePaddle الخاص بشركة Baidu، تم بناء YOLOv7 في PyTorch، والذي يقدم تاريخياً مجتمعاً أكبر وتوافقاً أوسع جاهزاً للاستخدام مع خطوط معالجة النشر مثل ONNX وTensorRT.

Link to this sectionتحليل الأداء#

عند الموازنة بين السرعة والمعلمات والدقة (mAP)، تتبادل النماذج التفوق اعتماداً على المتغير المحدد والأجهزة المستهدفة. فيما يلي مقارنة شاملة لمقاييسها.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(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

بينما يحقق نموذج PP-YOLOE+x دقة mAP أعلى قليلاً، توفر متغيرات YOLOv7 نسبة قوية جداً بين المعلمات والدقة. تظل بنية YOLOv7 مفضلة لمعالجة GPU الخام حيث يوفر تحسين TensorRT زمناً انتقالياً منخفضاً بشكل استثنائي.

Link to this sectionميزة Ultralytics#

عند تدريب هذه النماذج ونشرها، يكون إطار العمل الذي تختاره بنفس أهمية النموذج نفسه. يوفر استخدام Ultralytics تجربة مستخدم انسيابية بفضل واجهة Python البرمجية الموحدة للغاية التي تبسط دورة حياة التعلم الآلي بالكامل.

نظام بيئي مُصان جيداً: تستفيد نماذج Ultralytics YOLO من نظام بيئي يتم تحديثه باستمرار، ومستندات قوية، ومجتمع نشط.
متطلبات الذاكرة: تقوم Ultralytics بتحسين تحميل البيانات وأنظمة التدريب بشكل كبير. يتطلب تدريب نماذج Ultralytics YOLO عادةً ذاكرة CUDA أقل بكثير مقارنة بالبنى الثقيلة المعتمدة على Transformer، مما يسمح للمطورين باستخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
كفاءة التدريب: من خلال الاستفادة من استراتيجيات زيادة البيانات القوية وضبط المعلمات الفائقة المدمج، تضمن Ultralytics تقارب النماذج بسرعة مع أوزان مدربة مسبقاً متاحة بسهولة.

Link to this sectionتنفيذ واجهة برمجة تطبيقات بسيطة#

يتطلب تدريب نموذج YOLOv7 باستخدام Ultralytics بضعة أسطر فقط من الكود، مما يلخص نصوص التدريب المعقدة تماماً:

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)

Link to this sectionالمعيار الجديد: تقديم YOLO26#

على الرغم من أن PP-YOLOE+ وYOLOv7 يمثلان علامات فارقة في اكتشاف الكائنات، إلا أن مشهد الذكاء الاصطناعي يتطور بسرعة. لأي مشروع رؤية حاسوبية جديد، نوصي بشدة باستخدام Ultralytics YOLO26. يمثل YOLO26، الذي تم إصداره في يناير 2026، قفزة هائلة إلى الأمام في ذكاء الرؤية الموجه للحافة.

لماذا يتفوق YOLO26 على البنى القديمة:

تصميم من طرف إلى طرف خالٍ من NMS: يعتبر YOLO26 نقي الصنع من طرف إلى طرف. من خلال إلغاء المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، فإنه يضمن زمناً انتقالياً للاستدلال يمكن التنبؤ به ومحدداً—وهو إنجاز شوهد لأول مرة في YOLOv10.
إزالة DFL: تبسط إزالة Distribution Focal Loss عملية التصدير وتحسن التوافق بشكل كبير لأجهزة الحافة منخفضة الطاقة.
سرعة استدلال CPU أسرع بنسبة تصل إلى 43%: للسيناريوهات التي تفتقر إلى وحدات معالجة رسومية مخصصة—مثل مستشعرات إنترنت الأشياء للمدن الذكية—تم تحسين YOLO26 بشكل كبير للعمل بكفاءة مباشرة على وحدات المعالجة المركزية (CPUs).
محسن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM) المتقدمة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 هجيناً من SGD وMuon لتدريب مستقر بشكل لا يصدق وتقارب سريع.
ProgLoss + STAL: تجلب دوال الخسارة المحسنة هذه مكاسب ملحوظة في اكتشاف الكائنات الصغيرة، وهو أمر حيوي لحالات الاستخدام مثل صور الطائرات بدون طيار واكتشاف عيوب التصنيع.

تعرف على المزيد حول YOLO26

Link to this sectionحالات الاستخدام المثالية وسيناريوهات النشر#

Link to this sectionمتى تستخدم PP-YOLOE+#

يتألق PP-YOLOE+ عندما تكون منغمساً بعمق في نظام Baidu وPaddlePaddle البيئي. إذا كان هدف النشر الخاص بك يستخدم أجهزة متخصصة مصممة لنماذج Paddle (على سبيل المثال، في بعض خطوط التصنيع الآسيوية)، فإن PP-YOLOE+ يوفر دقة ممتازة وتكاملاً سلساً. إنه فعال للغاية لـ أتمتة التصنيع الصناعي.

Link to this sectionمتى تستخدم YOLOv7#

يظل YOLOv7 خياراً ممتازاً للاستدلال العام عالي الأداء، خاصة عند النشر على أجهزة NVIDIA باستخدام TensorRT. إن تكامله في نظام PyTorch البيئي يجعله متعدد الاستخدامات للغاية للبحث الأكاديمي وخطوط المعالجة التجارية المخصصة، مثل إدارة الحشود في الوقت الفعلي أو مهام تقدير الوضعية المعقدة حيث تكون السلامة الهيكلية للشبكة أمراً بالغ الأهمية.

Link to this sectionنماذج أخرى يجب مراعاتها#

اعتماداً على احتياجاتك الدقيقة، قد تكون مهتماً أيضاً بمقارنة هذه البنى مقابل YOLO11 للحصول على مرونة واسعة وجاهزة للإنتاج، أو RT-DETR إذا كان مشروعك يتطلب المزايا المحددة لمحوّلات الرؤية على الشبكات الالتفافية التقليدية.

Link to this sectionالخلاصة#

جلب كل من PP-YOLOE+ وYOLOv7 تحسينات كبيرة على عالم اكتشاف الكائنات في الوقت الفعلي. بينما يتفوق PP-YOLOE+ في البيئات الموحدة حول PaddlePaddle، يوفر YOLOv7 مرونة وأداءً لا يصدقان عبر أنظمة PyTorch وUltralytics البيئية.

ومع ذلك، مع استمرار تقدم حلول الرؤية الحاسوبية، يعد استخدام الأدوات الحديثة أمراً ضرورياً. من خلال تبني منصة Ultralytics والبنى من الجيل التالي مثل YOLO26، يمكن للمطورين ضمان بقاء تطبيقاتهم في طليعة السرعة والدقة وسهولة الاستخدام.

المساهمون

GLglenn-jocher¹³

تم الإنشاء 27 يناير 2025تم التحديث الأسبوع الماضي