PP-YOLOE+ مقابل YOLOv8
أدى الطلب على نماذج الرؤية الحاسوبية عالية الأداء والفورية إلى ابتكار سريع في قطاع الذكاء الاصطناعي. وقد يكون اختيار البنية المناسبة هو العامل الحاسم بين نشر فعال ومسار عمل مرهق يستهلك موارد كثيرة. يقارن هذا الدليل التقني بين PP-YOLOE+ وUltralytics YOLOv8، مستكشفًا بنيتيهما الأساسيتين وكفاءة التدريب وسيناريوهات النشر المثالية.
مقدمة عن البنى#
يمثل كلا النموذجين محطتين بارزتين في تطور كشف الكائنات، إلا أنهما ينبعان من فلسفتين تطويريتين ومنظومتين متكاملتين مختلفتين تمامًا.
PP-YOLOE+#
طُوّر PP-YOLOE+ امتدادًا لمجموعة PaddleDetection، وهو يستند إلى إصدارات سابقة من سلسلة PP-YOLO. وقد حُسّن على نطاق واسع لإطار التعلم العميق PaddlePaddle، ويستهدف أساسًا عمليات النشر الصناعية المبنية على حزمة برامج Baidu.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- الوثائق: إعداد PP-YOLOE+
يستخدم PP-YOLOE+ العمود الفقري CSPRepResNet ورأسًا متوافقًا مع المهام بكفاءة (ET-head)، يعمل على محاذاة مهام التصنيف وتحديد المواقع ديناميكيًا. ورغم تحقيقه متوسط الدقة (mAP) قويًا في المعايير الموحدة، فإن اعتماده الكبير على منظومة PaddlePaddle قد يسبب صعوبات للمطورين المعتادين على أطر العمل الأوسع انتشارًا.
تعرّف على المزيد حول PP-YOLOE+
Ultralytics YOLOv8#
أطلقت Ultralytics نموذج YOLOv8 في يناير 2023، فحقق حينها مستوى جديدًا من الأداء في كشف الأجسام، وجلب سهولة الاستخدام والتنوع الواسع والتنفيذ عالي السرعة إلى مجتمع مطوري PyTorch.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
- الوثائق: وثائق YOLOv8
قدّم YOLOv8 رأس كشف محسّنًا خاليًا من المراسي وكتلة بناء C2f مطوّرة حلّت محل وحدة C3 الأقدم. ويحسّن هذا التصميم تدفق التدرجات ويتيح تدريب النموذج بسرعة. وإلى جانب الكشف الأساسي، يُعد YOLOv8 نموذجًا متعدد المهام يدعم تقسيم الكائنات وتصنيف الصور وتقدير الوضعيات عبر API سهلة الاستخدام.
مقارنة الأداء والمقاييس#
تكشف المقارنة المباشرة بين هاتين البنيتين عن موازنات مختلفة بين عدد المعلمات وزمن الاستدلال. وفيما يلي تفاصيل الأداء على مجموعة بيانات COCO.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
رغم أن أكبر نموذج PP-YOLOE+x يتفوق قليلًا على YOLOv8x من حيث mAP، فإن ذلك يأتي على حساب نحو 100M من المعلمات. تُظهر نماذج Ultralytics YOLOv8 باستمرار توازنًا أفضل في الأداء. وتتطلب بنيات YOLOv8 ذاكرة أقل بكثير أثناء التدريب والاستدلال مقارنةً بالنماذج الأثقل، ما يجعلها مناسبة للتوسع في بيئات الإنتاج.
ميزة منظومة Ultralytics#
عند تقييم النماذج، لا تقل أهمية المنظومة المتكاملة المحيطة بها عن أهمية البنية الأساسية. إذ يتطلب PP-YOLOE+ التعامل مع ملفات إعداد واعتماديات معقدة خاصة بإطار PaddlePaddle.
في المقابل، صُممت تجربة Ultralytics لتسريع عمل المطورين. توفر المنظومة التي تحظى بصيانة جيدة Python API بسيطة ومجتمعًا نشطًا جدًا. كما تبسّط منصة Ultralytics مسار عمل تعلم الآلة بأكمله، إذ توفر إدارة مجموعات البيانات والتدريب السحابي والتصدير السهل إلى صيغ مثل ONNX وTensorRT.
لأن YOLOv8 مبني أصليًا على PyTorch، يسهل دمجه كثيرًا في مسارات عمل الذكاء الاصطناعي الحالية، وتصديره إلى بيئات الأجهزة المحمولة عبر CoreML، أو نشره على الأجهزة الطرفية، مقارنةً بأطر العمل التي تتطلب حزم برامج متخصصة.
سهولة الاستخدام: مقارنة الشيفرة#
لا يتطلب تدريب كاشف أجسام باستخدام Ultralytics سوى بضعة أسطر من الشيفرة. فلا حاجة إلى فك تعقيدات مجلدات الإعداد الهرمية.
from ultralytics import YOLO
# تحميل نموذج YOLOv8 صغير مدرّب مسبقًا
model = YOLO("yolov8s.pt")
# تدريب النموذج بكفاءة على مجموعة بياناتك المخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# التحقق من النموذج باستخدام مقاييس mAP
metrics = model.val()
# التصدير للنشر عالي السرعة على الأجهزة الطرفية
model.export(format="engine", dynamic=True) # التصدير إلى TensorRTحالات الاستخدام والتوصيات#
يعتمد الاختيار بين PP-YOLOE+ وYOLOv8 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة المتكاملة.
متى تختار PP-YOLOE+#
يُعد PP-YOLOE+ خيارًا قويًا لـ:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
- النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
- اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.
متى تختار YOLOv8#
يوصى بـYOLOv8 في الحالات التالية:
- النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n)، أفضلية واضحة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
تجاوز YOLOv8: بزوغ فجر YOLO26#
مع أن YOLOv8 يظل خيارًا قويًا وموثوقًا، ينبغي للمطورين الباحثين عن أحدث التطورات النظر في Ultralytics YOLO26. أُطلق YOLO26 في يناير 2026، ويطوّر المبادئ الأساسية لبنى YOLO ضمن عائلة نماذج ذكاء اصطناعي مصممة أولًا للأجهزة الطرفية.
يقدم YOLO26 ابتكارات عديدة تحسّن الأداء مقارنةً بـPP-YOLOE+ والأجيال السابقة من YOLO، بما فيها YOLO11:
- تصميم شامل خالٍ من NMS: استنادًا إلى مفاهيم من YOLOv10، يقدم YOLO26 خيار رأس شامل (
nms=False). ومن خلال إلغاء المعالجة اللاحقة عبر كبح غير القيم العظمى (NMS)، يوفر استدلالًا متسقًا بزمن استجابة منخفض، بصرف النظر عن مدى ازدحام المشهد. - استدلال أسرع على CPU بنسبة تصل إلى 43%: بإزالة خسارة البؤرة التوزيعية (DFL)، يقلّل YOLO26 عبء المعالجة الإضافي بدرجة كبيرة، ما يجعل YOLO26n أسرع بنسبة تصل إلى 43% من YOLO11n على معالجات CPU الطرفية، وهو ما يناسب تطبيقات المدن الذكية وإنترنت الأشياء حيث لا تتوفر وحدات GPU باهظة الثمن.
- محسّن MuSGD: يستعير YOLO26 تقنيات من تدريب نماذج اللغة الكبيرة (LLM). ويوفر محسّن MuSGD الهجين استقرارًا أفضل وتقاربًا أسرع أثناء التدريب.
- ProgLoss + STAL: تحسّن الخسارة التقدمية وإسناد التسميات المراعي للأهداف الصغيرة بدرجة كبيرة كشف الأجسام الصغيرة والبعيدة. وهذا مفيد جدًا لمشغلي الطائرات المسيّرة الذين يحللون الصور الجوية، وللكشف عن العيوب على خطوط التصنيع السريعة.
للمطورين الذين يبدأون مشروعات جديدة في الرؤية الحاسوبية، يُوصى باستخدام YOLO26.
تطبيقات واقعية#
غالبًا ما يعتمد الاختيار بين هذه النماذج على واقع بيئة النشر المحددة لديك:
مجالات تفوق PP-YOLOE+:
- منظومات الأجهزة المخصصة لـPaddle: إذا كنت تنشر حصريًا على أجهزة تدعمها Baidu ويتطلب تشغيلها PaddlePaddle، فإن PP-YOLOE+ يوفر تكاملًا أصليًا قويًا.
- المعالجة المكثفة على الخوادم: عندما لا يشكل عدد المُعامِلات وقيود الذاكرة مشكلة، وتُشغّل استدلالات الخوادم دون اتصال بالإنترنت حصرًا.
مجالات تفوق Ultralytics YOLOv8 (وYOLO26):
- الحوسبة الطرفية الديناميكية: من أجهزة NVIDIA Jetson إلى لوحات Raspberry Pi، توفر نماذج Ultralytics توازنًا قويًا بين السرعة وصغر حجم الذاكرة.
- مسارات العمل متعددة المهام: إذا كان تطبيقك بحاجة إلى التطور من مربعات الحدود البسيطة إلى مربعات الحدود الموجّهة (OBB) للصور الجوية، أو إلى تقدير الوضعيات لتحليل السلوك، فإن Ultralytics يدعم هذه المهام مباشرةً.
- من النماذج الأولية السريعة إلى الإنتاج: تساعد منظومة Ultralytics الفرق على التكرار بسرعة. وبفضل توفر الأوزان المدرّبة مسبقًا، يمكن تدريب النماذج المخصصة ونشرها عبر منصة Ultralytics بسرعة أكبر بكثير مقارنةً بالبنى المنافسة.
رغم ما يقدمه PP-YOLOE+ من نتائج تنافسية في المعايير، فإن تنوع نماذج Ultralytics وسهولة استخدامها وابتكاراتها المستمرة، وآخرها YOLO26، تجعلها الخيار الأفضل للمطورين والباحثين المعاصرين على حد سواء.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.