Ultralytics YOLO27:
Get Started

YOLOv10 مقابل PP-YOLOE+#

في المشهد سريع التطور لـالرؤية الحاسوبية، يُعد اختيار البنية المثلى لاكتشاف الأجسام في الوقت الفعلي أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وسرعة الاستدلال وكفاءة النشر. ومن أبرز النماذج المنافسة في هذا المجال YOLOv10 وPP-YOLOE+. وعلى الرغم من أن كليهما يوفر قدرات قوية، فإنهما ينطلقان من فلسفتين تصميميتين مختلفتين ويتكاملان مع منظومتين مختلفتين.

يقدم هذا الدليل التقني تحليلًا معمقًا لهاتين البنيتين، ويستعرض مقاييس الأداء والاختلافات الهيكلية والتطبيقات المثالية في العالم الحقيقي. ومن خلال فهم خصائص كل منهما، يستطيع مهندسو التعلم الآلي والباحثون اتخاذ قرارات مدروسة بشأن مسارات النشر لديهم.

YOLOv10: رائد الاكتشاف من دون NMS#

طوّر باحثون في جامعة تسينغهوا YOLOv10، وأحدث تحولًا معماريًا مهمًا بإلغاء الحاجة إلى الكبت غير الأقصى (NMS) أثناء المعالجة اللاحقة. يعالج هذا النهج الشامل من البداية إلى النهاية عنق زجاجة ظل قائمًا طويلًا في الاستدلال الآني، ما يجعل عمليات النشر أسرع وأكثر قابلية للتنبؤ، لا سيما على الأجهزة محدودة الموارد الحاسوبية.

البيانات الوصفية التقنية#

نقاط القوة والضعف المعمارية#

تتمثل أبرز ميزات YOLOv10 في تعييناته المزدوجة المتسقة للتدريب من دون NMS، ما يتيح له التنبؤ بالصناديق المحيطة مباشرةً دون الاعتماد على تحديد العتبات بالاستدلالات التقريبية. وينتج عن ذلك توازن ممتاز بين السرعة والدقة، لا سيما في إصدارات النماذج الأصغر. كما تعتمد البنية تصميمًا شموليًا يحقق الكفاءة والدقة، ويحد من التكرار الحسابي.

لكن هذا النموذج مخصص حصريًا للاكتشاف، ويفتقر إلى التنوع الأصلي المتوفر في النماذج التي تدعم تجزئة الكائنات أو تقدير الوضعية مباشرةً.

تعرّف على المزيد حول YOLOv10

PP-YOLOE+: عملاق PaddlePaddle#

PP-YOLOE+ إصدار مطور من PP-YOLOE الأصلي، وقد طوره فريق PaddlePaddle التابع لشركة Baidu. وهو يستند إلى نهج محسّن للغاية لا يعتمد على المراسي، ويضم استراتيجيات تدريب متقدمة لتجاوز حدود متوسط الدقة (mAP) في المعايير القياسية.

البيانات الوصفية التقنية#

نقاط القوة والضعف المعمارية#

يستخدم PP-YOLOE+ شبكة CSPRepResNet أساسية قابلة للتوسع وتصميمًا قويًا للعنق يعزز استخراج السمات بدرجة كبيرة. وتعتمد منهجية تدريبه اعتمادًا كبيرًا على مجموعات بيانات ضخمة مثل Objects365 للتدريب المسبق، ما يسهم في دقته المذهلة، لا سيما في الإصدارين الأكبر x وl.

يتمثل العيب الأساسي في PP-YOLOE+ في ارتباطه الوثيق بإطار عمل PaddlePaddle. وقد يسبب اعتماده احتكاكًا للفرق المعتادة على PyTorch أو منظومة Ultralytics الموحدة. علاوة على ذلك، يؤدي العدد الأكبر من معلماته إلى متطلبات ذاكرة أعلى أثناء التدريب مقارنةً بنماذج Ultralytics YOLO المماثلة.

اطّلع على مزيد من المعلومات حول PP-YOLOE+

معايير الأداء#

يعرض الجدول التالي مقارنة مباشرة بين YOLOv10 وPP-YOLOE+ عبر مقاييس مختلفة، موضحًا المفاضلات بين كفاءة المعلمات والتكلفة الحاسوبية (FLOPs) والدقة الإجمالية.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

كما يتضح، يتفوق YOLOv10 كثيرًا على PP-YOLOE+ في كفاءة المعلمات وسرعة الاستدلال باستخدام TensorRT، ما يجعله خيارًا أقوى لـبيئات الحوسبة الطرفية. ويتقدم PP-YOLOE+ بفارق طفيف في أقصى دقة نظرية لإصداره الأكبر، لكن ذلك يتطلب أكثر من ثلاثة أضعاف عدد المعلمات.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 وPP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة البرمجية.

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا لما يلي:

  • الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
  • موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
  • التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

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.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics والمستقبل: YOLO26#

على الرغم من أن YOLOv10 وPP-YOLOE+ يقدمان مزايا متخصصة، فإن أحدث Ultralytics YOLO26 يحدد المعيار الحديث للرؤية الحاسوبية الجاهزة للإنتاج. صدر YOLO26 في يناير 2026، ويستوعب أفضل الابتكارات المعمارية، ومنها التصميم الذي ابتكره YOLOv10 للاستغناء عن NMS، ويدمجها في إطار عمل سلس متعدد المهام.

لماذا تختار YOLO26؟

تعطي نماذج Ultralytics الأولوية لسهولة الاستخدام. فباستخدام Python API موحدة، لن تحتاج إلى التعامل مع ملفات إعداد معقدة. علاوة على ذلك، تتطلب نماذج YOLO عمومًا ذاكرة CUDA أقل من كواشف الأجسام القائمة على Transformer، ما يتيح تدريبًا أسرع وأكثر توفيرًا للتكلفة.

أبرز الابتكارات في YOLO26#

  • تصميم شامل من دون NMS: بفضل رأسه الاختياري أحادي المطابقة (nms=False) الذي يلغي زمن الاستجابة الناجم عن المعالجة اللاحقة باستخدام NMS، يقدم YOLO26 استدلالًا مستقرًا وسريعًا، وهو أمر حيوي لـالمركبات ذاتية القيادة والروبوتات السريعة.
  • تحسينات تضع الأجهزة الطرفية في المقام الأول: يؤدي التخلص من خسارة البؤرة التوزيعية (DFL) إلى تبسيط تنسيقات تصدير النماذج، ويوفر استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بالأجيال السابقة.
  • ديناميكيات تدريب متقدمة: يستفيد YOLO26 من مُحسِّن MuSGD الجديد، وهو مزيج من SGD وMuon، ليجلب استقرار تدريب نماذج LLM إلى مهام الرؤية، مع تقارب أسرع وأكثر موثوقية.
  • دقة محسّنة عبر ProgLoss + STAL: تستهدف دوال الخسارة المتقدمة هذه سيناريوهات معقدة تحديدًا، وتوفر مكاسب استثنائية في اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية في التصوير الجوي والزراعة.

تعدد استخدامات لا مثيل له#

على عكس PP-YOLOE+ الذي يركز على الاكتشاف، يتولى YOLO26 تصنيف الصور والصناديق المحيطة الموجّهة (OBB) وتقدير الوضعية والتجزئة ضمن قاعدة شيفرة موحدة واحدة. ويمكنك إدارة مجموعات البيانات وتدريب النماذج ونشرها بسهولة مباشرةً عبر منصة Ultralytics.

from ultralytics import YOLO

# ⁨هيّئ نموذج YOLO26 nano المتطور⁩
model = YOLO("yolo26n.pt")

# ⁨درّب بسلاسة باستخدام محرك Ultralytics القوي⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨صدّر إلى TensorRT لنشر فائق السرعة⁩
model.export(format="engine", quantize=16)

تطبيقات واقعية#

يعتمد اختيار النموذج المناسب بدرجة كبيرة على قيود النشر:

  • يتألق PP-YOLOE+ في عمليات نشر صناعية محددة في أنحاء آسيا، حيث تكون حزمة أجهزة وبرمجيات Baidu راسخة بالفعل. ويؤدي أداءً جيدًا في فحص الجودة في التصنيع للصور الثابتة عالية الدقة.
  • يُعد YOLOv10 مثاليًا لـإدارة الحشود الكثيفة والبيئات التي يؤدي فيها التخلص من NMS إلى الحد من تفاوت زمن الاستجابة، ما يجعل التتبع الآني أكثر اتساقًا.
  • يظل Ultralytics YOLO26 الخيار الأمثل للتوسع على مستوى المؤسسة. سواء أكنت تحلل حركة المرور في المدن الذكية أم تنشر على عقد طرفية فائقة الانخفاض في استهلاك الطاقة مثل Raspberry Pi، فإن بصمته الصغيرة على الذاكرة ووثائقه الشاملة ومسار التدريب الموحد تضمن عائدًا سريعًا على الاستثمار.

للمهتمين باستكشاف البنى الأقدم المدعومة أو بدائل Transformer ضمن المنظومة، يُرجى الاطلاع على وثائق YOLO11 أو RT-DETR.

في نهاية المطاف، تضمن المنظومة المصانة جيدًا، إلى جانب واجهة API بسيطة، أن يقضي المطورون وقتًا أقل في تصحيح أخطاء ملفات الإعداد ووقتًا أطول في حل مشكلات ذكاء الرؤية الواقعية.

المساهمون
GLglenn-jocher19PDpderrenger2

التعليقات