Link to this sectionمقارنة بين YOLO26 و PP-YOLOE+#
شهد مجال الرؤية الحاسوبية تطوراً سريعاً في نماذج كشف الكائنات في الوقت الفعلي. بالنسبة لمهندسي وباحثي تعلم الآلة الذين يتطلعون إلى نشر نماذج ذكاء اصطناعي مرئي أكثر كفاءة، فإن مقارنة بنيات مثل Ultralytics YOLO26 و PP-YOLOE+ أمر بالغ الأهمية. يقدم هذا الدليل الشامل تحليلاً متعمقاً لبنياتها، ومنهجيات التدريب، ومقاييس الأداء، وسيناريوهات النشر الواقعية المثالية.
Link to this sectionأصول النماذج والبيانات الوصفية#
إن فهم خلفية بنيات الرؤية الحاسوبية هذه يساعد في وضع فلسفات تصميمها وبيئات العمل المستهدفة في سياقها الصحيح.
نظرة عامة على YOLO26
أُصدر YOLO26 في يناير 2026، ويمثل قمة نظام Ultralytics البيئي. لقد صُمم ليكون حل الذكاء الاصطناعي للحافة الأمثل، حيث يتميز ببصمة أصغر، ومعالجة أصلية شاملة، وسرعة لا تضاهى.
- المؤلفون: Glenn Jocher و Jing Qiu
- المؤسسة: Ultralytics
- التاريخ: 14-01-2026
- GitHub: مستودع Ultralytics على GitHub
- التوثيق: التوثيق الرسمي لـ YOLO26
نظرة عامة على PP-YOLOE+
طُوِّر PP-YOLOE+ كتطور لسلسلة PP-YOLO، وهو كاشف خالٍ من المرساة (anchor-free) ومحسن بشكل كبير لنظام PaddlePaddle البيئي. يعتمد على بنية CSPRepResNet و ET-head لتحسين مقاييس الكشف القياسية.
- المؤلفون: مؤلفو PaddlePaddle
- المؤسسة: Baidu
- التاريخ: 2022-04-02
- Arxiv: ورقة بحث PP-YOLOE+
- GitHub: مستودع PaddleDetection
- التوثيق: توثيق PP-YOLOE+
Link to this sectionالابتكارات المعمارية#
تؤثر الاختلافات في كيفية معالجة هذه النماذج للبيانات المرئية بشكل كبير على متطلبات الذاكرة، واستقرار التدريب، وزمن انتقال الاستدلال.
Link to this sectionYOLO26: التطور الخالي من NMS#
يقدم YOLO26 العديد من التغييرات البنيوية الرائدة المصممة لتبسيط نشر النماذج:
- تصميم شامل خالٍ من NMS: بالبناء على المفاهيم التي قُدمت لأول مرة في YOLOv10، يلغي YOLO26 أصلياً معالجة كبت غير الأعظمية (NMS) اللاحقة. هذا يقلل من تباين زمن الانتقال ويبسط خطوط أنابيب النشر بشكل كبير.
- إزالة DFL: من خلال إزالة توزيع خسارة البؤرة (DFL)، أصبح النموذج أخف وزناً بشكل استثنائي، مما يتيح التصدير السلس إلى تنسيقات مثل TensorRT و CoreML.
- المحسن MuSGD: مستوحى من Kimi K2 من Moonshot AI، يجلب YOLO26 ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) إلى الرؤية الحاسوبية. يضمن المحسن الهجين MuSGD (أي SGD + Muon) ديناميكيات تدريب مستقرة للغاية وتقارباً سريعاً.
- ProgLoss + STAL: تحقق هذه الدوال المتقدمة للخسارة تحسينات ملحوظة في التعرف على الكائنات الصغيرة، مما يجعل البنية فعالة للغاية لـ صور الطائرات بدون طيار و التطبيقات الزراعية.
Link to this sectionPP-YOLOE+: نهج يركز على Paddle#
يستخدم PP-YOLOE+ نموذجاً خالياً من المرساة مع التركيز على الدقة العالية على أجهزة الخادم القياسية. يتميز ببنية RepResNet التي تحسن قدرات استخراج الميزات. ومع ذلك، نظراً لأنه يعتمد بشكل كبير على العمليات المحددة المتاحة ضمن مكدس تعلم الآلة من Baidu، فإن تعديل الشبكة أو تصديرها لـ أجهزة الحافة المقيدة للغاية يمكن أن يكون أكثر تعقيداً بكثير مما هو عليه مع أطر عمل Ultralytics.
Link to this sectionمقارنة الأداء والمقاييس#
يعد تحقيق توازن أداء قوي بين السرعة والدقة أمراً بالغ الأهمية 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 (ms) | السرعة T4 TensorRT10 (ms) | 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 |
بفضل تحسينات الحافة المحددة وإزالة DFL، يقدم YOLO26 استدلالاً أسرع بـ 43% على وحدة المعالجة المركزية (CPU) مقارنة بأسلافه، متفوقاً بشكل كبير على PP-YOLOE+ عند نشره على أجهزة مثل Raspberry Pi أو وحدات حوسبة الحافة القياسية.
عند مقارنة بنيات النماذج، لاحظ أن نماذج Ultralytics YOLO تحافظ على استخدام أقل بكثير للذاكرة أثناء التدريب مقارنة بنماذج Transformer المعقدة، مما يجعلها سهلة الوصول للغاية للنماذج الأولية السريعة على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين.
Link to this sectionميزة نظام Ultralytics البيئي#
بينما يعد PP-YOLOE+ نموذجاً قادراً، يكمن التمييز 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 (API) بسيطة بلغة Python بتجريد تعقيد خطوط أنابيب البيانات وحلقات التدريب، مدعومة بتوثيق شامل ومُحدث بانتظام.
- التنوع: على عكس PP-YOLOE+، الذي يركز بشكل أساسي على كشف الكائنات، يدعم YOLO26 تصنيف الصور، وتجزئة المثيل، وتقدير الوضعية، وصناديق التحديد الموجهة (OBB) أصلياً باستخدام نفس هيكل واجهة برمجة التطبيقات.
- كفاءة التدريب: يضمن التنزيل الآلي للأوزان المدربة مسبقاً والمتاحة بسهولة، إلى جانب التعزيزات المتقدمة، عمليات تدريب فعالة تتطلب ذاكرة CUDA ووقتًا أقل مقارنة بأطر العمل التقليدية.
Link to this sectionمثال كودي: 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")Link to this sectionالتطبيقات الواقعية المثالية#
يعتمد اتخاذ القرار بين YOLO26 و PP-YOLOE+ إلى حد 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 تكديس أجهزة وبرامج Baidu بصرامة.
- معالجة الدفعات من جانب الخادم: السيناريوهات التي تعمل على أجهزة المؤسسات حيث يكون تقلب زمن الانتقال الناجم عن NMS أقل مدعاة للقلق.
متى يتم نشر YOLO26:
- أجهزة الحافة و IoT: سرعات وحدة المعالجة المركزية (CPU) الأسرع بـ 43% لـ YOLO26 تجعله الخيار النهائي لـ الكاميرات الذكية، والطائرات بدون طيار، والروبوتات منخفضة الطاقة.
- عمليات النشر ذات الأهمية الزمنية: تضمن البنية الخالية من NMS أصلياً استدلالاً مستقراً بزمن انتقال منخفض للغاية، وهو أمر بالغ الأهمية لـ أبحاث القيادة الذاتية و مراقبة جودة التصنيع عالي السرعة.
- مشاريع المهام المتعددة: عندما يتطلب المشروع مزيجاً من كشف الكائنات، أو التجزئة الدقيقة عبر التقطيع، أو تتبع النقاط الرئيسية عبر تقدير الوضعية، فإن إطار عمل YOLO26 الموحد لا غنى عنه.
Link to this sectionحالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO26 و PP-YOLOE+ على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
Link to this sectionمتى تختار YOLO26#
YOLO26 هو خيار قوي لـ:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
Link to this sectionمتى تختار PP-YOLOE+#
يوصى بـ PP-YOLOE+ من أجل:
- التكامل مع نظام PaddlePaddle البيئي: للمؤسسات التي لديها بنية تحتية موجودة مبنية على إطار عمل Baidu's PaddlePaddle.
- النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
- الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.
Link to this sectionاستكشاف بنيات أخرى#
بالنسبة للمستخدمين الذين يستكشفون نطاقاً أوسع من النماذج، نوصي أيضاً بمراجعة YOLO11، وهو الجيل السابق الموثوق للغاية من نماذج Ultralytics، والذي يظل ركيزة أساسية في آلاف بيئات الإنتاج. بالإضافة إلى ذلك، بالنسبة للسيناريوهات التي تتطلب آليات قائمة على Transformer، توفر بنية RT-DETR بديلاً مثيراً للاهتمام، وإن كان بمتطلبات ذاكرة أعلى أثناء التدريب.
في النهاية، من خلال الاستفادة من المحسن MuSGD، وقدرات ProgLoss + STAL، وتصميم خالٍ من NMS، يرسخ YOLO26 مكانته كخيار أول لحلول ذكاء اصطناعي مرئي حديثة وقابلة للتوسع وفعالة للغاية.