PP-YOLOE+ مقابل YOLOv7#

عند بناء مسارات عمل للرؤية الحاسوبية، يُعد اختيار نموذج اكتشاف الأجسام المناسب أمرًا بالغ الأهمية. قدّمت بنيتان معماريتان بارزتان من عام 2022، هما PP-YOLOE+ وYOLOv7، تطورات قوية في مجال اكتشاف الأجسام في الزمن الفعلي. تقدم هذه المقارنة التقنية نظرة متعمقة على بنيتيهما المعماريتين ومنهجيات التدريب والأداء في العالم الفعلي، لمساعدتك على اتخاذ قرارات مستنيرة بشأن تطبيقاتك.

نظرة عامة على النماذج#

صُمم كل من PP-YOLOE+ وYOLOv7 لدفع حدود الدقة والسرعة، لكنهما ينحدران من منظومتي تطوير وفلسفتَي تصميم مختلفتين.

PP-YOLOE+#

طوّر مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+، الذي بُني على PP-YOLOv2 الأصلي. وقد طُرح لتوفير كاشف أجسام فعّال وعالي الدقة، 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

تعرّف على المزيد عن YOLOv7

ابتكارات البنية#

بنية PP-YOLOE+#

يعتمد PP-YOLOE+ بدرجة كبيرة على نهج خالٍ من المراسي، ما يبسّط عملية النشر بإلغاء الحاجة إلى ضبط مربعات المراسي لمجموعات البيانات المخصصة. ويضم عمودًا فقريًا قويًا من نوع RepResNet وشبكة PAN على نمط CSPNet (شبكة تجميع المسارات) لدمج السمات متعددة المقاييس بفاعلية. كما يستفيد من مفهوم تعلّم مواءمة المهام (TAL) لمواءمة مهام التصنيف وتحديد الموقع ديناميكيًا أثناء التدريب، بما يضمن دقة عالية في مختلف مهام الرؤية الحاسوبية.

بنية YOLOv7#

اتبّع YOLOv7 نهجًا مختلفًا بتقديم شبكة تجميع الطبقات الفعّالة الموسعة (E-ELAN). تتيح هذه البنية للشبكة تعلّم سمات أكثر تنوعًا من دون إتلاف مسار التدرّج الأصلي، ما يؤدي إلى تقارب أفضل. كما يستخدم YOLOv7 إعادة معلمة النموذج على نطاق واسع، وتحديدًا الالتفافات المخططة المعاد معلمتها، التي تدمج طبقات الالتفاف أثناء الاستدلال لتسريع التنفيذ من دون التضحية بالدقة. وهذا ما يجعل YOLOv7 قويًا للغاية في مهام مثل تتبّع الأجسام المتعددة وأنظمة الإنذار الأمني المعقدة.

تحليل الأداء#

عند الموازنة بين السرعة وعدد المعلمات والدقة (mAP)، تتفاوت النتائج بين النماذج بحسب النسخة المحددة والعتاد المستهدف. فيما يلي مقارنة شاملة لمقاييسها.

على الرغم من أن نموذج PP-YOLOE+x يحقق قيمة mAP أعلى قليلًا، فإن إصدارات YOLOv7 تقدم نسبة قوية جدًا بين عدد المعلمات والدقة. ولا تزال بنية YOLOv7 خيارًا مفضلًا لمعالجة GPU الخام، إذ يوفّر تحسين TensorRT زمن استجابة منخفضًا للغاية.

ميزة Ultralytics#

عند تدريب هذه النماذج ونشرها، لا يقل الإطار الذي تختاره أهمية عن النموذج نفسه. ويوفر استخدام Ultralytics تجربة استخدام مبسّطة بفضل واجهة Python البرمجية الموحدة بدرجة عالية، التي تيسّر دورة حياة تعلّم الآلة بأكملها.

• منظومة مُصانة جيدًا: تستفيد نماذج Ultralytics YOLO من منظومة تُحدّث باستمرار، ووثائق قوية، ومجتمع نشط.
• متطلبات الذاكرة: تحسّن Ultralytics تحميل البيانات وأنظمة التدريب إلى حد كبير. ويتطلب تدريب نماذج Ultralytics YOLO عادةً ذاكرة CUDA أقل بكثير مقارنةً بالبنى الثقيلة القائمة على Transformer، ما يتيح للمطورين استخدام أحجام دفعات أكبر على العتاد المخصص 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 المستودع الأصلي)، لكن تدريب نموذج Ultralytics YOLO حديث لا يتطلب سوى بضعة أسطر من التعليمات البرمجية، إذ يجرّدك تمامًا من تعقيد نصوص التدريب:

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#

رغم أن PP-YOLOE+ وYOLOv7 يمثلان محطتين بارزتين في اكتشاف الأجسام، فإن مجال الذكاء الاصطناعي يتطور بسرعة. ونوصي بشدة باستخدام Ultralytics YOLO26 في أي مشروع جديد للرؤية الحاسوبية. وقد أُطلق YOLO26 في يناير 2026، ويمثل قفزة هائلة إلى الأمام في ذكاء الرؤية المصمم أولًا للأجهزة الطرفية.

لماذا يتفوق YOLO26 على البنى الأقدم:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يعمل YOLO26 أصليًا من البداية إلى النهاية. ومن خلال تجاوز المعالجة اللاحقة لقمع الحدود القصوى (NMS) باستخدام رأسه الاختياري أحادي المطابقة (nms=False)، يضمن زمن استدلال متوقعًا وحتميًا، وهو إنجاز ظهر لأول مرة في YOLOv10.
• إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية التصدير وتحسين التوافق بدرجة كبيرة مع الأجهزة الطرفية منخفضة الطاقة.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: في السيناريوهات التي تفتقر إلى وحدات GPU مخصصة، مثل مستشعرات إنترنت الأشياء للمدن الذكية، جرى تحسين YOLO26 بدرجة كبيرة ليعمل بكفاءة مباشرةً على وحدات CPU.
• محسّن MuSGD: استلهامًا من تقنيات تدريب LLM المتقدمة، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا من SGD وMuon لتدريب مستقر للغاية وتقارب سريع.
• ProgLoss + STAL: تحقق دوال الخسارة المحسّنة هذه مكاسب ملحوظة في اكتشاف الأجسام الصغيرة، وهو أمر حيوي 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 منغمسًا بعمق في منظومة Baidu وPaddlePaddle. فإذا كان هدف النشر لديك يستخدم عتادًا متخصصًا ومهيأً لنماذج Paddle (مثل بعض مسارات التصنيع في آسيا)، يوفر PP-YOLOE+ دقة ممتازة وتكاملًا سلسًا. وهو فعّال للغاية في أتمتة التصنيع الصناعي.

متى تستخدم YOLOv7#

يظل YOLOv7 خيارًا ممتازًا للاستدلال العام عالي الأداء، ولا سيما عند النشر على عتاد NVIDIA باستخدام TensorRT. ويجعله تكامله ضمن منظومة PyTorch متعدد الاستخدامات للغاية في الأبحاث الأكاديمية ومسارات العمل التجارية المخصصة، مثل إدارة الحشود في الزمن الفعلي أو مهام تقدير الوضعيات المعقدة التي تُعد فيها سلامة البنية أمرًا جوهريًا.

نماذج أخرى جديرة بالنظر#

بحسب احتياجاتك الدقيقة، قد ترغب أيضًا في مقارنة هذه البنى بـYOLO11 للحصول على مرونة واسعة وجاهزة للإنتاج، أو بـRT-DETR إذا كان مشروعك يتطلب مزايا محددة لمحولات الرؤية مقارنةً بالشبكات الالتفافية التقليدية.

الخلاصة#

قدّم كل من PP-YOLOE+ وYOLOv7 تحسينات كبيرة في مجال اكتشاف الأجسام في الزمن الفعلي. وبينما يتفوق PP-YOLOE+ في البيئات التي تعتمد معيار PaddlePaddle، يوفر YOLOv7 مرونة وأداءً مذهلين عبر منظومة PyTorch.

ومع استمرار تطور حلول الرؤية الحاسوبية، يصبح استخدام الأدوات الحديثة أمرًا ضروريًا. ومن خلال اعتماد Ultralytics Platform والبنى من الجيل التالي مثل YOLO26، يستطيع المطورون ضمان بقاء تطبيقاتهم في طليعة السرعة والدقة وسهولة الاستخدام.