مقارنة YOLO11 وPP-YOLOE+#
يُعد اختيار بنية الشبكة العصبية المثلى أمرًا بالغ الأهمية عند نشر تطبيقات الرؤية الحاسوبية في بيئات الإنتاج. في هذه المقارنة التقنية، نستعرض نموذجين بارزين في مجال اكتشاف الأجسام في الوقت الفعلي: Ultralytics YOLO11 وPP-YOLOE+ من Baidu. توفر كلتا البنيتين أداءً قويًا، لكنهما تتعاملان مع تحديات الدقة وسرعة الاستدلال ومنظومة المطورين بطرق مختلفة تمامًا.
فيما يلي مخطط تفاعلي يوضح حدود أداء هذين النموذجين لمساعدتك على تحديد الأنسب لقيود أجهزتك.
أصول النماذج وتسلسلها التقني#
يوفر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا قيّمًا لنقاط قوة كل منها وحالات الاستخدام المثلى لها.
تفاصيل YOLO11#
طوّرت Ultralytics نموذج YOLO11، الذي يمثل تكرارًا محسنًا للغاية من سلسلة YOLO، مع إعطاء الأولوية لتحقيق توازن بين الاستدلال عالي السرعة والكفاءة الفائقة في استخدام المعلمات وسهولة الاستخدام غير المسبوقة. ويُعرف على نطاق واسع بقدراته الموحدة في تنفيذ مهام متعددة وواجهة Python البرمجية الملائمة للمطورين.
- المؤلفان: Glenn Jocher وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- الوثائق: وثائق YOLO11
تفاصيل PP-YOLOE+#
PP-YOLOE+ هو إصدار مطوّر من PP-YOLOv2، بُني على إطار عمل PaddlePaddle. ويقدم تغييرات معمارية مثل العمود الفقري CSPRepResNet وتعلّم محاذاة المهام (TAL) لتوسيع حدود الدقة، لا سيما على وحدات GPU المتطورة.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- الوثائق: وثائق إعداد PP-YOLOE+
الاختلافات المعمارية#
تعكس التصميمات المعمارية الأساسية لكل من YOLO11 وPP-YOLOE+ أولوياتهما المختلفة في مجال الرؤية الحاسوبية.
YOLO11 مبني على عمود فقري محسن للغاية ورأس اكتشاف خالٍ من المراسي. ويستخدم كتل C3k2 وتجميع الهرم المكاني - السريع (SPPF) لالتقاط الميزات متعددة المقاييس بأقل قدر من العبء الحسابي. وتتميز هذه البنية بفاعلية كبيرة في تقليل زمن استجابة الاستدلال على الأجهزة محدودة الموارد، مثل وحدات NPU الطرفية ووحدات CPU المحمولة. علاوة على ذلك، صُمم YOLO11 أصلًا للتعلم متعدد المهام، مع دعم تجزئة المثيلات وتقدير الوضعية واكتشاف مربعات الإحاطة الموجهة (OBB) مباشرةً.
يقدم PP-YOLOE+ الهيكل الأساسي CSPRepResNet ورساً فعالاً محاذاً للمهام (ET-head). وهو يعتمد بشكل كبير على تقنيات إعادة المعلمات لزيادة سعة التمثيل أثناء التدريب مع طي تلك المعلمات في التلافيف القياسية للاستدلال. وعلى الرغم من أن هذا ينتج متوسط دقة التوسط (mAP) مبهرة، فإن النماذج الناتجة تميل إلى أن تكون أثقل من حيث المعلمات وبصمة الذاكرة، مما يجعلها أكثر ملاءمة للنشر على وحدة معالجة رسومية خادم قوية بدلاً من أجهزة الطرفية خفيفة الوزن.
إذا كان مشروعك يتطلب التوسع إلى ما يتجاوز مربعات الإحاطة القياسية، فإن Ultralytics YOLO11 يوفر دعمًا أصليًا للتجزئة وتقدير الوضعية والتصنيف ضمن واجهة API نفسها تمامًا، ما يقلل بصورة كبيرة من أعباء التطوير مقارنةً بدمج مستودعات متعددة ومستقلة.
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 وضع القيم الأكثر كفاءة أو الأعلى أداءً بخط عريض.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | 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 | 21.5 |
| 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 |
التحليل#
يُظهر YOLO11 أفضلية واضحة في توازن 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 خفض متطلبات الذاكرة أثناء كل من تدريب النموذج والنشر.
منظومة التدريب وسهولة الاستخدام#
غالبًا ما تكمن القيمة الحقيقية للنموذج في مدى سهولة تدريب المطورين له على مجموعات بيانات الرؤية الحاسوبية المخصصة ونشره في بيئة الإنتاج.
ميزة Ultralytics#
تعطي Ultralytics الأولوية لتجربة مطور مبسطة. وتتم إدارة تدريب YOLO11 من خلال واجهة API أو CLI بسيطة في Python، ما يجرد المطور من تعقيدات الشيفرة البرمجية التمهيدية. وتُعزز منصة Ultralytics ذلك أكثر من خلال توفير التدريب دون برمجة، والإدارة الآلية لمجموعات البيانات، والتصدير بنقرة واحدة إلى صيغ مثل ONNX وCoreML وTensorRT.
علاوة على ذلك، تتميز نماذج YOLO بكفاءة عالية في استخدام الذاكرة أثناء التدريب، مما يتجنب التكاليف العامة الهائلة لـ VRAM النموذجية للبنى المستندة إلى Transformer أو النماذج ذات المعلمات الثقيلة المعاد تكوينها، مما يتيح التدريب على الأجهزة الاستهلاكية.
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()منظومة PP-YOLOE+#
يعمل PP-YOLOE+ ضمن منظومة PaddleDetection. وعلى الرغم من أن هذا الإطار قوي ومتكامل بعمق مع الحلول الصناعية لشركة Baidu، فإنه يتطلب من المطورين اعتماد إطار التعلم العميق المحدد PaddlePaddle. وقد يؤدي ذلك إلى منحنى تعلم أكثر حدة للفرق التي تعتمد بالفعل على PyTorch كمعيار موحد. بالإضافة إلى ذلك، قد يتطلب تصدير نماذج PP-YOLOE+ إلى صيغ قياسية وعالمية للأجهزة الطرفية خطوات تحويل إضافية مقارنةً بمسارات التصدير الأصلية المتاحة في سير عمل Ultralytics.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هذين النموذجين على بيئة النشر الخاصة بك.
- اختر YOLO11 للتطوير المرن، والحوسبة الطرفية، وتطبيقات الأجهزة المحمولة. فسرعة استدلاله العالية وبصمة ذاكرته المنخفضة وقدرات التصدير الواسعة تجعله مثاليًا لمهام مثل إدارة مخزون التجزئة في الوقت الفعلي على وحدات CPU القياسية، وتحليل الصور الجوية المعتمدة على الطائرات المسيرة، ومسارات العمل المعقدة متعددة المهام.
- اختر PP-YOLOE+ إذا كان مسار الإنتاج بأكمله يعتمد بدرجة كبيرة بالفعل على منظومة PaddlePaddle، أو إذا كنت تنشر على خوادم استدلال مخصصة وعالية الأداء، حيث لا تمثل قيود الذاكرة وتوافق الأجهزة (خارج الأجهزة المحسنة لـ Paddle) مخاوف أساسية.
الجيل التالي: تقديم YOLO26#
مع أن YOLO11 لا يزال قويًا للغاية، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وللوصول إلى أحدث ما توصل إليه المجال في اكتشاف الأجسام، قدمت Ultralytics النموذج الجديد YOLO26. صدر YOLO26 في يناير 2026، وهو يبني على نجاحات أسلافه لتقديم كفاءة ودقة غير مسبوقتين.
أبرز ابتكارات YOLO26:
- تصميم شامل خالٍ من NMS: يلغي YOLO26 أصلًا المعالجة اللاحقة الخاصة بـالكبح غير الأقصى (NMS). ويؤدي ذلك إلى تسريع الاستدلال بدرجة كبيرة وتبسيط منطق النشر، في قفزة معمارية رائدة ظهرت للمرة الأولى في YOLOv10.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: محسن خصيصًا للأجهزة الطرفية التي لا تحتوي على وحدات GPU، بما يضمن أداءً فوريًا على الأجهزة منخفضة الطاقة.
- مُحسِّن MuSGD: مستوحى من استقرار تدريب LLM، وهو مزيج هجين من SGD وMuon يضمن تقاربًا أسرع وتدريبًا أكثر استقرارًا.
- ProgLoss + STAL: تعزز دوال الخسارة المحسنة التعرف على الأجسام الصغيرة بدرجة كبيرة، وهو أمر بالغ الأهمية لـتطبيقات الطائرات المسيرة والمراقبة الأمنية.
- إزالة DFL: تبسط إزالة Distribution Focal Loss تصدير النموذج وتحسن بدرجة كبيرة التوافق عبر مجموعة واسعة من الأجهزة الطرفية.
بالنسبة إلى المشاريع الجديدة التي تعطي الأولوية للسرعة والتصدير السلس وأقصى قدر من الدقة، نوصي بشدة بالاستفادة من إمكانات YOLO26 عبر منصة Ultralytics.
إذا كنت تقيّم بنيات أخرى، فقد يهمك أيضًا مقارنة YOLO11 بـRT-DETR أو استكشاف مدى صمود YOLOv8 القديم أمام المعايير الحديثة.