مقارنة بين YOLO26 و PP-YOLOE+#

شهد مجال الرؤية الحاسوبية تطوراً سريعاً في نماذج كشف الكائنات في الوقت الفعلي. بالنسبة لمهندسي وباحثي التعلم الآلي الذين يتطلعون إلى نشر أكثر نماذج الذكاء الاصطناعي كفاءةً للرؤية، تعد مقارنة البنى مثل Ultralytics YOLO26 و PP-YOLOE+ أمراً بالغ الأهمية. يقدم هذا الدليل الشامل تحليلاً متعمقاً لبناها، ومنهجيات التدريب الخاصة بها، ومقاييس الأداء، وسيناريوهات النشر المثالية في العالم الحقيقي.

أصول النماذج والبيانات الوصفية#

يساعد فهم خلفية هذه بنى الرؤية الحاسوبية في وضع فلسفات تصميمها والبيئات المستهدفة في نصابها الصحيح.

نظرة عامة على YOLO26
صدر في يناير 2026، يمثل YOLO26 ذروة نظام Ultralytics البيئي. وقد تم صممه ليكون حل الذكاء الاصطناعي المنهي للحافة النهائي، حيث يتميز ببصمة أصغر، ومعالجة أصلية شاملة، وسرعة لا مثيل لها.

المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 14-01-2026
جيتهับ: Ultralytics GitHub Repository
المستندات: وثائق YOLO26 الرسمية

تعرف على المزيد حول 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
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: ورقة بحثية عن PP-YOLOE+
GitHub: مستودع PaddleDetection
المستندات: وثائق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

الابتكارات المعمارية#

تؤثر الاختلافات في كيفية معالجة هذه النماذج للبيانات المرئية بشكل كبير على متطلبات الذاكرة، واستقرار التدريب، وزمن انتقال الاستدلال.

YOLO26: التطور الخالي من NMS#

يقدم YOLO26 العديد من التغييرات الهيكلية الرائدة المصممة لتسهيل نشر النماذج:

تصميم شامل خالٍ من NMS: بناءً على المفاهيم التي تم تقديمها لأول مرة في YOLOv10، يلغي YOLO26 محلياً المعالجة اللاحقة لـ Non-Maximum Suppression (NMS). هذا يقلل من تباين زمن الانتقال ويبسط خطوط أنابيب النشر بشكل هائل.
إزالة DFL: من خلال إزالة خسارة بؤرية التوزيع (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: تؤدي هذه الدوال المتقدمة للخسارة إلى تحسينات ملحوظة في التعرف على الكائنات الصغيرة، مما يجعل البنية فعالة للغاية لـ صور الطائرات بدون طيار و التطبيقات الزراعية.

PP-YOLOE+: نهج يركز على Paddle#

يستخدم PP-YOLOE+ نموذجاً خاسراً للارتباطات مع التركيز على الدقة العالية على أجهزة الخوادم القياسية. وهو يضم هيكل RepResNet الذي يحسن قدرات استخراج الميزات. ومع ذلك، نظراً لأنه يعتمد بشكل كبير على العمليات المحددة المتاحة ضمن حزمة التعلم العميق من Baidu، فإن تعديل الشبكة أو تصديرها من أجل أجهزة الحافة المقيدة بشدة يمكن أن يكون أكثر تعقيداً بكثير مقارنة بأطر عمل Ultralytics.

مقارنة 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)	mAP^val 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.

كفاءة الذاكرة

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.

ميزة نظام Ultralytics البيئي#

بينما يُعد PP-YOLOE+ نموذجاً قادراً، يكمن المُميّز الحقيقي في تجربة المطور. يوفر نظام Ultralytics البيئي المتكامل بيئة لا تُضاهى 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، و تجزئة الحالات، و تقدير الوضعية، و الصناديق المحيطة الموجهة (OBB) بشكل أصلي باستخدام نفس هيكل الواجهة البرمجية (API).
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.

مثال 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")

التطبيقات 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 وإنترنت الأشياء: سرعات وحدة المعالجة المركزية الأسرع بنسبة تصل إلى 43% في YOLO26 تجعله الخيار الأمثل لـ الكاميرات الذكية، والطائرات بدون طيار، و الروبوتات منخفضة الطاقة.
عمليات النشر الحرجة زمنياً: تضمن البنية الخالية من NMS محلياً استقرار الاستدلال بزمن انتقال منخفض للغاية، وهو أمر بالغ الأهمية لـ أبحاث القيادة الذاتية و مراقبة جودة التصنيع عالية 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.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO26 و PP-YOLOE+ على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى 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.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

متى تختار PP-YOLOE+#

يوصى بـ PP-YOLOE+ من أجل:

تكامل بيئة PaddlePaddle: المنظمات التي لديها بنية تحتية حالية مبنية على إطار عمل وأدوات 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.

استكشاف بنيات أخرى#

للمستخدمين الذين يستكشفون نطاقاً أوسع من النماذج، نوصي أيضاً بمراجعة YOLO11، وهو الجيل السابق الموثوق للغاية من نماذج Ultralytics، والذي يظل دعامة أساسية في الآلاف من بيئات الإنتاج. بالإضافة إلى ذلك، بالنسبة للسيناريوهات التي تتطلب آليات قائمة على المحولات (Transformers)، توفر بنية RT-DETR بديلاً مثيراً للاهتمام، وإن كان ذلك مع متطلبات 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.

المساهمون

GLglenn-jocher⁶

تم الإنشاء 14 يناير 2026تم التحديث أول أمس