YOLO26 مقابل PP-YOLOE+: تحليل تقني متعمق للكشف عن الأشياء في الوقت الفعلي
شهد مجال الرؤية الحاسوبية تطورًا سريعًا في نماذج الكشف عن الأشياء في الوقت الفعلي. بالنسبة لمهندسي وباحثي تعلم الآلة الذين يتطلعون إلى نشر أكثر نماذج الذكاء الاصطناعي كفاءة للرؤية، تعد مقارنة البنى مثل Ultralytics YOLO26 و PP-YOLOE+ أمرًا بالغ الأهمية. يوفر هذا الدليل الشامل تحليلاً متعمقًا لبناها، ومنهجيات التدريب، ومقاييس الأداء، وسيناريوهات النشر الواقعية المثالية.
أصول النموذج وبياناته الوصفية
يساعد فهم خلفية بنى الرؤية الحاسوبية هذه في وضع سياق لفلسفات تصميمها والبيئات المستهدفة.
نظرة عامة على YOLO26\nتم إطلاق YOLO26 في يناير 2026، ويمثل ذروة نظام Ultralytics البيئي. وقد صُمم ليكون حل الذكاء الاصطناعي للحافة النهائي، حيث يتميز ببصمة أصغر، ومعالجة أصلية شاملة (end-to-end)، وسرعة لا تضاهى.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics على GitHub
- الوثائق: وثائق YOLO26 الرسمية
نظرة عامة على PP-YOLOE+\nتم تطوير PP-YOLOE+ كتطور لسلسلة PP-YOLO، وهو كاشف لا يعتمد على نقاط الارتكاز (anchor-free) ومُحسَّن بشكل كبير لنظام PaddlePaddle البيئي. يعتمد على بنية CSPRepResNet و ET-head لتحسين مقاييس الكشف القياسية.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: ورقة بحث PP-YOLOE+
- GitHub: مستودع PaddleDetection
- الوثائق: وثائق PP-YOLOE+
الابتكارات المعمارية
تؤثر الاختلافات في كيفية معالجة هذه النماذج للبيانات المرئية بشكل كبير على متطلبات الذاكرة واستقرار التدريب وزمن استجابة الاستدلال.
YOLO26: حدود ما بعد NMS
يقدم YOLO26 العديد من التغييرات الهيكلية المبتكرة المصممة لتبسيط نشر النماذج:
- تصميم شامل دون NMS: بناءً على المفاهيم التي تم تقديمها لأول مرة في YOLOv10، يلغي YOLO26 أصلاً معالجة Non-Maximum Suppression (NMS) اللاحقة. هذا يقلل من تباين زمن الاستجابة ويبسط خطوط أنابيب النشر بشكل هائل.
- إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، أصبح النموذج أخف وزنًا بشكل استثنائي، مما يتيح التصدير السلس إلى تنسيقات مثل TensorRT و CoreML.
- مُحسِّن MuSGD: مستوحى من Kimi K2 الخاص بشركة Moonshot AI، يجلب YOLO26 ابتكارات تدريب النماذج اللغوية الكبيرة إلى الرؤية الحاسوبية. يضمن المُحسِّن الهجين MuSGD (أي SGD + Muon) ديناميكيات تدريب مستقرة للغاية وتقاربًا سريعًا.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأشياء الصغيرة، مما يجعل البنية فعالة للغاية لـ صور الطائرات بدون طيار و التطبيقات الزراعية.
PP-YOLOE+: نهج يركز على Paddle
يستخدم PP-YOLOE+ نموذجًا لا يعتمد على نقاط الارتكاز مع التركيز على الدقة العالية على أجهزة الخادم القياسية. يتميز بهيكل RepResNet الذي يحسن قدرات استخراج الميزات. ومع ذلك، نظرًا لأنه يعتمد بشكل كبير على العمليات المحددة المتاحة ضمن مكدس التعلم العميق الخاص بـ Baidu، فإن تعديل الشبكة أو تصديرها لـ أجهزة الحافة المقيدة للغاية يمكن أن يكون أكثر تعقيدًا بشكل ملحوظ مقارنة بأطر عمل Ultralytics.
مقارنة الأداء والمقاييس
يعد التوازن القوي في الأداء بين السرعة والدقة أمرًا حيويًا لسيناريوهات النشر الواقعية المتنوعة. بينما يوفر PP-YOLOE+ دقة تنافسية، يحقق YOLO26 باستمرار مقايضة أكثر ملاءمة، خاصة عند تقييم سرعة الاستدلال على وحدات المعالجة المركزية (CPU) واستخدام الذاكرة الأقل.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ملي ثانية) | السرعة T4 TensorRT10 (ملي ثانية) | المعلمات (مليون) | FLOPs (مليار) |
|---|---|---|---|---|---|---|
| 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 |
بفضل تحسينات الحافة المحددة وإزالة DFL، يقدم YOLO26 سرعة استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنة بأسلافه، متفوقًا بشكل كبير على PP-YOLOE+ عند نشره على أجهزة مثل Raspberry Pi أو وحدات حوسبة الحافة القياسية.
عند مقارنة بنى النماذج، لاحظ أن نماذج Ultralytics YOLO تحافظ على استخدام ذاكرة أقل بكثير أثناء التدريب مقارنة بنماذج Transformer المعقدة، مما يجعلها سهلة الوصول للغاية للنماذج الأولية السريعة على وحدات معالجة الرسومات (GPU) للمستهلكين.
ميزة نظام Ultralytics البيئي
بينما يعد PP-YOLOE+ نموذجًا قادرًا، يكمن التمايز الحقيقي في تجربة المطور. يوفر نظام Ultralytics البيئي المتكامل بيئة لا مثيل لها لممارسي ذكاء الرؤية الاصطناعي.
- سهولة الاستخدام: تقدم Ultralytics تجربة مستخدم مبسطة. تقوم واجهة برمجة تطبيقات Python البسيطة بتجريد تعقيد خطوط أنابيب البيانات وحلقات التدريب، مدعومة بوثائق واسعة النطاق ومحدثة بنشاط.
- تعدد الاستخدامات: على عكس PP-YOLOE+، الذي يركز بشكل أساسي على الكشف عن الأشياء، يدعم YOLO26 تصنيف الصور، وتقسيم النسخ، وتقدير الوضع، ومربعات الإحاطة الموجهة (OBB) أصلاً باستخدام نفس هيكل واجهة برمجة التطبيقات.
- كفاءة التدريب: يضمن التنزيل الآلي للأوزان المدربة مسبقًا والمتاحة بسهولة، إلى جانب التعزيزات المتقدمة، عمليات تدريب فعالة تتطلب ذاكرة CUDA ووقتًا أقل مقارنة بأطر العمل التقليدية.
مثال على الكود: البساطة في العمل
يوضح كود Python الصالح التالي مدى سهولة بدء مشروع ذكاء اصطناعي باستخدام واجهة برمجة تطبيقات Ultralytics:
from ultralytics import YOLO
# Load a pre-trained YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")
# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")
# Perform NMS-free inference on a target image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX format for deployment
model.export(format="onnx")التطبيقات الواقعية المثالية
يعتمد الاختيار بين YOLO26 و PP-YOLOE+ بشكل كبير على قيود بيئة الإنتاج الخاصة بك.
متى يتم نشر PP-YOLOE+:
- تكامل نظام Baidu البيئي: المشاريع المتجذرة بعمق في بنية PaddlePaddle التحتية أو بيئات التصنيع الآسيوية المحددة حيث يتم فرض مكدسات أجهزة وبرامج Baidu بصرامة.
- المعالجة المجمعة من جانب الخادم: السيناريوهات التي تعمل على أجهزة على مستوى المؤسسات حيث لا يشكل اهتزاز زمن الاستجابة الناجم عن NMS مصدر قلق كبير.
متى يتم نشر YOLO26:
- أجهزة الحافة وإنترنت الأشياء: سرعات CPU الأسرع بما يصل إلى 43% في YOLO26 تجعله الخيار الأمثل لـ الكاميرات الذكية، والطائرات بدون طيار، والروبوتات منخفضة الطاقة.
- النشر الحساس للوقت: تضمن البنية الخالية من NMS أصلاً استدلالًا مستقرًا ومنخفض زمن الاستجابة للغاية، وهو أمر بالغ الأهمية لـ أبحاث القيادة الذاتية ومراقبة جودة التصنيع عالية السرعة.
- المشاريع متعددة المهام: عندما يتطلب المشروع مزيجًا من الكشف عن الأشياء، أو التقسيم الدقيق عبر التجزئة، أو تتبع النقاط الرئيسية عبر تقدير الوضع، فإن إطار عمل YOLO26 الموحد لا غنى عنه.
حالات الاستخدام والتوصيات
يعتمد الاختيار بين YOLO26 و PP-YOLOE+ على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLO26
يعتبر YOLO26 خياراً قوياً لـ:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
- بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
متى تختار PP-YOLOE+
يوصى باستخدام PP-YOLOE+ لـ:
- تكامل نظام PaddlePaddle البيئي: المنظمات ذات البنية التحتية الحالية المبنية على إطار عمل Baidu's PaddlePaddle والأدوات المرتبطة به.
- نشر حافة Paddle Lite: النشر على أجهزة تحتوي على نوى استدلال مُحسَّنة للغاية خصيصًا لمحرك Paddle Lite أو محرك استدلال Paddle.
- الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار العمل مصدر قلق.
استكشاف بنى أخرى
بالنسبة للمستخدمين الذين يستكشفون نطاقًا أوسع من النماذج، نوصي أيضًا بمراجعة YOLO11، الجيل السابق الموثوق للغاية من نماذج Ultralytics، والذي يظل عنصرًا أساسيًا في آلاف بيئات الإنتاج. بالإضافة إلى ذلك، بالنسبة للسيناريوهات التي تتطلب آليات تعتمد على المحولات، توفر بنية RT-DETR بديلاً مثيرًا للاهتمام، وإن كان بمتطلبات ذاكرة أعلى أثناء التدريب.
في النهاية، من خلال الاستفادة من مُحسِّن MuSGD، وقدرات ProgLoss + STAL، وتصميم خالٍ من NMS، يعزز YOLO26 مكانته كخيار أول لحلول ذكاء الرؤية الاصطناعي الحديثة والقابلة للتطوير وعالية الكفاءة.