YOLO26 مقابل PP-YOLOE+#

تطورت نماذج اكتشاف الأجسام في الزمن الحقيقي بسرعة، ويحتاج المهندسون إلى مقارنة السرعة والدقة والأدوات عند اختيار نموذج للنشر. تقارن هذه الصفحة بين Ultralytics YOLO26 وPP-YOLOE+ من حيث البنية ومنهجيات التدريب ومقاييس الأداء وسيناريوهات النشر المثلى في العالم الحقيقي.

أصول النماذج وبياناتها الوصفية#

يساعد فهم خلفية بنى اكتشاف الأجسام على وضع فلسفات تصميمها والبيئات المستهدفة في سياقها.

لمحة عامة عن YOLO26

أُصدر YOLO26 في يناير 2026، وهو أحدث نماذج Ultralytics YOLO والخيار الموصى به للمشروعات الجديدة. وقد صُمّم للنشر في الذكاء الاصطناعي الطرفي، مع بصمة صغيرة واستدلال شامل اختياري وسرعات عالية على CPU وGPU.

المؤلفان: Glenn Jocher وJing Qiu
الجهة: Ultralytics
التاريخ: 2026-01-14
GitHub: مستودع Ultralytics على GitHub
الوثائق: الوثائق الرسمية لـ YOLO26

YOLO26

ultralytics

public26

Newest SOTA Ultralytics models, released January 2026. Smaller, faster, and more accurate than previous versions with native end-to-end inference.

7735 models1.5 GBAug 21, 2026

yolo26x-depthyolo26l-depthyolo26m-depth+32

لمحة عامة عن PP-YOLOE+

طُوّر PP-YOLOE+ بوصفه امتدادًا لسلسلة PP-YOLO، وهو كاشف خالٍ من المراسي مُحسّن للعمل ضمن منظومة PaddlePaddle. ويعتمد على عمود فقري CSPRepResNet ورأس ET لتحسين مقاييس الاكتشاف القياسية.

المؤلفون: مؤلفو PaddlePaddle
الجهة: Baidu
التاريخ: 2022-04-02
arXiv: ورقة بحث PP-YOLOE+
GitHub: مستودع PaddleDetection
الوثائق: وثائق PP-YOLOE+

تعرّف على المزيد حول PP-YOLOE+

ابتكارات البنية#

تؤثر الاختلافات في طريقة معالجة هذه النماذج للبيانات المرئية في متطلبات الذاكرة واستقرار التدريب وزمن الاستدلال.

YOLO26: كشف أصيل شامل من البداية إلى النهاية#

يقدّم YOLO26 عدة تغييرات معمارية صُمّمت لتبسيط نشر النماذج:

تصميم شامل من دون NMS: استنادًا إلى المفاهيم التي طُرحت أولًا في YOLOv10، يدعم YOLO26 الاستدلال الشامل الأصلي الذي يتجاوز المعالجة اللاحقة عبر كبح غير الحد الأقصى (NMS)، وذلك باستخدام رأسه الاختياري أحادي المطابقة (nms=False). يقلل ذلك تفاوت زمن الاستجابة ويبسّط خطوط النشر.
إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى تبسيط رأس الاكتشاف، ما يسهّل التصدير إلى تنسيقات مثل TensorRT وCoreML.
محسّن MuSGD: استلهامًا من Kimi K2 من Moonshot AI، ينقل YOLO26 ابتكارات تدريب LLM إلى مجال الرؤية الحاسوبية. ويوفر محسّن MuSGD الهجين (SGD + Muon) تدريبًا أكثر استقرارًا وتقاربًا أسرع.
ProgLoss + STAL: تحسّن الخسارة التزايدية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) التعرّف على الأجسام الصغيرة، ما يجعل البنية فعالة في صور الطائرات المسيّرة والتطبيقات الزراعية.

PP-YOLOE+: نهج يتمحور حول Paddle#

يستخدم PP-YOLOE+ تصميمًا خاليًا من المراسي يركّز على تحقيق دقة عالية على العتاد الخادمي القياسي. ويحسّن عموده الفقري CSPRepResNet استخراج السمات. لكن اعتماده على عمليات خاصة بمكدس التعلم العميق لدى Baidu قد يجعل تعديل الشبكة أو تصديرها للأجهزة الطرفية محدودة الموارد أكثر تعقيدًا مقارنةً بأطر Ultralytics.

مقارنة الأداء والمقاييس#

يحقق PP-YOLOE+ دقة تنافسية، لكن YOLO26 يحقق mAP أعلى وزمن استجابة أقل على T4 TensorRT عند كل حجم في الجدول أدناه؛ فعلى سبيل المثال، تبلغ القيمتان 57.5 مقابل 54.7 mAP و11.8 مقابل 14.3 ms لنموذجي x.

النموذج	الحجم ^(بكسل)	‏mAP^val_50-95	السرعة ^{CPU ONNX (مللي ثانية)}	السرعة ^{T4 TensorRT10 (ms)}	المعاملات ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.5
YOLO26s	640	48.6	87.2	2.5	9.5	20.9
YOLO26m	640	53.1	220.0	4.7	20.4	68.4
YOLO26l	640	55.0	286.2	6.2	24.8	86.8
YOLO26x	640	57.5	525.8	11.8	55.7	194.4

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

تجعل تحسينات الأجهزة الطرفية وإزالة DFL نموذج YOLO26n أسرع بنسبة تصل إلى 43% على CPU مقارنةً بـ YOLO11n. ولم تُذكر هنا سرعات PP-YOLOE+ على CPU وONNX، لذا اختبر كلا النموذجين على جهازك المستهدف، مثل Raspberry Pi أو وحدة حوسبة طرفية أخرى.

كفاءة الذاكرة

عند مقارنة بنى النماذج، تجدر الإشارة إلى أن نماذج Ultralytics YOLO تستخدم عادةً ذاكرة أقل أثناء التدريب من النماذج القائمة على Transformer، ما يجعلها عملية للنمذجة الأولية على وحدات GPU الاستهلاكية.

ميزة منظومة Ultralytics#

يُعد PP-YOLOE+ نموذجًا قادرًا، لكن تجربة المطور تختلف اختلافًا كبيرًا. وتغطي منظومة Ultralytics المتكاملة سير العمل بأكمله لممارسي الذكاء الاصطناعي البصري.

سهولة الاستخدام: تلخّص واجهة Python البرمجية البسيطة تعقيدات خطوط معالجة البيانات وحلقات التدريب، وتدعمها وثائق شاملة تُصان بنشاط.
تعدد الاستخدامات: بخلاف PP-YOLOE+ الذي يركّز أساسًا على اكتشاف الأجسام، يدعم YOLO26 تقسيم الكائنات وتجزئة المشاهد الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعية وصناديق الإحاطة الموجّهة (OBB) باستخدام الواجهة البرمجية نفسها.
كفاءة التدريب: تُنزّل الأوزان المدربة مسبقًا تلقائيًا، وتدعم التحسينات المضمنة تدريبًا فعالًا يحتاج عادةً إلى ذاكرة CUDA ووقت أقل من الأطر الأقدم.

مثال برمجي: البساطة في التطبيق#

يوضح المثال التالي كيفية بدء مشروع باستخدام واجهة Ultralytics البرمجية:

from ultralytics import YOLO

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

# ⁨تدريب النموذج 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: المشروعات المبنية على بنية PaddlePaddle التحتية أو البيئات التي تعتمد مكدس برامج Baidu معيارًا.
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 سرعات CPU الأعلى في YOLO26 منه خيارًا مناسبًا لـالكاميرات الذكية والطائرات المسيّرة والروبوتات منخفضة الطاقة.
عمليات النشر الحساسة للوقت: يوفّر وضع الاستدلال الاختياري الخالي من NMS (nms=False) استدلالًا مستقرًا منخفض زمن الاستجابة، وهو أمر مهم في أبحاث القيادة الذاتية ومراقبة الجودة في التصنيع عالي السرعة.
المشروعات متعددة المهام: عندما يجمع المشروع بين اكتشاف الأجسام وأقنعة التجزئة أو نقاط المفاصل الناتجة عن تقدير الوضعية، يتولى إطار YOLO26 الموحد تنفيذها جميعًا.

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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL دقة اكتشاف الأجسام الصغيرة.

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#

لإلقاء نظرة أوسع، يمكنك الاطلاع على YOLO11، الجيل السابق من نماذج Ultralytics، الذي لا يزال مستخدمًا على نطاق واسع في بيئات الإنتاج. أما للاكتشاف القائم على Transformer، فـRT-DETR بديل، لكنه يحتاج إلى ذاكرة أكبر أثناء التدريب.

بفضل محسّن MuSGD وProgLoss + STAL والاستدلال الاختياري الخالي من NMS، يُعد YOLO26 الخيار الموصى به لحلول الذكاء الاصطناعي البصري القابلة للتوسع والفعالة.

المساهمون

GLglenn-jocher¹¹ PDpderrenger¹

تاريخ الإنشاء 14 يناير 2026تاريخ التحديث قبل 16 ساعة