Ultralytics YOLO27:
Get Started

YOLO26 مقابل PP-YOLOE+#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا في نماذج اكتشاف الأجسام الآني. وبالنسبة إلى مهندسي تعلّم الآلة والباحثين الذين يسعون إلى نشر أكفأ نماذج الذكاء الاصطناعي للرؤية، تُعد مقارنة بنيات مثل Ultralytics YOLO26 وPP-YOLOE+ أمرًا بالغ الأهمية. يقدم هذا الدليل الشامل تحليلًا متعمقًا لبنيتهما، ومنهجيات التدريب، ومقاييس الأداء، وسيناريوهات النشر المثالية في العالم الحقيقي.

أصول النماذج وبياناتها الوصفية#

يساعد فهم خلفية بنيات الرؤية الحاسوبية هذه على وضع فلسفات تصميمها وبيئاتها المستهدفة في سياقها الصحيح.

لمحة عامة عن YOLO26

صدر YOLO26 في يناير 2026، ويمثل ذروة منظومة Ultralytics. وقد صُمم ليكون حل الذكاء الاصطناعي الطرفي الحاسم، مع حجم أصغر، ومعالجة أصلية شاملة من البداية إلى النهاية، وسرعة لا مثيل لها.

لمحة عامة عن PP-YOLOE+

طُوّر PP-YOLOE+ بوصفه امتدادًا لسلسلة PP-YOLO، وهو كاشف لا يعتمد على المراسي ومحسّن بدرجة كبيرة لمنظومة PaddlePaddle. ويعتمد على العمود الفقري CSPRepResNet ورأس ET لتحسين مقاييس الاكتشاف القياسية.

تعرّف على المزيد حول PP-YOLOE+

ابتكارات البنية#

تؤثر الاختلافات في كيفية معالجة هذه النماذج للبيانات المرئية تأثيرًا كبيرًا في متطلبات الذاكرة واستقرار التدريب وزمن استجابة الاستدلال.

YOLO26: آفاق الاستدلال دون NMS#

يقدم YOLO26 عدة تغييرات معمارية رائدة تهدف إلى تبسيط نشر النماذج:

  • تصميم شامل من البداية إلى النهاية دون NMS: استنادًا إلى المفاهيم التي قُدمت لأول مرة في YOLOv10، يدعم YOLO26 الاستدلال الأصلي الشامل من البداية إلى النهاية، متجاوزًا المعالجة اللاحقة لـ كبح الصناديق غير القصوى (NMS) عبر رأسه الاختياري أحادي المطابقة (nms=False). يقلل ذلك من تفاوت زمن الاستجابة ويبسط مسارات النشر إلى حد كبير.
  • إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى جعل النموذج أخف بكثير، ما يتيح تصديره بسلاسة إلى تنسيقات مثل TensorRT وCoreML.
  • محسّن MuSGD: استلهامًا من Kimi K2 من Moonshot AI، ينقل YOLO26 ابتكارات تدريب LLM إلى الرؤية الحاسوبية. ويضمن محسّن MuSGD الهجين (SGD + Muon) ديناميكيات تدريب مستقرة للغاية وتقاربًا سريعًا.
  • ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، ما يجعل البنية فعالة للغاية في الصور الملتقطة بالطائرات المسيّرة والتطبيقات الزراعية.

PP-YOLOE+: نهج يتمحور حول Paddle#

يستخدم PP-YOLOE+ نهجًا لا يعتمد على المراسي، ويركز على الدقة العالية على عتاد الخوادم القياسي. ويتميز ببنية RepResNet التي تحسّن قدرات استخراج السمات. لكن اعتماده الكبير على العمليات المحددة المتاحة ضمن حزمة التعلم العميق الخاصة بـ Baidu يجعل تعديل الشبكة أو تصديرها إلى الأجهزة الطرفية شديدة القيود أكثر تعقيدًا بكثير مقارنة بأطر عمل Ultralytics.

مقارنة الأداء والمقاييس#

يُعد التوازن الجيد بين السرعة والدقة أمرًا بالغ الأهمية لمختلف سيناريوهات النشر في العالم الحقيقي. وعلى الرغم من أن PP-YOLOE+ يقدم دقة تنافسية، يحقق YOLO26 باستمرار مفاضلة أفضل، لا سيما عند تقييم سرعة الاستدلال على وحدات CPU وانخفاض استخدام الذاكرة.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

بفضل تحسينات الطرفية المحددة وإزالة DFL، يوفر YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بأسلافه، متفوقًا بفارق كبير على PP-YOLOE+ عند نشره على أجهزة مثل Raspberry Pi أو وحدات الحوسبة الطرفية القياسية.

كفاءة الذاكرة

عند مقارنة بنيات النماذج، تجدر الإشارة إلى أن نماذج Ultralytics YOLO تستهلك ذاكرة أقل بكثير أثناء التدريب مقارنة بنماذج Transformer المعقدة، ما يجعلها متاحة بسهولة لإنشاء نماذج أولية سريعة على وحدات GPU المخصصة للمستهلكين.

ميزة منظومة Ultralytics#

مع أن PP-YOLOE+ نموذج قادر، فإن الفارق الحقيقي يكمن في تجربة المطور. توفر منظومة Ultralytics المتكاملة بيئة لا مثيل لها لممارسي الذكاء الاصطناعي للرؤية.

  1. سهولة الاستخدام: تقدم Ultralytics تجربة استخدام مبسطة. وتخفي واجهة Python API بسيطة تعقيدات مسارات البيانات وحلقات التدريب، بدعم من وثائق شاملة تُحدّث باستمرار.
  2. تعدد الاستخدامات: على عكس PP-YOLOE+، الذي يركز أساسًا على اكتشاف الأجسام، يدعم YOLO26 تصنيف الصور وتجزئة الكائنات وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB) بصورة أصلية باستخدام بنية API نفسها.
  3. كفاءة التدريب: يضمن التنزيل التلقائي للأوزان المدرّبة مسبقًا والمتاحة بسهولة، إلى جانب التعزيزات المتقدمة، عمليات تدريب فعالة تتطلب ذاكرة CUDA ووقتًا أقل مقارنة بأطر العمل التقليدية.

مثال برمجي: البساطة في التطبيق#

يوضح كود Python الصحيح التالي مدى سهولة بدء مشروع ذكاء اصطناعي باستخدام API من Ultralytics:

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 nano مدرّبًا مسبقًا لتحقيق أفضل أداء طرفي⁩
model = YOLO("yolo26n.pt")

# ⁨درّب النموذج بسهولة على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# ⁨نفّذ استدلالًا دون NMS على صورة مستهدفة⁩
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# ⁨صدّر إلى تنسيق ONNX للنشر⁩
model.export(format="onnx")

التطبيقات المثالية في العالم الحقيقي#

يعتمد الاختيار بين YOLO26 وPP-YOLOE+ إلى حد كبير على قيود بيئة الإنتاج لديك.

متى يُنشر PP-YOLOE+:

  • التكامل مع منظومة Baidu: المشاريع القائمة بعمق على بنية PaddlePaddle التحتية، أو بيئات التصنيع الآسيوية المحددة التي تفرض استخدام حزم العتاد والبرمجيات الخاصة بـ Baidu.
  • المعالجة الدفعية على جانب الخادم: السيناريوهات التي تعمل على عتاد بمستوى المؤسسات، حيث لا يشكل تفاوت زمن الاستجابة الناتج عن NMS مصدر قلق كبيرًا.

متى يُنشر YOLO26:

  • الأجهزة الطرفية وإنترنت الأشياء: تجعل سرعة CPU في YOLO26، التي تزيد بنسبة تصل إلى 43%، منه الخيار الأمثل لـالكاميرات الذكية والطائرات المسيّرة والروبوتات منخفضة الطاقة.
  • عمليات النشر الحساسة للوقت: يوفر وضع الاستدلال الاختياري دون NMS (nms=False) استدلالًا مستقرًا بزمن استجابة بالغ الانخفاض، وهو أمر بالغ الأهمية لـأبحاث القيادة الذاتية ومراقبة جودة التصنيع عالية السرعة.
  • المشاريع متعددة المهام: عندما يتطلب المشروع مزيجًا من اكتشاف الأجسام، أو إنشاء أقنعة دقيقة عبر التجزئة، أو تتبع النقاط المفتاحية عبر تقدير الوضعية، يصبح إطار YOLO26 الموحد لا غنى عنه.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO26 وPP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLO26#

يُعد YOLO26 خياراً مناسباً في الحالات التالية:

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

متى تختار PP-YOLOE+#

يوصى باستخدام PP-YOLOE+ في الحالات التالية:

  • التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
  • النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
  • اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.

استكشاف بنيات أخرى#

للمستخدمين الذين يستكشفون نطاقًا أوسع من النماذج، نوصي أيضًا بمراجعة YOLO11، الجيل السابق عالي الموثوقية من نماذج Ultralytics، والذي لا يزال عنصرًا أساسيًا في آلاف بيئات الإنتاج. إضافةً إلى ذلك، توفر بنية RT-DETR بديلًا جديرًا بالاهتمام للسيناريوهات التي تتطلب آليات قائمة على Transformer، وإن كانت تتطلب ذاكرة أكبر أثناء التدريب.

في نهاية المطاف، يعزز YOLO26 مكانته بوصفه الخيار الأبرز لحلول الذكاء الاصطناعي للرؤية الحديثة والقابلة للتوسع والفعالة للغاية، مستفيدًا من محسّن MuSGD وقدرات ProgLoss + STAL والاستدلال الاختياري دون NMS.

المساهمون
GLglenn-jocher8PDpderrenger1

التعليقات