YOLO26 مقابل PP-YOLOE+: تطوير اكتشاف الكائنات بكفاءة من الجيل التالي
يعد اختيار بنية الكشف عن الكائنات المناسبة قرارًا بالغ الأهمية للمطورين الذين يعملون على إنشاء تطبيقات الرؤية الحاسوبية. يقدم هذا الدليل مقارنة تقنية مفصلة بين نموذجين مؤثرين: Ultralytics و PP-YOLOE+. ورغم أن كلا النموذجين يمثلان علامات فارقة مهمة في تطور الكشف في الوقت الفعلي، إلا أنهما يلبيان فلسفات هندسية وبيئات نشر مختلفة.
يقدم Ultralytics تم إصداره في يناير 2026، بنية أصلية شاملة NMS ، مما يحسن CPU وسهولة الاستخدام. في المقابل، يركز PP-YOLOE+، الذي طورته PaddlePaddle على تحسين الكشف الخالي من المراسي داخل نظام Baidu البيئي. يتعمق هذا التحليل في بنى هذه الأدوات ومقاييس أدائها وحالات الاستخدام المثالية لمساعدتك في اختيار أفضل أداة لمشروعك.
ملخص تنفيذي: الاختلافات الرئيسية
| ميزة | Ultralytics YOLO26 | PP-YOLOE+ |
|---|---|---|
| البنية | من طرف إلى طرف (NMS) | بدون مرساة (يتطلب NMS) |
| سرعة الاستدلال | مُحسّن للوحدة المركزية للمعالجة CPU والحافة (أسرع بنسبة تصل إلى 43٪) | مُحسّن لـ GPU PaddleLite |
| إطار العمل | PyTorch أصلي)، تصدير متعدد التنسيقات | PaddlePaddle |
| تركيز التدريب | سهولة الاستخدام، ذاكرة منخفضة، مُحسّن MuSGD | دقة عالية، مدفوعة بالتكوين |
| المهام | Detect, Segment, تقدير الوضعية, OBB, Classify | الكشف (الأساسي)، الآخرون عبر تكوينات منفصلة |
Ultralytics : ثورة "الحدود أولاً"
يمثل Ultralytics تحولًا جذريًا في YOLO . من خلال التخلص من Non-Maximum Suppression (NMS) و Distribution Focal Loss (DFL)، يحقق YOLO26 خط إنتاج مبسطًا ومتكاملًا من البداية إلى النهاية. يقلل هذا التصميم بشكل كبير من تقلب زمن الاستجابة، مما يجعله فعالًا بشكل خاص لتطبيقات الذكاء الاصطناعي المتطورة حيث يكون وقت التنفيذ المتوقع أمرًا بالغ الأهمية.
الابتكارات المعمارية الأساسية
تتميز بنية YOLO26 بتركيزها على الكفاءة واستقرار التدريب:
- NMS من البداية إلى النهاية: على عكس أجهزة الكشف التقليدية التي تنتج آلاف الصناديق المرشحة التي تتطلب معالجة لاحقة مكثفة، تتنبأ YOLO26 بمجموعة الكائنات النهائية مباشرة. هذا الاختراق، الذي تم ابتكاره لأول مرة في YOLOv10، يبسط عملية التصدير إلى تنسيقات مثل ONNX TensorRT.
- MuSGD Optimizer: مستوحى من ابتكارات تدريب LLM من Moonshot AI's Kimi K2، يستخدم YOLO26 مزيجًا من SGD و Muon. وينتج عن ذلك تقارب أسرع وتدريبات أكثر استقرارًا، حتى مع أحجام الدفعات الأصغر.
- ProgLoss + STAL: أدى إدخال تقنية Progressive Loss (ProgLoss) و Soft-Target Anchor Loss (STAL) إلى تحسينات ملحوظة في التعرف على الأجسام الصغيرة. وهذا أمر بالغ الأهمية لقطاعات مثل الزراعة، حيث يتطلب اكتشاف الآفات أو المحاصيل البعيدة دقة عالية.
PP-YOLOE+: PaddlePaddle
PP-YOLOE+ هو تطور لـ PP-YOLOv2، مبني على PaddlePaddle . وهو يستخدم فلسفة خالية من المراسي لتجنب ضبط المعلمات الفائقة المرتبطة بصناديق المراسي. وهو يدمج عمودًا فقريًا قويًا (CSPRepResNet) ورأسًا فعالًا (ET-head) لتحقيق التوازن بين السرعة والدقة، خاصة على الأجهزة المدعومة من PaddleLite.
الميزات الرئيسية
- CSPRepResNet Backbone: يستخدم تلافيف نواة كبيرة لالتقاط حقول استقبال فعالة، مما يحسن قدرات استخراج الميزات.
- TAL (تعلم مواءمة المهام): يدمج استراتيجيات تخصيص التسميات الديناميكية لمواءمة مهام التصنيف والتوطين أثناء التدريب.
- تكامل نظام Paddle Ecosystem: متكامل بشكل عميق مع أدوات مثل PaddleSlim للتكمية، مما يجعله خيارًا قويًا للمطورين الملتزمين بالفعل بمجموعة برامج Baidu.
معايير الأداء
يُقارن الجدول التالي بين النماذج الموجودة في COCO . يُظهر YOLO26 كفاءة فائقة، لا سيما في CPU ) حيث تقلل بنيته من النفقات العامة بنسبة تصل إلى 43٪.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
حالات الاستخدام المثالية والنشر
غالبًا ما يعتمد الاختيار بين هذه النماذج على أجهزة النشر وتفضيلات سير العمل لديك.
متى تختار Ultralytics
تم تصميم YOLO26 للمطورين الذين يحتاجون إلى التنوع والسرعة. إن استهلاكه المنخفض للذاكرة أثناء التدريب يجعله متاحًا لأولئك الذين لا يمتلكون GPU على مستوى المؤسسات.
- الأجهزة الطرفية (Raspberry Pi، الأجهزة المحمولة): إن إزالة DFL والتصميم NMS يجعل YOLO26 الخيار الأفضل لوحدات المعالجة المركزية ووحدات المعالجة العصبية. تعرف على كيفية النشر على الأجهزة الطرفية بفعالية.
- تحليلات الفيديو في الوقت الفعلي: بالنسبة لمراقبة المدن الذكية، يضمن زمن الاستجابة الثابت لـ YOLO26 عدم فقدان أي إطارات أثناء ذروة حركة المرور.
- المشاريع متعددة الوسائط: إذا كان مشروعك يتطلب تقدير الوضع أو مربعات الحدود الموجهة (OBB) إلى جانب الكشف القياسي، فإن YOLO26 يوفر كل هذه المهام في مكتبة واحدة.
متى تختار PP-YOLOE+
- PaddlePaddle : إذا كانت بيئة الإنتاج الخاصة بك مبنية بالفعل على PaddleServing، فإن الاستمرار في استخدام PP-YOLOE+ يقلل من صعوبات التكامل.
- GPU من جانب الخادم: يمكن أن يكون PP-YOLOE+ فعالاً للغاية في سيناريوهات الإنتاجية العالية على NVIDIA عند تحسينه باستخدام TensorRT PaddleInference، خاصةً لمعالجة الصور الثابتة.
ميزة النظام البيئي
Ultralytics تجربة سلسة "من الصفر إلى القمة". باستخدام Ultralytics يمكنك تصنيف البيانات والتدريب في السحابة ونشرها بأي تنسيق (TFLite ONNX CoreML) دون الحاجة إلى كتابة نصوص تصدير معقدة.
منهجيات التدريب: السهولة مقابل التخصيص
تختلف تجربة التدريب بشكل كبير بين الإطارين. Ultralytics سهولة الاستخدام والأتمتة Ultralytics ، بينما يتطلب PaddlePaddle إدارة تكوين أكثر تفصيلاً.
سير عمل Ultralytics
تم تبسيط تدريب YOLO26 إلى بضع أسطر من Python أو CLI واحد. يتعامل الإطار تلقائيًا مع تطور المعلمات الفائقة وفحوصات مجموعة البيانات.
from ultralytics import YOLO
# Load the YOLO26 model
model = YOLO("yolo26n.pt")
# Train on COCO8 dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)
تمتد هذه البساطة إلى Ultralytics حيث يمكنك إدارة مجموعات البيانات ومراقبة التدريب عن بُعد. يعمل مُحسّن MuSGD في الخلفية لضمان تقارب نموذجك بشكل أسرع، مما يوفر تكاليف الحوسبة.
PP-YOLOE+ تدريب سير العمل
يتضمن تدريب PP-YOLOE+ عادةً تحرير ملفات تكوين YAML داخل مستودع PaddleDetection. على الرغم من مرونة هذا النهج، إلا أنه قد يكون صعبًا على أولئك الذين ليسوا على دراية بالصيغة النحوية المحددة لنظام تكوين Paddle. يعتمد هذا النهج بشكل كبير على SGD التقليدي SGD الزخم ويتطلب ضبطًا يدويًا لجداول معدلات التعلم للحصول على نتائج مثالية على مجموعات البيانات المخصصة.
تعدد الاستخدامات والمهام المتقدمة
أحد العوامل الرئيسية التي تميز هذا المنتج هو نطاق المهام التي يدعمها بشكل فوري.
Ultralytics هو متعلم متعدد المهام حقيقي. بالإضافة إلى اكتشاف الكائنات، فإنه يتضمن بنى متخصصة من أجل:
- تجزئة المثيلات: تتميز بفقدان التجزئة الدلالية ونموذج أولي متعدد المقاييس للحصول على أقنعة دقيقة.
- تقدير الوضع: استخدام تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) من أجل انحدار دقيق للنقاط الرئيسية.
- OBB: استخدام زاوية فقدان متخصصة للتعامل مع الأجسام المدورة في الصور الجوية.
PP-YOLOE+ هو في الأساس كاشف للأجسام. في حين أن مكتبة PaddleDetection تدعم مهام أخرى، إلا أنها غالبًا ما تستخدم بنى نماذج مختلفة تمامًا (مثل Mask R-CNN للتجزئة) بدلاً من بنية موحدة YOLO مما يعقد نشر خطوط الإنتاج متعددة المهام.
الخلاصة
في المقارنة بين YOLO26 و PP-YOLOE+، فإن الخيار واضح بالنسبة لمعظم سيناريوهات التطوير الحديثة. في حين أن PP-YOLOE+ لا يزال خيارًا قويًا لنظم Baidu/Paddle الحالية، فإن Ultralytics يقدم حلاً أكثر شمولاً وكفاءة وسهولة في الاستخدام.
بفضل تصميمه الشامل NMS، يزيل YOLO26 معوقات المعالجة اللاحقة، ويوفر CPU أسرع بنسبة تصل إلى 43٪ CPU . وبالاقتران مع Ultralytics القوي والقدرة على التعامل مع مهام متنوعة مثل التجزئة وتقدير الوضع، يعد YOLO26 الخيار الموصى به للمطورين الذين يتطلعون إلى تأمين تطبيقات الرؤية الحاسوبية الخاصة بهم في عام 2026.
للمهتمين باستكشاف نماذج أخرى، تغطي Ultralytics أيضًا YOLO11 و RT-DETR، مما يضمن حصولك على الأداة المناسبة لكل تحدٍ.
YOLO26 التفاصيل:
المؤلف: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 2026-01-14
GitHub: Ultralytics
تفاصيل PP-YOLOE+:
المؤلف: PaddlePaddle
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: 2203.16250
GitHub: PaddleDetection Repository