YOLO11 مقابل PP-YOLOE+#
يُعد اختيار بنية الشبكة العصبية المثلى أمرًا بالغ الأهمية عند نشر تطبيقات الرؤية الحاسوبية في بيئة الإنتاج. في هذه المقارنة التقنية، ندرس نموذجين بارزين في مجال كشف الأجسام الآني: Ultralytics YOLO11 وPP-YOLOE+ من Baidu. يقدم كلا النموذجين أداءً قويًا، لكنهما يتعاملان بطرق مختلفة تمامًا مع تحديات الدقة وسرعة الاستدلال ومنظومة المطورين.
فيما يلي مخطط تفاعلي يوضح حدود أداء هذين النموذجين، لمساعدتك على تحديد الأنسب لقيود أجهزتك.
أصول النماذج وسلالتها التقنية#
يوفّر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا قيّمًا للتعرّف على نقاط قوة كل منها وحالات الاستخدام المثلى لها.
تفاصيل YOLO11#
يمثّل YOLO11، الذي طوّرته Ultralytics، إصدارًا بالغ التحسين من سلسلة YOLO، إذ يوازن بين الاستدلال عالي السرعة والكفاءة الفائقة في استخدام المعلمات وسهولة الاستخدام التي لا تضاهى. ويشتهر على نطاق واسع بقدراته الموحدة متعددة المهام وواجهة Python البرمجية الملائمة للمطورين.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- الوثائق: وثائق YOLO11
تفاصيل PP-YOLOE+#
يُعد PP-YOLOE+ إصدارًا مطوّرًا من PP-YOLOv2، بُني على إطار عمل PaddlePaddle. ويقدّم تغييرات معمارية مثل العمود الفقري CSPRepResNet وتعلّم مواءمة المهام (TAL) لدفع حدود الدقة، ولا سيما على وحدات GPU المتطورة.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- الوثائق: وثائق إعداد PP-YOLOE+
تعرّف على المزيد حول PP-YOLOE+
الاختلافات المعمارية#
تعكس التصاميم المعمارية الأساسية لكل من YOLO11 وPP-YOLOE+ أولوياتهما المختلفة في مجال الرؤية الحاسوبية.
YOLO11 مبني على عمود فقري محسّن بدرجة كبيرة ورأس كشف لا يعتمد على المراسي. ويستخدم كتل C3k2 وتجميعًا هرميًا مكانيًا سريعًا (SPPF) لالتقاط السمات متعددة المقاييس بأقل عبء حسابي. ويتميّز هذا التصميم بفاعليته الكبيرة في تقليل زمن استجابة الاستدلال على الأجهزة محدودة الموارد، مثل وحدات NPU الطرفية ووحدات CPU المحمولة. علاوة على ذلك، صُمم YOLO11 أساسًا للتعلّم متعدد المهام، ويدعم مباشرةً تجزئة المثيلات وتقدير الوضعيات والكشف باستخدام مربعات الإحاطة الموجّهة (OBB).
يقدّم PP-YOLOE+ العمود الفقري CSPRepResNet ورأسًا فعّالًا لمواءمة المهام (ET-head). ويعتمد بكثافة على تقنيات إعادة المعلمة لزيادة القدرة التمثيلية أثناء التدريب، مع دمج تلك المعلمات في عمليات التفاف قياسية عند الاستدلال. وعلى الرغم من أن ذلك يحقق متوسط الدقة المتوسطة (mAP) المثير للإعجاب، تميل النماذج الناتجة إلى أن تكون أكبر من حيث عدد المعلمات واستهلاك الذاكرة، ما يجعلها أنسب للنشر على وحدات GPU قوية للخوادم بدلًا من الأجهزة الطرفية خفيفة الوزن.
إذا كان مشروعك يتطلب تجاوز مربعات الإحاطة القياسية، فإن Ultralytics YOLO11 يوفّر دعمًا أصليًا للتجزئة وتقدير الوضعيات والتصنيف ضمن واجهة API واحدة تمامًا، ما يقلل أعباء التطوير بدرجة كبيرة مقارنةً بدمج مستودعات متعددة ومختلفة.
الأداء ومعايير التقييم#
عند تقييم الأداء، ننظر إلى الدقة (mAP) وسرعة الاستدلال على مختلف الأجهزة وكفاءة النموذج (المعلمات وFLOPs). يبرز الجدول أدناه المقاييس المقارنة، وتظهر بالخط العريض القيم الأعلى كفاءة أو أداءً.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
التحليل#
يتفوّق YOLO11 بوضوح من حيث التوازن في الأداء وكفاءة المعلمات. فعلى سبيل المثال، يحقق YOLO11m قيمة mAP أعلى (51.5) من PP-YOLOE+m (49.8)، مع استخدام عدد أقل من المعلمات (20.1M مقابل 23.43M) وتحقيق سرعات استدلال أعلى بكثير على TensorRT (4.7ms مقابل 5.56ms). وتؤدي الطبيعة خفيفة الوزن لنماذج YOLO11 بطبيعتها إلى تقليل متطلبات الذاكرة أثناء كل من تدريب النموذج والنشر.
منظومة التدريب وسهولة الاستخدام#
غالبًا ما تكمن القيمة الحقيقية للنموذج في سهولة تدريب المطورين له على مجموعات بيانات الرؤية الحاسوبية المخصصة ونشره في بيئة الإنتاج.
ميزة Ultralytics#
تعطي Ultralytics الأولوية لتجربة تطوير مبسطة. وتُدار عملية تدريب YOLO11 عبر واجهة Python البرمجية أو CLI بسيطة، مع إخفاء الشيفرة النمطية المعقدة. كما تعزّز منصة Ultralytics ذلك من خلال توفير التدريب دون كتابة شيفرة، والإدارة الآلية لمجموعات البيانات، والتصدير بنقرة واحدة إلى تنسيقات مثل ONNX وCoreML وTensorRT.
علاوة على ذلك، تتميز نماذج YOLO بكفاءة عالية في استهلاك الذاكرة أثناء التدريب، إذ تتجنب الزيادة الهائلة في استهلاك VRAM الشائعة في البنى القائمة على Transformer أو النماذج الثقيلة المعاد تشكيل معلماتها، ما يتيح التدريب على أجهزة المستهلكين.
from ultralytics import YOLO
# تحميل نموذج YOLO11 مدرّب مسبقًا
model = YOLO("yolo11n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل الاستدلال على صورة
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()منظومة PP-YOLOE+#
يعمل PP-YOLOE+ ضمن منظومة PaddleDetection. وعلى الرغم من قوة إطار العمل هذا وتكامله العميق مع حلول Baidu الصناعية، فإنه يتطلب من المطورين اعتماد إطار التعلم العميق المحدد PaddlePaddle. وقد يفرض ذلك منحنى تعلم أكثر حدة على الفرق التي اعتمدت PyTorch معيارًا لديها. إضافة إلى ذلك، قد يتطلب تصدير نماذج PP-YOLOE+ إلى تنسيقات قياسية عامة للأجهزة الطرفية خطوات تحويل إضافية مقارنةً بخطوط التصدير الأصلية المتاحة في مسارات عمل Ultralytics.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هذه النماذج على بيئة النشر المحددة لديك.
- اختر YOLO11 للتطوير السريع والحوسبة الطرفية وتطبيقات الأجهزة المحمولة. فسرعة الاستدلال العالية واستهلاك الذاكرة المنخفض وإمكانات التصدير الواسعة تجعله مثاليًا لمهام مثل إدارة مخزون متاجر التجزئة في الوقت الفعلي على وحدات CPU القياسية، وتحليل الصور الجوية الملتقطة بالطائرات المسيّرة، وخطوط المعالجة المعقدة متعددة المهام.
- اختر PP-YOLOE+ إذا كانت منظومة PaddlePaddle تمثل بالفعل جزءًا أساسيًا من خط الإنتاج لديك، أو إذا كنت تنشر على خوادم استدلال مخصصة ومتطورة لا تشكل فيها قيود الذاكرة وتوافق الأجهزة (باستثناء الأجهزة المحسّنة لـPaddle) شواغل أساسية.
الجيل التالي: تقديم YOLO26#
مع أن YOLO11 لا يزال قويًا للغاية، يتطور مجال الذكاء الاصطناعي بسرعة. وللحصول على أحدث ما توصل إليه كشف الأجسام، قدّمت Ultralytics الإصدار الجديد YOLO26. وقد صدر YOLO26 في يناير 2026، مستندًا إلى نجاحات إصداراته السابقة لتقديم كفاءة ودقة غير مسبوقتين.
أبرز ابتكارات YOLO26:
- تصميم شامل من البداية إلى النهاية بلا NMS: يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) مرحلة المعالجة اللاحقة لقمع غير القيم العظمى (NMS). ويسرّع ذلك الاستدلال بدرجة كبيرة ويبسط منطق النشر، في نقلة معمارية رائدة ظهرت أولًا في YOLOv10. - استدلال أسرع بنسبة تصل إلى 43% على CPU: محسّن خصيصًا للأجهزة الطرفية التي لا تحتوي على وحدات GPU، لضمان الأداء الآني على الأجهزة الأقل استهلاكًا للطاقة.
- محسّن MuSGD: مستوحى من استقرار تدريب نماذج اللغة الكبيرة (LLM)، ويمزج هذا المحسّن بين SGD وMuon لضمان تقارب أسرع وتدريب أكثر استقرارًا.
- ProgLoss + STAL: تحسّن دوال الخسارة المطوّرة التعرّف على الأجسام الصغيرة بدرجة كبيرة، وهو أمر بالغ الأهمية لتطبيقات الطائرات المسيّرة والمراقبة الأمنية.
- إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط تصدير النماذج وتحسين التوافق بدرجة كبيرة مع مجموعة واسعة من الأجهزة الطرفية.
نوصي بشدة بالاستفادة من إمكانات YOLO26 في المشاريع الجديدة التي تعطي الأولوية للسرعة وسلاسة التصدير وأعلى درجات الدقة، وذلك عبر منصة Ultralytics.
إذا كنت تقيّم بنيات أخرى، فقد يهمك أيضًا مقارنة YOLO11 مع RT-DETR أو استكشاف أداء YOLOv8 القديم وفقًا لمعايير التقييم الحديثة.