Ultralytics YOLO27:

مقارنة YOLO26 وPP-YOLOE+#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا في نماذج اكتشاف الأجسام الآنية. وبالنسبة إلى مهندسي ML والباحثين الذين يتطلعون إلى نشر نماذج ذكاء اصطناعي للرؤية بأعلى كفاءة، فإن مقارنة بنيات مثل Ultralytics YOLO26 وPP-YOLOE+ أمر بالغ الأهمية. يقدم هذا الدليل الشامل تحليلًا متعمقًا لبنياتهما ومنهجيات تدريبهما ومقاييس أدائهما 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.

نظرة عامة على YOLO26

تم إطلاق YOLO26 في يناير 2026، وهو يمثل ذروة نظام Ultralytics البيئي. وقد تم تصميمه ليكون حل الذكاء الاصطناعي على الحافة الحاسم، حيث يتميز ببصمة أصغر، ومعالجة أصلية من البداية إلى النهاية، وبتفاوت في السرعة لا يضاهى.

نظرة عامة على PP-YOLOE+

تم تطوير PP-YOLOE+ كطتطور لسلسلة PP-YOLO، وهو كاشف خالٍ من المراسي ومُحسّن بشكل كبير لنظام PaddlePaddle البيئي. وهو يعتمد على هيكل CSPRepResNet ورأس ET لتحسين مقاييس الكشف القياسية.

تعرف على المزيد حول PP-YOLOE+

الابتكارات المعمارية#

تؤثر الاختلافات في طريقة معالجة هذه النماذج للبيانات المرئية تأثيرًا كبيرًا في متطلبات الذاكرة واستقرار التدريب وزمن استدلالها.

YOLO26: ريادة الاستدلال الخالي من NMS#

يقدم YOLO26 عدة تغييرات معمارية رائدة مصممة لتبسيط نشر النماذج:

  • تصميم من البداية إلى النهاية خالٍ من NMS: استنادًا إلى المفاهيم التي قُدّمت أولًا في YOLOv10، يلغي YOLO26 معالجة كبت القيمة غير العظمى (NMS) اللاحقة بصورة أصلية. ويقلل ذلك من تباين زمن الاستجابة ويبسط بدرجة كبيرة مسارات النشر.
  • إزالة DFL: من خلال إزالة خسارة التركيز التوزيعية (DFL)، يصبح النموذج أخف بكثير، مما يتيح تصديره بسلاسة إلى صيغ مثل TensorRT وCoreML.
  • محسن MuSGD: مستوحى من Kimi K2 التابع لشركة Moonshot AI، يجلب YOLO26 الابتكارات في تدريب نماذج اللغات الكبيرة إلى رؤية الكمبيوتر. يضمن محسن MuSGD الهجين (SGD + Muon) ديناميكيات تدريب مستقرة للغاية وتقارباً سريعاً.
  • ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، مما يجعل البنية فعالة للغاية في الصور الملتقطة بالطائرات المسيّرة والتطبيقات الزراعية.

PP-YOLOE+: نهج متمحور حول Paddle#

يستخدم PP-YOLOE+ نمطًا لا يعتمد على المراسي مع التركيز على الدقة العالية في عتاد الخوادم القياسي. ويتميز ببنية RepResNet التي تحسن قدرات استخراج السمات. ومع ذلك، نظرًا إلى اعتماده الكبير على العمليات المحددة المتاحة ضمن حزمة Baidu للتعلم العميق، فإن تعديل الشبكة أو تصديرها للعمل على الأجهزة الطرفية شديدة القيود قد يكون أكثر تعقيدًا بكثير مقارنةً بأطر عمل Ultralytics.

مقارنة الأداء والمقاييس#

يُعد تحقيق توازن قوي بين السرعة والدقة أمرًا بالغ الأهمية لسيناريوهات النشر المتنوعة في العالم الحقيقي. وعلى الرغم من أن PP-YOLOE+ يوفر دقة تنافسية، فإن YOLO26 يحقق باستمرار مقايضة أكثر ملاءمة، ولا سيما عند تقييم سرعة الاستدلال على وحدات CPU وانخفاض استخدام الذاكرة.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
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 طرفية محددة 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 ملاحظة أن نماذج Ultralytics YOLO تحافظ على استخدام ذاكرة أقل بكثير أثناء التدريب مقارنةً بنماذج Transformer المعقدة، مما يجعلها في متناول المطورين بدرجة كبيرة لإجراء النمذجة الأولية السريعة على وحدات GPU المخصصة للمستهلكين.

ميزة منظومة Ultralytics#

على الرغم من أن PP-YOLOE+ نموذج قادر، فإن العامل الفارق الحقيقي يكمن في تجربة المطور. توفر منظومة Ultralytics بيئة لا مثيل لها لمتخصصي الذكاء الاصطناعي للرؤية.

  1. سهولة الاستخدام: تقدم Ultralytics تجربة مستخدم مبسطة. وتجرّد واجهة Python API بسيطة تعقيدات مسارات البيانات وحلقات التدريب، بدعم من وثائق شاملة تُصان بنشاط.
  2. تعدد الاستخدامات: بخلاف PP-YOLOE+، الذي يركز أساسًا على اكتشاف الأجسام، يدعم YOLO26 تصنيف الصور وتجزئة المثيلات وتقدير الوضعيات والمربعات المحيطة الموجّهة (OBB) بصورة أصلية، باستخدام بنية API نفسها.
  3. كفاءة التدريب: يضمن التنزيل الآلي للأوزان المدربة مسبقًا والمتاحة بسهولة، إلى جانب التحسينات المتقدمة، عمليات تدريب فعالة تتطلب ذاكرة CUDA ووقتًا أقل مقارنةً بأطر العمل التقليدية.

مثال برمجي: البساطة موضع التنفيذ#

يوضح كود Python الصالح التالي مدى سهولة بدء مشروع ذكاء اصطناعي باستخدام واجهة API الخاصة بـ 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 المثالية في العالم الحقيقي#

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

متى تُنشر PP-YOLOE+:

  • التكامل مع منظومة Baidu: المشاريع المتجذرة بعمق في البنية التحتية لـ PaddlePaddle أو في بيئات التصنيع الآسيوية المحددة التي تُفرض فيها حزم عتاد وبرمجيات Baidu بصرامة.
  • المعالجة الدفعية من جانب الخادم: السيناريوهات التي تعمل على عتاد بمستوى المؤسسات، حيث يكون تذبذب زمن الاستجابة الناتج عن NMS أقل إثارة للقلق.

متى يُنشر YOLO26:

  • الأجهزة الطرفية وإنترنت الأشياء: تجعل سرعات CPU الأسرع بنسبة تصل إلى 43% في YOLO26 منه الخيار الأمثل لـالكاميرات الذكية والطائرات المسيّرة والروبوتات منخفضة الطاقة.
  • عمليات النشر الحساسة للوقت: تضمن البنية الخالية من NMS أصلًا استدلالًا مستقرًا بزمن استجابة منخفض للغاية، 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 الرئيسية عبر تقدير الوضعيات، تصبح بنية YOLO26 الموحدة لا غنى عنها.

حالات الاستخدام والتوصيات#

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

متى تختار YOLO26#

يُعد YOLO26 خيارًا قويًا من أجل:

  • النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
  • البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

متى تختار PP-YOLOE+#

يوصى باستخدام PP-YOLOE+ في الحالات التالية:

  • التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة على إطار عمل وأدوات PaddlePaddle الخاصة بـBaidu.
  • النشر الطرفي باستخدام Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة كبيرة خصيصًا لمحرك Paddle Lite أو محرك Paddle للاستدلال.
  • الاكتشاف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يمثل الاعتماد على إطار العمل مصدر قلق.

استكشاف بنيات أخرى#

بالنسبة إلى المستخدمين الذين يستكشفون نطاقًا أوسع من النماذج، نوصي أيضًا بمراجعة YOLO11، وهو الجيل السابق الموثوق للغاية من نماذج Ultralytics، والذي لا يزال عنصرًا أساسيًا في آلاف بيئات الإنتاج. إضافةً إلى ذلك، بالنسبة إلى السيناريوهات التي تتطلب آليات قائمة على Transformer، توفر بنية RT-DETR بديلًا مثيرًا للاهتمام، وإن كانت تتطلب ذاكرة أكبر أثناء التدريب.

في نهاية المطاف، ومن خلال الاستفادة من مُحسِّن MuSGD وقدرات ProgLoss + STAL والتصميم الخالي من NMS، يرسخ YOLO26 مكانته بوصفه الخيار الرائد لحلول الذكاء الاصطناعي للرؤية الحديثة والقابلة للتوسع وعالية الكفاءة.

المساهمون
GLglenn-jocher7PDpderrenger1

التعليقات