PP-YOLOE+ مقابل YOLOv8: نظرة متعمقة على هياكل الكشف عن الكائنات

يعد اختيار نموذج الكشف عن الكائنات المناسب قرارًا بالغ الأهمية للمطورين والباحثين، حيث يتطلب في كثير من الأحيان الموازنة بين السرعة والدقة وسهولة النشر. تستكشف هذه المقارنة بين هندستين بارزتين: PP-YOLOE+، وهي تطور YOLO PaddlePaddle و YOLOv8، المعيار المعتمد على نطاق واسع من Ultralytics. سنقوم بتحليل ابتكاراتهما المعمارية ومقاييس الأداء ومدى ملاءمتهما لمختلف التطبيقات الواقعية.

PP-YOLOE+: مُحسّن من أجل نظام البيئة الخاص بالجداف

يمثل PP-YOLOE+ تحديثًا مهمًاYOLO التي طورها باحثون في Baidu. وهو يعتمد على نموذج بدون مرساة، بهدف تحسين تقارب التدريب وسرعة الاستدلال على خلفيات أجهزة معينة.

تفاصيل PP-YOLOE+:
PaddlePaddle
Baidu
2022-04-02
Arxiv
GitHub
Docs

الهندسة المعمارية والابتكارات

يقدم PP-YOLOE+ عدة تغييرات معمارية رئيسية مصممة لتحسين الإصدارات السابقة:

تصميم بدون مرساة: من خلال التخلص من مربعات المرساة، يقلل النموذج من عدد المعلمات الفائقة ويبسط عملية تعيين الحقيقة الأساسية باستخدام استراتيجية TAL (تعلم محاذاة المهام).
RepResBlock: يستخدم العمود الفقري كتلًا متبقية قابلة لإعادة المعلمات، مما يسمح للنموذج بأن يكون له هياكل معقدة أثناء التدريب بينما ينهار إلى طبقات أبسط وأسرع أثناء الاستدلال.
ET-Head: يتم استخدام رأس فعال ومتوافق مع المهام لفصل مهام التصنيف والتحديد المكاني بشكل فعال، مما يحسن سرعة التقارب.

على الرغم من أن هذه الابتكارات توفر أداءً قويًا، إلا أنها مرتبطة ارتباطًا وثيقًا PaddlePaddle . قد تشكل خصوصية هذا النظام البيئي تحديات للفرق التي تعتمد بنيتها التحتية الحالية على سير العمل ONNX PyTorch أو TensorFlow أو ONNX.

تعرف على المزيد حول PP-YOLOE+

Ultralytics YOLOv8: المعيار الحديث

صدر في أوائل عام 2023، YOLOv8 أعاد تعريف مشهد الرؤية الحاسوبية في الوقت الفعلي. فهو ليس مجرد نموذج للكشف، بل إطار عمل موحد يدعم تصنيف الصور وتقسيم المثيلات وتقدير الوضع والكشف عن المربعات المحددة (OBB).

YOLOv8 :
جلين جوشر، أيوش شوراسيا، وجينغ تشيو
Ultralytics
2023-01-10
GitHub
Docs

المزايا الرئيسية لـ YOLOv8

YOLOv8 على سهولة الاستخدام والأداء العام عبر مجموعة واسعة من الأجهزة:

دقة متطورة: باستخدام وحدة C2f (عنق زجاجة جزئي عبر المراحل مع اثنين من التلافيف)، YOLOv8 تدفق التدرج واستخراج الميزات، مما ينتج عنه دقة كشف فائقة للأجسام الصعبة.
متعدد الوسائط أصلاً: على عكس PP-YOLOE+، الذي يركز بشكل أساسي على الكشف، YOLOv8 للمستخدمين التبديل بين مهام مثل التجزئة وتقدير الوضع بسطر واحد من التعليمات البرمجية.
رأس ديناميكي بدون مرساة: على غرار PP-YOLOE+، YOLOv8 نهجًا بدون مرساة، ولكنه يقرنه باستراتيجية تعزيز قوية من Mosaic تعزز المتانة في مواجهة التغيرات في الحجم.

تكامل النظام الإيكولوجي

YOLOv8 القوة الحقيقية لـ YOLOv8 في نظام Ultralytics . يحصل المستخدمون على إمكانية الوصول إلى تكامل سلس مع أدوات مثل Weights & Biases لتتبع التجارب Ultralytics لإدارة مجموعات البيانات والتدريب السحابي بسهولة.

تعرف على المزيد حول YOLOv8

مقارنة الأداء

عند مقارنة هذه البنى، من الضروري النظر إلى كل من الدقة الأولية (mAP) والكفاءة (السرعة/FLOPs). يوضح الجدول أدناه أنه على الرغم من أن PP-YOLOE+ تنافسي، فإن YOLOv8 يوفر YOLOv8 توازنًا أفضل بين كفاءة المعلمات وسرعة الاستدلال، خاصة على الأجهزة القياسية.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	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

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	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

كفاءة التدريب واستخدام الذاكرة

أحد الجوانب التي غالبًا ما يتم تجاهلها هو متطلبات الذاكرة أثناء التدريب. قد تستهلك النماذج القائمة على المحولات أو البنى القديمة الكثير من ذاكرة VRAM. تم تحسين Ultralytics لتعمل بكفاءة على الأجهزة الاستهلاكية. على سبيل المثال، يمكنك تدريب نموذج YOLOv8 على CPU قياسية في جهاز كمبيوتر محمول CPU GPU متواضعة، في حين أن خطوط أنابيب PP-YOLOE+ غالبًا ما تفترض الوصول إلى GPU عالية الأداء نموذجية في المختبرات الصناعية.

علاوة على ذلك، فإن تكامل YOLOv8 مع Ultralytics يبسط عملية التدريب. يمكن للمستخدمين تصور النتائج وإدارة مجموعات البيانات ونشر النماذج دون الحاجة إلى إدارة سلاسل التبعية المعقدة التي غالبًا ما ترتبط بـ PaddlePaddle.

حالات الاستخدام والتوصيات

متى تختار PP-YOLOE+

يعد PP-YOLOE+ خيارًا ممتازًا إذا كانت مؤسستك قد استثمرت بالفعل بشكل كبير في نظام PaddlePaddle . يمكن تحسين أدائه على أجهزة محددة في السوق الآسيوية (مثل الرقائق المتطورة المتخصصة التي تدعم Paddle Lite) إلى درجة عالية. إذا كنت بحاجة إلى كاشف خالٍ تمامًا من المراسي ولديك الموارد الهندسية اللازمة للحفاظ على بيئة Paddle، فإنه يظل خيارًا قويًا.

متى تختار Ultralytics YOLOv8

بالنسبة للغالبية العظمى من المطورين والباحثين وفرق المؤسسات، YOLOv8 هو الحل الموصى به نظرًا لتعدد استخداماته وسهولة استخدامه.

النشر عبر الأنظمة الأساسية: YOLOv8 بسلاسة إلى ONNXو TensorRTو CoreML و TFLite. وهذا يجعله مثاليًا للتطبيقات المحمولة والأجهزة المتطورة مثل Raspberry Pi والخوادم السحابية.
مهام متنوعة: إذا كان مشروعك قد يتوسع من الكشف البسيط إلى التجزئة (مثل التصوير الطبي) أو تقدير الوضع (مثل تحليلات الرياضة)، فإن واجهة برمجة التطبيقات الموحدة YOLOv8 توفر وقتًا كبيرًا في التطوير.
دعم المجتمع: Ultralytics المجتمع النشط حول Ultralytics حل المشكلات بسرعة، كما يتم إضافة ميزات جديدة بانتظام مثل Explorer لتحليل مجموعات البيانات.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX for broad compatibility
model.export(format="onnx")

نظرة إلى المستقبل: قوة YOLO26

بينما YOLOv8 معيارًا صناعيًا، تتطور التكنولوجيا بسرعة. في يناير 2026، Ultralytics نموذج YOLO26، وهو نموذج يوسع حدود الكفاءة إلى أبعد من ذلك.

يتميز YOLO26 بتصميم أصلي شامل NMS، مما يلغي الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression. وهذا يسمح باستنتاج أسرع بشكل ملحوظ، خاصة على الأجهزة الطرفية حيث يمكن أن تشكل منطق المعالجة اللاحقة عقبة. بفضل مُحسّن MuSGD وإزالة Distribution Focal Loss (DFL)، يحقق YOLO26 CPU أسرع بنسبة تصل إلى 43٪ CPU مقارنةً بالأجيال السابقة.

بالنسبة للمشاريع الجديدة التي تتطلب أفضل ما يمكن من السرعة والدقة، نوصي بشدة باستكشاف YOLO26. فهو يحافظ على سهولة الاستخدام الأسطورية لنظام Ultralytics مع دمج أحدث الأبحاث للحصول على أداء من الجيل التالي.

تعرف على المزيد حول YOLO26

الخلاصة

كل من PP-YOLOE+ و YOLOv8 بنى قادرة على تطوير مجال الكشف عن الأجسام. يقدم PP-YOLOE+ أداءً قويًا ضمن PaddlePaddle . ومع ذلك، YOLOv8 بسهولة الوصول إليها ومجموعة ميزاتها الغنية والدعم الشامل Ultralytics . سواء كنت تبني نموذج MVP لبدء التشغيل أو تقوم بتوسيع نطاق حل مؤسسة عالمية، فإن المرونة في النشر في أي مكان — من وحدات معالجة الرسومات السحابية إلى الهواتف المحمولة — تجعل Ultralytics الخيار العملي للرؤية الحاسوبية الحديثة.

للمهتمين بنماذج أخرى عالية الكفاءة، يرجى الاطلاع على YOLO11 للكشف عن الأغراض العامة أو RT-DETR للكشف في الوقت الفعلي القائم على المحولات.