Link to this sectionمقارنة بين PP-YOLOE+ و YOLOv9#

يشهد مشهد الرؤية الحاسوبية في الوقت الفعلي تغيراً مستمراً، حيث يواصل الباحثون والمطورون دفع حدود الدقة وسرعة الاستدلال. عند مقارنة PP-YOLOE+ و YOLOv9، فإننا ننظر إلى فلسفتين متميزتين في تصميم بنية النماذج وتصميم النظام البيئي.

تحلل هذه المقارنة التقنية الشاملة ابتكاراتها المعمارية، ومقاييس الأداء، ومنهجيات التدريب، وحالات الاستخدام المثالية لمساعدتك في اختيار نموذج اكتشاف الكائنات المناسب لنشرك التالي.

Link to this sectionسلالة النماذج والأسس التقنية#

يعد فهم أصول هذه النماذج وخياراتها المعمارية أمراً بالغ الأهمية لتحديد مدى ملاءمتها لمشاريع الرؤية الحاسوبية الخاصة بك.

Link to this sectionنظرة عامة على PP-YOLOE+#

تم تطوير PP-YOLOE+ بواسطة مؤلفي PaddlePaddle في شركة Baidu، وتم طرحه في 2 أبريل 2022. وهو يعتمد على الإصدارات السابقة داخل إطار عمل PaddleDetection لتقديم اكتشاف كائنات عالي الأداء.

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: 2203.16250
GitHub: مستودع PaddleDetection

يقدم PP-YOLOE+ بنية قوية خالية من المراسي (anchor-free)، ومحسنة بشكل كبير للنشر داخل نظام PaddlePaddle البيئي. ويستخدم هيكلاً أساسياً معدلاً من نوع CSPRepResNet ورأساً من نوع ET-head لتحسين استخراج الميزات وانحدار مربعات الإحاطة. ورغم أنه يحقق دقة متوسطة متوسطة (mAP) عالية، فإن اعتماده على إطار عمل PaddlePaddle قد يؤدي أحياناً إلى صعوبات في التكامل للمطورين المعتادين على PyTorch أو TensorFlow.

تعرف على المزيد حول PP-YOLOE+

Link to this sectionنظرة عامة على YOLOv9#

يعد YOLOv9، الذي قدمه تشيان-ياو وانغ وهونغ-يوان مارك لياو من معهد علوم المعلومات في أكاديمية سينيكا بتايوان، قفزة كبيرة في التعامل بكفاءة مع اختناقات معلومات التعلم العميق.

المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 21-02-2024
Arxiv: 2402.13616
GitHub: WongKinYiu/yolov9

تتمثل الانطلاقة الكبرى لـ YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI)، والتي تمنع فقدان البيانات أثناء مرور الميزات عبر الشبكات العصبية العميقة. وبالاقتران مع شبكة تجميع الطبقات الفعالة المعممة (GELAN)، يعمل YOLOv9 على زيادة كفاءة المعلمات وتدفق الحوسبة إلى أقصى حد. علاوة على ذلك، فهو مدمج أصلاً في نظام Ultralytics البيئي، مما يجعله سهل الوصول إليه للغاية لكل من الأبحاث والتطبيقات التجارية.

اعرف المزيد عن YOLOv9

نماذج Ultralytics الأخرى

إذا كنت تستكشف خيارات متطورة، فقد تكون مهتماً أيضاً بـ YOLO11 و RT-DETR، اللذين يوفران توازنات متنوعة بين الدقة القائمة على المحولات والأداء الحافوي في الوقت الفعلي.

Link to this sectionمقارنة الأداء والمقاييس#

عند تحليل الأداء الخام، يُظهر YOLOv9 كفاءة استثنائية في المعلمات. فهو يحقق دقة مماثلة أو متفوقة بينما يتطلب عدداً أقل من المعلمات وعمليات الفاصلة العائمة (FLOPs)، مما يترجم إلى متطلبات VRAM أقل أثناء تدريب النموذج.

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

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

كما يظهر في الجدول، يحقق YOLOv9c دقة mAP قوية تبلغ 53.0 مع معلمات أقل بكثير (25.3 مليون) مقارنة بـ PP-YOLOE+l (52.2 مليون). يجعل هذا الاستخدام المنخفض للذاكرة من YOLOv9 خياراً متفوقاً للمطورين الذين يعملون بموارد GPU محدودة.

Link to this sectionالنظام البيئي، وتعدد الاستخدامات، وسهولة الاستخدام#

تكمن الميزة الحاسمة لـ YOLOv9 في تكامله السلس مع نظام Ultralytics البيئي الذي يتم صيانته جيداً. بينما يتطلب PP-YOLOE+ التنقل عبر ملفات تكوين PaddlePaddle المعقدة، يستفيد YOLOv9 من واجهة برمجة تطبيقات Python مبسطة.

تتيح واجهة برمجة تطبيقات Python لـ Ultralytics للمطورين تحميل الأوزان المدربة مسبقاً، وإدارة تعزيز البيانات، وبدء التدريب بأقل قدر من التعليمات البرمجية الإضافية.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
model.export(format="onnx")

علاوة على ذلك، يوفر نظام Ultralytics البيئي تنوعاً لا مثيل له. فبعيداً عن اكتشاف مربعات الإحاطة، يدعم إطار العمل أصلاً تجزئة المثيلات، وتقدير الوضعية، واكتشاف مربعات الإحاطة الموجهة (OBB). وهذا يجعل تكييف نموذجك مع خطوط أنابيب العالم الحقيقي المعقدة فعالاً للغاية.

خيارات التصدير

يمكن تصدير النماذج التي تم تدريبها باستخدام إطار عمل Ultralytics إلى تنسيقات متعددة، بما في ذلك TensorRT و OpenVINO، مما يضمن استدلالاً محسناً للغاية عبر أجهزة متنوعة.

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين PP-YOLOE+ و YOLOv9 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار PP-YOLOE+#

يعد PP-YOLOE+ خياراً قوياً في الحالات التالية:

التكامل مع نظام PaddlePaddle البيئي: للمؤسسات التي لديها بنية تحتية موجودة مبنية على إطار عمل Baidu's PaddlePaddle.
النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.

Link to this sectionمتى تختار YOLOv9#

يوصى بـ YOLOv9 لـ:

أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionنتطلع للمستقبل: ميزة YOLO26#

في حين أن كلاً من PP-YOLOE+ و YOLOv9 قويان، فإن YOLO26 الذي تم إصداره حديثاً يمثل الخطوة التالية الحاسمة لبيئات الإنتاج. تم إصدار YOLO26 في يناير 2026، وهو يضع معياراً جديداً للحوسبة الطرفية وعمليات النشر السحابية. نوصي بشدة بـ YOLO26 لجميع مشاريع الرؤية الحاسوبية الجديدة نظراً لابتكاراته الرائدة:

تصميم من طرف إلى طرف خالٍ من NMS: يتميز YOLO26 بأنه من طرف إلى طرف أصلاً، مما يلغي تماماً الحاجة إلى معالجة لاحقة لإلغاء القمع غير الأقصى (NMS). وهذا يبسط بشكل كبير خطوط أنابيب النشر ويقلل من وقت الاستجابة.
أداء استدلال CPU أسرع بنسبة تصل إلى 43%: من خلال تحسين البنية خصيصاً للحوسبة الطرفية، يكون YOLO26 أسرع بشكل ملحوظ على الأجهزة التي تفتقر إلى وحدات GPU مخصصة.
إزالة DFL: تمت إزالة خسارة البؤرة التوزيعية (Distribution Focal Loss)، مما يجعل الصادرات أبسط ويحسن التوافق بشكل كبير مع الأجهزة الطرفية ذات الطاقة المنخفضة.
محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (مثل Kimi K2 من شركة Moonshot AI)، يضمن هذا الهجين من SGD و Muon ديناميكيات تدريب مستقرة للغاية وتقارباً سريعاً.
ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهي ترقية أساسية للصور الجوية والروبوتات.
تحسينات خاصة بالمهمة: يتضمن YOLO26 بنيات مخصصة لمهام محددة، مثل multi-scale proto للتجزئة وتقدير احتمالية اللوغاريتم المتبقي (RLE) لتقدير الوضعية.

يمكنك بسهولة تدريب ونشر نماذج YOLO26 من خلال منصة Ultralytics، وهي حل شامل لتعليق البيانات، والتدريب السحابي، ومراقبة النماذج.

Link to this sectionتطبيقات العالم الحقيقي#

غالباً ما يعتمد الاختيار بين هذه البنيات على بيئة النشر المستهدفة.

PP-YOLOE+ يتم نشره بشكل متكرر في مراكز التصنيع الصناعي، خاصة في المناطق التي يكون فيها تكامل PaddlePaddle ومجموعة أجهزة Baidu مدمجة بعمق في البنية التحتية للمؤسسات. وهو يتفوق في تحليل الصور الثابتة حيث يتم إعطاء الأولوية للدقة المطلقة على قيود الوقت الفعلي الصارمة.

YOLOv9 يتفوق في البيئات الديناميكية التي تتطلب استدلالاً سريعاً في الوقت الفعلي. تجعل كفاءته المتفوقة في المعلمات منه مثالياً للملاحة المستقلة للطائرات بدون طيار وأنظمة الأمن القائمة على الحافة. علاوة على ذلك، فإن استهلاكه المنخفض لـ VRAM يقلل من حاجز الدخول للباحثين الذين يتدربون على وحدات GPU من فئة المستهلكين.

للحصول على أفضل أداء مطلق عبر إدارة حركة المرور في المدن الذكية والروبوتات عالية السرعة، فإن YOLO26 الأحدث لا مثيل له، حيث يوفر كفاءة من طرف إلى طرف دون عبء اختناقات NMS.

المساهمون

GLglenn-jocher¹⁴

تم الإنشاء 27 يناير 2025تم التحديث الأسبوع الماضي