ابدأ

YOLO11 مقابل PP-YOLOE+

يُعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية عند نشر تطبيقات الرؤية الحاسوبية في بيئة الإنتاج. تقارن هذه المقالة بين نموذجين بارزين للكشف عن الأجسام في الوقت الفعلي، هما Ultralytics YOLO11 وPP-YOLOE+ من Baidu. يقدّم كلاهما أداءً جيدًا، لكنهما يختلفان كثيرًا في التعامل مع الدقة وسرعة الاستدلال ونظام أدوات المطورين.

يعرض المخطط التفاعلي أدناه المفاضلة بين السرعة والدقة في كلا 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#

طوّرت Ultralytics نموذج YOLO11 لتحسين سلسلة YOLO، محققًا توازنًا بين سرعة الاستدلال وكفاءة المعلمات وسهولة الاستخدام. ويشتهر بدعمه الموحد للمهام المتعددة وواجهة Python البرمجية الملائمة للمطورين.

تفاصيل PP-YOLOE+#

PP-YOLOE+ إصدار مطوّر من PP-YOLOE، الذي تطوّر بدوره من PP-YOLOv2، وهو مبني على إطار عمل PaddlePaddle. ويستخدم تغييرات معمارية مثل العمود الفقري CSPRepResNet والتعلّم بمحاذاة المهام (TAL) لتحسين الدقة، لا سيما على وحدات GPU المتطورة.

تعرّف على المزيد حول PP-YOLOE+

الاختلافات المعمارية#

تعكس بنيتا YOLO11 وPP-YOLOE+ أولويات تصميم مختلفة.

يجمع YOLO11 بين عمود فقري فعّال ورأس كشف خالٍ من المراسي. ويستخدم كتل C3k2 وتجميع الهرم المكاني السريع (SPPF) لالتقاط السمات متعددة المقاييس بأقل عبء حوسبي، ما يساعد على تقليل زمن استجابة الاستدلال على الأجهزة محدودة الموارد، مثل وحدات NPU الطرفية ووحدات CPU المحمولة. كما يدعم YOLO11، مباشرةً، تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والكشف عن مربعات الإحاطة الموجّهة (OBB).

يستخدم PP-YOLOE+ العمود الفقري CSPRepResNet وعنق CSPPAN ورأسًا فعّالًا لمحاذاة المهام (ET-head). ويعتمد على إعادة المعلمة لزيادة القدرة التمثيلية أثناء التدريب، ثم يدمج تلك المعلمات في التفافات قياسية للاستدلال. يحقق ذلك متوسط دقة (mAP) قويًا، لكن الإصدارات الأكبر تتضمن معلمات أكثر من نظيراتها من YOLO11 (52.2M مقابل 25.3M عند الحجم L)، ما يجعلها أنسب لوحدات GPU الخادمة من الأجهزة الطرفية خفيفة الوزن.

تعدد الاستخدامات والمهام

إذا كان مشروعك يتطلب التوسع إلى ما يتجاوز مربعات الإحاطة القياسية، فإن Ultralytics YOLO11 يوفّر دعمًا أصليًا للتجزئة والتصنيف وتقدير الوضعيات والكشف عن OBB ضمن واجهة API نفسها، ما يقلل عبء التطوير مقارنةً بدمج مستودعات منفصلة متعددة.

الأداء ومعايير التقييم#

يقارن الجدول أدناه الدقة (mAP) وسرعة الاستدلال على الأجهزة المختلفة وكفاءة النموذج (المعلمات وFLOPs)، مع تمييز أفضل قيمة في كل عمود بخط عريض.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

التحليل#

يحقق YOLO11 توازنًا أفضل في الأداء في معظم الأحجام. يصل YOLO11m إلى mAP أعلى من PP-YOLOE+m (51.5 مقابل 49.8)، مع عدد معلمات أقل (20.1M مقابل 23.43M) واستدلال TensorRT أسرع (4.7 ms مقابل 5.56 ms). وعند أكبر مقياس، يحقق كلاهما 54.7 mAP، لكن YOLO11x أسرع (11.3 ms مقابل 14.3 ms) ويستخدم عددًا أقل بكثير من المعلمات (56.9M مقابل 98.42M). وينافس PP-YOLOE+ بقوة في الأحجام الصغيرة: يتفوق PP-YOLOE+t على YOLO11n في mAP (39.9 مقابل 39.5) مع زمن استجابة أعلى، بينما يستخدم PP-YOLOE+s معلمات وFLOPs أقل من YOLO11s بدقة أدنى. كما تحتاج نماذج YOLO11 الأصغر إلى ذاكرة أقل أثناء تدريب النموذج ونشره.

منظومة التدريب وسهولة الاستخدام#

يكمن جانب كبير من القيمة العملية للنموذج في مدى سهولة تدريبه على مجموعات بيانات الرؤية الحاسوبية المخصصة ونشره في بيئة الإنتاج.

ميزة Ultralytics#

تركّز Ultralytics على تجربة المطورين. يُدرَّب YOLO11 عبر واجهة Python البرمجية البسيطة أو CLI دون الحاجة إلى شيفرة تمهيدية معقدة، وتضيف منصة Ultralytics التدريب دون كتابة شيفرة وإدارة مجموعات البيانات والتصدير بنقرة واحدة إلى تنسيقات مثل ONNX وCoreML وTensorRT.

تتميّز نماذج YOLO أيضًا بكفاءة استهلاك الذاكرة أثناء التدريب، إذ تتجنب العبء الكبير على VRAM الذي تسببه البنى القائمة على Transformer والنماذج الأثقل المعاد معلمتها، لذا يمكن تدريبها على أجهزة استهلاكية.

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. ورغم قوة هذا الإطار وتكامله العميق مع الحلول الصناعية من Baidu، فإنه يتطلب من المطورين اعتماد إطار التعلم العميق المحدد PaddlePaddle. وقد يؤدي ذلك إلى منحنى تعلّم أكثر صعوبة للفرق التي اعتمدت PyTorch معيارًا لها. كما قد يتطلب تصدير نماذج PP-YOLOE+ إلى تنسيقات الأجهزة الطرفية الشائعة خطوات تحويل إضافية مقارنةً بمسار التصدير المدمج في Ultralytics، الذي يحوّل YOLO11 إلى ONNX وTensorRT وحتى PaddlePaddle بأمر واحد.

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 كان مسار الإنتاج لديك مبنيًا بالفعل على منظومة PaddlePaddle، أو إذا كنت تنشر على خوادم استدلال مخصصة ومتطورة، حيث لا تمثل قيود الذاكرة وتوافق الأجهزة (باستثناء الأجهزة المحسّنة لـ Paddle) الشاغل الأساسي.

الجيل التالي: تقديم YOLO26#

لا يزال YOLO11 خيارًا قويًا، لكن Ultralytics توصي بـ YOLO26 للمشاريع الجديدة. صدر YOLO26 في يناير 2026، ويقدّم تحسينات على أسلافه في الكفاءة والدقة.

أبرز ابتكارات YOLO26:

  • تصميم شامل خالٍ من NMS: يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) مرحلة المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS). ويقلل ذلك زمن الاستجابة ويبسط منطق النشر، مستندًا إلى نهج طُرح لأول مرة في YOLOv10.
  • استدلال أسرع على CPU بنسبة تصل إلى 43%: يعمل YOLO26n على CPU بسرعة تفوق YOLO11n بنسبة تصل إلى 43%، ما يعزز الأداء في الوقت الفعلي على الأجهزة الطرفية التي لا تحتوي على وحدات GPU.
  • مُحسِّن MuSGD: يستلهم هذا المزيج بين SGD وMuon أسلوب تدريب نماذج اللغة الكبيرة (LLM)، ويوفر تقاربًا أسرع وتدريبًا أكثر استقرارًا.
  • ProgLoss + STAL: تعمل الخسارة التقدمية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) على تحسين التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتطبيقات الطائرات المسيّرة والمراقبة الأمنية.
  • إزالة DFL: يؤدي حذف Distribution Focal Loss إلى تبسيط تصدير النموذج وتحسين التوافق مع مجموعة واسعة من الأجهزة الطرفية.

للمشاريع الجديدة التي تعطي الأولوية للسرعة وسهولة التصدير والدقة، يُعد YOLO26 الخيار الموصى به، ويمكنك تدريبه ونشره على منصة Ultralytics.

إذا كنت تقيّم بنى أخرى، فاطّلع على مقارنة RT-DETR وYOLO11، أو اقرأ عن مقارنة YOLO11 مع YOLOv8 وYOLOv9 وYOLOv10.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.