YOLO11 PP-YOLOE+: مقارنة مفصلة بين البنية والأداء
في عالم الرؤية الحاسوبية سريع التطور، يعد اختيار نموذج الكشف عن الكائنات المناسب قرارًا بالغ الأهمية يؤثر على كل شيء بدءًا من سرعة التطوير وحتى زمن انتقال النشر. يقدم هذا الدليل مقارنة تقنية شاملة بين Ultralytics YOLO11، وهو نموذج متعدد الاستخدامات وواسع الانتشار تم إصداره في أواخر عام 2024، و PP-YOLOE+، وهو كاشف صناعي قوي من نظام PaddlePaddle .
نقوم بتحليل هذه البنى بناءً على مقاييس الدقة وسرعة الاستدلال وسهولة الاستخدام وتنوع الاستخدامات لمساعدتك في اختيار أفضل أداة لتطبيقك المحدد.
معايير الأداء التفاعلية
لفهم المفاضلات بين هذه النماذج، من الضروري تصور أدائها على مجموعات بيانات قياسية مثل COCO. يوضح الرسم البياني أدناه التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال، مما يساعدك على تحديد "حدود باريتو" لقيود زمن الاستجابة.
تحليل مقاييس الأداء
يقدم الجدول التالي تحليلاً مفصلاً لأداء النموذج. تُظهرYOLO11 Ultralytics YOLO11 كفاءة فائقة، حيث توفر دقة أعلى مع عدد أقل بكثير من المعلمات مقارنة بنظيراتها PP-YOLOE+.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | 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 |
Ultralytics YOLO11: الهندسة المعمارية والنظام البيئي
صدر في سبتمبر 2024، YOLO11 على إرث YOLO السابقة من YOLO حيث يقدم مكونات معمارية محسنة مصممة لتحقيق أقصى قدر من الكفاءة في استخراج الميزات.
الميزات المعمارية الرئيسية
- C3k2 Backbone: تطورًا لرقبة الزجاجة CSP (Cross Stage Partial)، يستخدم كتلة C3k2 عمليات تلافيف أسرع لتحسين سرعة المعالجة مع الحفاظ على تدفق التدرج.
- C2PSA الانتباه: إن إدخال وحدة C2PSA (Cross-Stage Partial with Spatial Attention) يعزز قدرة النموذج على التركيز على الأجسام الصغيرة والأنسجة المعقدة، وهو تحدٍ شائع في تحليل الصور الساتلية.
- رأس متعدد المهام: على عكس العديد من المنافسين، YOLO11 هيكل رأس موحد يدعم الكشف وتقسيم المثيلات وتقدير الوضع ومربعات الحدود الموجهة (OBB) ضمن إطار عمل واحد.
YOLO11 :
- المؤلفون: جلين جوشر وجينغ تشيو
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: ultralytics
- المستندات: YOLO11
PP-YOLOE+: الهندسة المعمارية والنظام البيئي
PP-YOLOE+ هو إصدار مطور من PP-YOLOE، تم تطويره بواسطة PaddlePaddle . وقد تم تصميمه ليكون أساسًا قويًا للتطبيقات الصناعية، مستفيدًا من إطار عمل التعلمPaddlePaddle Baidu PaddlePaddle .
الميزات المعمارية الرئيسية
- CSPRepResStage: يجمع هذا العمود الفقري بين الاتصالات المتبقية وتقنيات إعادة المعلمات، مما يسمح للنموذج بأن يكون معقدًا أثناء التدريب ولكن مبسطًا أثناء الاستدلال.
- TAL (تعلم مواءمة المهام): يستخدم PP-YOLOE+ استراتيجية ديناميكية لتعيين التسميات التي توائم مهام التصنيف والتوطين، مما يحسن جودة اختيار العينات الإيجابية.
- بدون مرساة: مثل YOLO11، يستخدم نهجًا بدون مرساة لتقليل عدد المعلمات الفائقة المطلوبة للضبط.
تفاصيل PP-YOLOE+:
- المؤلفون: PaddlePaddle Authors
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: PP-YOLOE: نسخة مطورة من YOLO
- GitHub: PaddlePaddle
- المستندات: PP-YOLOE+ README
تحليل مقارن: لماذا تختار Ultralytics؟
في حين أن كلا النموذجين كلاهما كاشفان فعالان،YOLO11 Ultralytics YOLO11 مزايا واضحة في سهولة الاستخدام ودعم النظام البيئي وكفاءة الموارد.
1. سهولة الاستخدام والتنفيذ
أحد أهم الاختلافات يكمن في تجربة المستخدم. تم تصميم Ultralytics وفقًا لفلسفة "الصفر احتكاك". تتيح Python للمطورين تحميل النماذج وتدريبها ونشرها في أقل من خمس أسطر من التعليمات البرمجية.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
في المقابل، يعتمد PP-YOLOE+ على مجموعة PaddleDetection. على الرغم من قوتها، إلا أنها غالبًا ما تتطلب منحنى تعلم أكثر صعوبة يتضمن ملفات التكوين والتبعيات الخاصة PaddlePaddle والتي قد لا تكون بديهية للمستخدمين المعتادين على المعايير القياسية PyTorch .
2. كفاءة التدريب واستخدام الذاكرة
تشتهرYOLO Ultralytics YOLO بكفاءتها في استخدام الموارد.
- استهلاك أقل للذاكرة: YOLO11 تحسين YOLO11 للتدريب على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين. وهذه ميزة مهمة مقارنة بالبنى الهندسية التي تعتمد بشكل كبير على المحولات أو النماذج الصناعية القديمة التي تتطلب CUDA كبيرة.
- تقارب أسرع: بفضل المعلمات الفائقة الافتراضية المحسّنة والتحسينات مثل Mosaic و Mixup، YOLO11 يتقارب YOLO11 إلى مستويات دقة قابلة للاستخدام في عدد أقل من العصور، مما يوفر تكاليف الحوسبة.
3. تعدد الاستخدامات ودعم المهام
غالبًا ما تتطلب مشاريع الرؤية الحاسوبية الحديثة أكثر من مجرد مربعات تحديد. إذا توسع نطاق مشروعك، فإن Ultralytics لك ما تحتاجه دون الحاجة إلى تغيير الأطر.
- YOLO11: يدعم بشكل أساسي اكتشاف الكائنات، وتقسيم الحالات، وتقدير الوضع، والمربعات المحددة الاتجاه (OBB)، والتصنيف.
- PP-YOLOE+: يركز بشكل أساسي على اكتشاف الكائنات. في حين أن PaddleDetection يدعم مهام أخرى، إلا أنها تتطلب في الغالب هياكل نماذج مختلفة وخطوط إنتاج تكوين مختلفة.
نشر مبسط
يمكن تصديرYOLO11 Ultralytics YOLO11 إلى أكثر من 10 تنسيقات بما في ذلك ONNX و TensorRT و CoreML و TFLite واحدة: model.export(format='onnx'). هذه المرونة الأصلية تبسط بشكل كبير المسار من البحث إلى الإنتاج.
مستقبل الذكاء الاصطناعي في مجال الرؤية: تقديم YOLO26
في حين أن YOLO11 خيارًا ناضجًا وموثوقًا، إلا أن هذا المجال يستمر في التقدم. للمطورين الباحثين عن أحدث التقنيات، Ultralytics YOLO26 في أوائل عام 2026.
تُحدث YOLO26 ثورة في البنية الهندسية بتصميمها الأصلي الشامل NMS، والذي تم ابتكاره لأول مرة في YOLOv10. من خلال التخلص من الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression (NMS) و Distribution Focal Loss (DFL)، يحقق YOLO26 CPU أسرع بنسبة تصل إلى 43٪ CPU مقارنةً بالأجيال السابقة. كما أنه يدمج مُحسِّن MuSGD، وهو مزيج من SGD Muon، مما يضمن ديناميكيات تدريب مستقرة مستوحاة من ابتكارات LLM.
بالنسبة للمشاريع الجديدة التي تستهدف الأجهزة الطرفية أو تتطلب أعلى إنتاجية ممكنة، نوصي بشدة باستكشاف YOLO26.
حالات الاستخدام في العالم الحقيقي
أين يتفوق YOLO11
- Edge AI & IoT: نظرًا لنسبة الدقة إلى المعلمات العالية، يعد YOLO11n (Nano) مثاليًا لاستخدامات Raspberry Pi والأجهزة المحمولة.
- التصوير الطبي: القدرة على إجراء التجزئة والكشف في وقت واحد تجعله مثالياً لتحديد الأورام أو تحليل هياكل الخلايا.
- الروبوتات: دعم OBB الخاص بها أمر بالغ الأهمية لمهام الإمساك الروبوتية التي يهم فيها الاتجاه.
أين يتناسب PP-YOLOE+
- تكامل نظام Baidu البيئي: إذا كانت البنية التحتية الخاصة بك تستثمر بالفعل بشكل كبير في سحابة الذكاء الاصطناعي من Baidu أو مسرعات PaddlePaddle فإن PP-YOLOE+ توفر توافقًا أصليًا.
- الكاميرات الصناعية الثابتة: بالنسبة للاستدلال من جانب الخادم حيث يكون حجم النموذج أقل تقييدًا، يظل PP-YOLOE+ خيارًا تنافسيًا.
الخلاصة
يعد كل من YOLO11 PP-YOLOE+ بنى قادرة على اكتشاف الأجسام. ومع ذلك، بالنسبة لغالبية الباحثين والمطورين، Ultralytics YOLO11 (و YOLO26 الأحدث) توازنًا فائقًا بين الأداء وسهولة الاستخدام ودعم النظام البيئي. تضمن القدرة على الانتقال السلس بين المهام، إلى جانب مكتبة واسعة من موارد المجتمع والوثائق، أن مشروعك قابل للتطوير ومستقبلي.
لمزيد من الاستكشاف حول بنى النماذج، يرجى مراجعة مقارناتنا حول RT-DETR للكشف القائم على المحولات أو YOLOv10 للاطلاع على أحدث الإنجازات في مجال الكفاءة في الوقت الفعلي.