YOLO11 مقابل PP-YOLOE+#
يعد اختيار البنية المثلى للشبكة العصبية أمراً بالغ الأهمية عند نشر تطبيقات رؤية حاسوبية في بيئات الإنتاج. في هذه المقارنة التقنية، نستعرض النموذجين البارزين في مجال كشف الكائنات في الوقت الفعلي: Ultralytics YOLO11 ونموذج PP-YOLOE+ من شركة بايدو. تقدم كلتا البنيتين أداءً قوياً، لكنهما تتعاملان مع تحديات الدقة، وسرعة الاستدلال، ومجتمع المطورين بطرق مختلفة تماماً.
فيما يلي مخطط تفاعلي يعرض حدود أداء هذه النماذج لمساعدتك في تحديد الخيار الأنسب لقيود أجهزتك.
أصول النماذج والسلالة التقنية#
يوفر فهم أصول وفلسفات تصميم هذه النماذج سياقاً قيماً لنقاط قوتها وحالات الاستخدام المثالية لكل منها.
تفاصيل YOLO11#
يُمثل YOLO11، الذي طورته Ultralytics، تكراراً محسناً للغاية من سلسلة YOLO، حيث يعطي الأولوية للتوازن بين الاستدلال عالي السرعة، وكفاءة المعلمات الفائقة، وسهولة الاستخدام التي لا تضاهى. وهو معروف على نطاق واسع بقدراته الموحدة للمهام المتعددة وواجهة برمجة تطبيقات Python الصديقة للمطورين.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Docs: YOLO11 Documentation
تفاصيل PP-YOLOE+#
PP-YOLOE+ هو نسخة مطورة من PP-YOLOv2، مبنية على إطار عمل PaddlePaddle. يقدم تغييرات معمارية مثل العمود الفقري CSPRepResNet وTask Alignment Learning (TAL) لدفع حدود الدقة، خاصة على وحدات معالجة الرسومات (GPUs) عالية الأداء.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- Docs: PP-YOLOE+ Configuration Docs
الاختلافات المعمارية#
تعكس التصميمات المعمارية الأساسية لكل من YOLO11 وPP-YOLOE+ أولوياتهما المختلفة في مشهد الرؤية الحاسوبية.
يعتمد YOLO11 على هيكل أساسي (backbone) مُحسَّن للغاية ورأس كشف خالي من نقاط الارتكاز (anchor-free detection head). وهو يستهلك كتل C3k2 وتجميع الهرم المكاني - السريع (SPPF) لالتقاط الميزات متعددة المقاييس بأقل قدر من العبء الحسابي. هذا التصميم مفيد للغاية لتقليل زمن انتقال الاستدلال على الأجهزة المحدودة الموارد مثل وحدات NPU المتطورة ووحدات المعالجة المركزية للهواتف المحمولة. علاوة على ذلك، تم تصميم YOLO11 أصلاً للتعلم متعدد المهام، حيث يدعم تجزئة المثيلات، وتقدير الوضعية، واكتشاف مربع التحديد الموجه (OBB) فوراً بمجرد الاستخدام وددون إعدادات معقدة.
يقدم نموذج PP-YOLOE+ هيكل CSPRepResNet الأساسي ورأس عمل مُهيكل بكفاءة (ET-head). وهو يعتمد بشكل كبير على تقنيات إعادة المعلمات لزيادة السعة التمثيلية أثناء التدريب مع دمج تلك المعلمات في العمليات الالتفافية القياسية من أجل الاستدلال. وفي حين أن هذا ينتج متوسط الدقة المتوسطة (mAP) مبهراً، فإن النماذج الناتجة تميل إلى أن تكون أثقل من حيث المعلمات وبصمة الذاكرة، مما يجعلها أكثر ملاءمة للنشر على وحدات معالجة الرسومات (GPUs) القوية للخوادم بدلاً من الأجهزة الخفيفة.
إذا كان مشروعك يتطلب التوسع إلى ما هو أبعد من صناديق الإحاطة القياسية، فإن Ultralytics YOLO11 يوفر دعماً أصلياً للتجزئة، وتقدير الوضعية، والتصنيف ضمن نفس واجهة برمجة التطبيقات تماماً، مما يقلل بشكل كبير من عبء التطوير مقارنة بدمج مستودعات متعددة ومنفصلة.
الأداء والمعايير القياسية#
عند تقييم الأداء، ننظر إلى الدقة (mAP)، وسرعة الاستدلال عبر الأجهزة المختلفة، وكفاءة النموذج (المعلمات وFLOPs). يسلط الجدول أدناه الضوء على المقاييس المقارنة، مع إبراز القيم الأكثر كفاءة أو الأعلى أداءً بخط عريض.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
تحليل#
يُظهر YOLO11 ميزة واضحة في توازن الأداء وكفاءة المعلمات. على سبيل المثال، يحقق YOLO11m قيمة mAP أعلى (51.5) مقارنة بـ PP-YOLOE+m (49.8) مع استخدام عدد أقل من المعلمات (20.1 مليون مقابل 23.43 مليون) وتحقيق سرعات استدلال أسرع بكثير على TensorRT (4.7 مللي ثانية مقابل 5.56 مللي ثانية). تترجم الطبيعة خفيفة الوزن لنماذج YOLO11 بطبيعتها إلى متطلبات ذاكرة أقل أثناء كل من تدريب النموذج والنشر.
نظام التدريب وسهولة الاستخدام#
غالباً ما تكمن القيمة الحقيقية للنموذج في مدى سهولة تدريب المطورين له على مجموعات بيانات الرؤية الحاسوبية المخصصة ونشره في بيئة الإنتاج.
ميزة Ultralytics#
تعطى Ultralytics الأولوية لتجربة مطورين مُبسطة. تتم إدارة تدريب YOLO11 من خلال واجهة برمجة تطبيقات Python بسيطة أو واجهة سطر الأوامر (CLI)، مما يلغي تعقيدات الشفرة البرمجية الجاهزة. تعزز منصة Ultralytics هذا الأمر من خلال توفير التدريب بدون برمجة، والإدارة الآلية لمجموعات البيانات، والتصدير بنقرة واحدة إلى تنسيقات مثل ONNX، وCoreML، وTensorRT.
علاوة على ذلك، تتميز نماذج YOLO بكفاءة عالية في استخدام الذاكرة أثناء التدريب، مما يتجنب عبء VRAM الهائل النموذجي للبنى القائمة على Transformer أو النماذج الثقيلة ذات إعادة المعلمات، مما يتيح التدريب على أجهزة المستهلك العادية.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.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")
results[0].show()نظام PP-YOLOE+ البيئي#
يعمل PP-YOLOE+ ضمن نظام PaddleDetection البيئي. على الرغم من أن إطار العمل هذا قوي ومتكامل بعمق مع حلول Baidu الصناعية، إلا أنه يتطلب من المطورين اعتماد إطار عمل التعلم العميق PaddlePaddle المحدد. يمكن أن يفرض هذا منحنى تعلم أكثر حدة للفرق التي تعتمد بالفعل على PyTorch كمعيار. بالإضافة إلى ذلك، قد يتطلب تصدير نماذج PP-YOLOE+ إلى تنسيقات عالمية قياسية لأجهزة الحافة خطوات تحويل إضافية مقارنة بخطوط أنابيب التصدير الأصلية الموجودة في سير عمل Ultralytics.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هذه النماذج على بيئة النشر الخاصة بك.
- اختر YOLO11 للتطوير المرن، والحوسبة الطرفية، وتطبيقات الهواتف المحمولة. إن سرعة الاستدلال العالية، والبصمة الذاكرية المنخفضة، وقدرات التصدير الواسعة تجعله مثالياً للمهام مثل إدارة مخزون التجزئة في الوقت الفعلي على وحدات المعالجة المركزية القياسية، وتحليل الصور الجوية بواسطة الطائرات بدون طيار، وخطوط الأنابيب المعقدة متعددة المهام.
- اختر PP-YOLOE+ إذا كان خط إنتاجك بالكامل مستثمراً بالفعل بكثافة في نظام PaddlePaddle البيئي، أو إذا كنت تنشر على خوادم استدلال مخصصة وعالية الأداء حيث لا تشكل قيود الذاكرة وتوافق الأجهزة (خارج الأجهزة المحسنة لـ Paddle) شواغل أساسية.
الجيل القادم: تقديم YOLO26#
بينما يظل YOLO11 قوياً بشكل لا يصدق، فإن مجال الذكاء الاصطناعي يتحرك بسرعة. للحصول على أحدث التقنيات المتقدمة في اكتشاف الكائنات، قدمت Ultralytics نموذج YOLO26 الجديد. تم إطلاق YOLO26 في يناير 2026، وهو يبني على نجاحات سابقيه ليقدم كفاءة ودقة غير مسبوقتين.
ابتكارات YOLO26 الرئيسية:
- تصميم خالٍ من NMS من البداية إلى النهاية: يلغي YOLO26 محلياً معالجة كبح الحد الأقصى غير (NMS). يؤدي هذا إلى تسريع الاستدلال بشكل كبير وتبسيط منطق النشر، وهي طفرة معمارية رائدة تم تقديمها لأول مرة في YOLOv10.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: تم تحسينه خصيصاً لأجهزة الحافة التي لا تحتوي على وحدات GPU، مما يضمن أداءً في الوقت الفعلي على الأجهزة ذات الطاقة المنخفضة.
- مُحسِّن MuSGD: مستوحى من استقرار تدريب LLM، يضمن هذا الهجين بين SGD وMuon تقارباً أسرع وتدريباً أكثر استقراراً.
- ProgLoss + STAL: تعمل دالة الخسارة المحسنة على تحسين التعرف على الكائنات الصغيرة بشكل جذري، وهو أمر بالغ الأهمية لـ تطبيقات الطائرات بدون طيار ومراقبة الأمان.
- إزالة DFL: تعمل إزالة Distribution Focal Loss على تبسيط تصدير النموذج وتحسين التوافق بشكل كبير عبر مجموعة واسعة من أجهزة الحافة.
للمشاريع الجديدة التي تعطي الأولوية للسرعة، والتصدير السلس، وأقصى دقة، نوصي بشدة الاستفادة من قدرات YOLO26 عبر منصة Ultralytics.
إذا كنت تقيم بنيات أخرى، فقد تكون مهتماً أيضاً بمقارنة YOLO11 بـ RT-DETR أو استكشاف كيفية أداء الإصدار السابق YOLOv8 في المعايير الحديثة.