مقارنة 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.

نظرة عامة على النماذج#

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

PP-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: PaddleDetection Repository
المستندات: توثيق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

YOLOv7#

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

الابتكارات المعمارية#

بنية PP-YOLOE+#

يعتمد نموذج PP-YOLOE+ بشكل كبير على نموذج خالٍ من نقاط الارتكاز (anchor-free)، مما يجعل عملية نشر النشر أبسط من خلال إلغاء الحاجة إلى ضبط صناديق الارتكاز لمجموعات البيانات المخصصة. وهو يشتمل على هيكل أساسي قوي من نوع RepResNet وشبكة تجميع مسارات (PAN) بنمط CSPNet لدمج الميزات متعددة المقاييس بشكل فعال. بالإضافة إلى ذلك، فإنه يستفيد من مفهوم تعلم محاذاة المهام (TAL) لموازنة مهام التصنيف والتحديد مكانيًا بشكل ديناميكي أثناء التدريب، مما يضمن دقة عالية عبر مهام الرؤية الحاسوبية المختلفة.

بنية YOLOv7#

اتخذ نموذج YOLOv7 نهجًا مختلفًا من خلال تقديم شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تتيح هذه البنية للشبكة تعلم ميزات أكثر تنوعًا دون تدمير مسار التدرج الأصلي، مما يؤدي إلى تقارب أفضل. كما يستفيد نموذج YOLOv7 بشكل كبير من إعادة بمعالجة النماذج - وتحديداً عمليات إعادة البمعالجة المخططة - والتي تدمج طبقات الالتفاف أثناء الاستدلال لتسريع التنفيذ دون التضحية بالدقة. هذا يجعل نموذج YOLOv7 قويًا بشكل استثنائي في مهام مثل تتبع الكائنات المتعددة وأنظمة إنذار الأمان المعقدة.

اختلافات الأنظمة البيئية

بينما يتكامل نموذج PP-YOLOE+ بشكل وثيق مع إطار عمل PaddlePaddle من Baidu، فقد تم بناء نموذج YOLOv7 باستخدام PyTorch، والذي يقدم تاريخياً مجتمعاً أكبر وتوافراً أوسع وجاهزاً للتشغيل مع خطوط أنابيب النشر مثل ONNX وTensorRT.

تحليل 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

على الرغم من أن نموذج PP-YOLOE+x يحقق معدل mAP أعلى قليلاً، إلا أن متغيرات YOLOv7 توفر نسبة قوية جداً بين عدد المعلمات والدقة. تظل بنية YOLOv7 مفضلة لمعالجة GPU الخام حيث يوفر تحسين TensorRT زمن وصول منخفضاً بشكل استثنائي.

ميزة 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: تعمل Ultralytics على تحسين تحميل البيانات وأنظمة التدريب بشكل كبير. يتطلب تدريب نماذج Ultralytics YOLO عادةً ذاكرة CUDA أقل بكثير مقارنة بالبنى الثقيلة المستندة إلى المحولات، مما يسمح للمطورين باستخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
كفاءة التدريب: من خلال الاستفادة من استراتيجيات تحسين البيانات القوية وضبط المعلمات الفائقة المدمج، تضمن Ultralytics تقارب النماذج بسرعة باستخدام أوزان مُدربة مسبقاً ومتاحة بسهولة.

تنفيذ 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)

المعيار الجديد: تقديم YOLO26#

بينما يُعد كل من PP-YOLOE+ وYOLOv7 علامتين فارقتين في اكتشاف الكائنات، فإن مشهد الذكاء الاصطناعي يتطور بسرعة. لأي مشروع رؤية حاسوبية جديد، نوصي بشدة باستخدام Ultralytics YOLO26. تم إطلاق YOLO26 في يناير 2026، ويمثل قفزة هائلة للأمام في مجال رؤية الذكاء الاصطناعي الموجهة نحو الحافة.

لماذا يتفوق YOLO26 على البنى القديمة:

تصميم خالٍ من NMS من البداية إلى النهاية: يتميز YOLO26 بأنه متكامل تماماً من البداية إلى النهاية. من خلال إلغاء المعالجة اللاحقة لقمع الحد الأقصى غير الضروري (NMS)، فإنه يضمن زمن وصول استدلال حتمي وقابل للتنبؤ - وهو إنجاز رائد شوهد لأول مرة في YOLOv10.
إزالة DFL: تبسط إزالة Distribution Focal Loss عملية التصدير وتحسن التوافق بشكل كبير لأجهزة الحافة منخفضة الطاقة.
استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): بالنسبة سيناريوهات التي تفتقر إلى وحدات معالجة رسومية مخصصة - مثل مستشعرات إنترنت الأشياء للمدن الذكية - تم تحسين YOLO26 بشكل كبير للتشغيل بكفاءة مباشرة على وحدات المعالجة المركزية.
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.
دالة الخسارة المتقدمة + STAL: تحقق وظائف الخسارة المحسنة هذه مكاسب ملحوظة في اكتشاف الكائنات الصغيرة، وهو أمر حيوي لحالات الاستخدام مثل صور الطائرات بدون طيار الجوية واكتشاف عيوب التصنيع.

تعرف على المزيد حول YOLO26

حالات الاستخدام المثالية وسيناريوهات النشر#

متى تستخدم PP-YOLOE+#

يتألق نموذج PP-YOLOE+ عندما تكون متجذراً بعمق في النظام البيئي لـ Baidu وPaddlePaddle. إذا كان هدف نشرك يستخدم أجهزة مخصصة مصممة خصيصاً لنماذج Paddle (على سبيل المثال، في بعض خطوط التصنيع الآسيوية)، فإن PP-YOLOE+ يوفر دقة ممتازة وتكاملاً سلساً. إنه فعال للغاية في أتمتة التصنيع الصناعي.

متى تستخدم YOLOv7#

يظل نموذج YOLOv7 خياراً ممتازاً للاستدلال عالي الأداء العام، خاصة عند النشر على أجهزة NVIDIA باستخدام TensorRT. يجعل اندماجه في نظام PyTorch البيئي شديد التعدد للبحث الأكاديمي وخطوط الأنابيب التجارية المخصصة، مثل إدارة الحشود في الوقت الفعلي أو مهام تقدير الوضع البشري المعقدة حيث تكون السلامة الهيكلية للشبكة ذات أهمية قصوى.

نماذج أخرى يجب مراعاتها#

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

الخلاصة#

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.

وممع ذلك، مع استمرار تقدم حلول الرؤية الحاسوبية، يعد استخدام الأدوات الحديثة أمراً بالغ الأهمية. 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 الشهر الماضي