Ultralytics YOLO27:

مقارنة YOLOv10 وPP-YOLOE+#

في المشهد سريع التطور لـالرؤية الحاسوبية، يُعد اختيار البنية المثلى لكشف الأجسام في الوقت الفعلي أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وسرعة الاستدلال وكفاءة النشر. ومن أبرز المنافسين في هذا المجال YOLOv10 وPP-YOLOE+. وعلى الرغم من أن كلا النموذجين يقدّم إمكانات قوية، فإنهما ينحدران من فلسفتين مختلفتين في التصميم وتكاملين مختلفين مع المنظومات البرمجية.

يقدّم هذا الدليل التقني تحليلًا معمقًا لهاتين البنيتين، مستكشفًا مقاييس الأداء والفروقات الهيكلية والتطبيقات المثالية في العالم الواقعي. ومن خلال فهم الفروق الدقيقة بينهما، يستطيع مهندسو تعلّم الآلة والباحثون اتخاذ قرارات مدروسة بشأن مسارات النشر لديهم.

YOLOv10: رائد الكشف من دون NMS#

طوّر باحثون في جامعة تسينغهوا نموذج YOLOv10، فأحدث تحولًا معماريًا مهمًا من خلال إلغاء الحاجة إلى قمع غير الأقصى (NMS) أثناء المعالجة اللاحقة. ويعالج هذا النهج الشامل من البداية إلى النهاية عنق زجاجة مستمرًا في الاستدلال الفوري، ما يجعل عمليات النشر أسرع وأكثر قابلية للتنبؤ، ولا سيما على الأجهزة ذات الموارد الحوسبية المحدودة.

البيانات الوصفية التقنية#

نقاط القوة والضعف المعمارية#

تتمثل السمة الأبرز في YOLOv10 في إسناداته الثنائية المتسقة للتدريب من دون NMS، ما يتيح له التنبؤ بالصناديق المحيطة مباشرةً من دون الاعتماد على وضع عتبات استدلالية. وينتج عن ذلك توازن ممتاز بين السرعة والدقة، ولا سيما في إصدارات النموذج الأصغر. كما تستخدم البنية تصميمًا شاملًا مدفوعًا بالكفاءة والدقة، مما يقلل التكرار الحوسبي.

ومع ذلك، وبصفته نموذجًا يركّز بصرامة على الكشف، فإنه يفتقر إلى التعددية الأصلية الموجودة في النماذج التي تدعم تجزئة المثيلات أو تقدير الوضعيات مباشرةً.

Learn more about YOLOv10

PP-YOLOE+: قوة PaddlePaddle#

‏PP-YOLOE+ هو إصدار مطوّر من PP-YOLOE الأصلي، وقد طوّره فريق PaddlePaddle التابع لشركة Baidu. وهو يبني على نهج محسّن بدرجة عالية خالٍ من المراسي، ويضم استراتيجيات تدريب متقدمة لدفع حدود متوسط الدقة (mAP) على المعايير القياسية.

البيانات الوصفية التقنية#

نقاط القوة والضعف المعمارية#

يستخدم PP-YOLOE+ بنية أساسية قابلة للتوسع وتصميمًا قويًا للطبقة الوسطى (CSPRepResNet)، مما يعزز استخراج السمات بدرجة كبيرة. وتعتمد منهجية تدريبه اعتمادًا كبيرًا على مجموعات بيانات واسعة النطاق مثل Objects365 للتدريب المسبق، وهو ما يسهم في دقته المميزة، لا سيما في الإصدارين الأكبر x وl.

يتمثل العيب الأساسي في PP-YOLOE+ في ارتباطه الوثيق بإطار PaddlePaddle. وبالنسبة إلى الفرق المعتادة على PyTorch أو منظومة Ultralytics الموحدة، قد يؤدي اعتماد PP-YOLOE+ إلى بعض التعقيد. علاوةً على ذلك، يؤدي العدد الأكبر من معلماته إلى متطلبات ذاكرة أعلى أثناء التدريب مقارنةً بـنماذج Ultralytics YOLO المكافئة.

تعرف على المزيد حول PP-YOLOE+

معايير الأداء#

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

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
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 بدرجة كبيرة على PP-YOLOE+ في كفاءة المعلمات وسرعة الاستدلال على TensorRT، مما يجعله مرشحًا أقوى لـبيئات الحوسبة الطرفية. ويتفوق PP-YOLOE+ بفارق طفيف في أقصى دقة نظرية ضمن إصداره الأكبر، وإن كان ذلك مع عدد معلمات يقارب الضعف.

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 من أجل:

  • الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
  • المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
  • التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

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.

متى تختار Ultralytics (YOLO26)#

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

  • 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.

ميزة Ultralytics والمستقبل: YOLO26#

مع أن YOLOv10 وPP-YOLOE+ يقدّمان مزايا متخصصة، فإن المعيار الحديث للرؤية الحاسوبية المخصصة للإنتاج تحدده أحدث إصدارات Ultralytics YOLO26. وقد أُطلق YOLO26 في يناير 2026، فاستوعب أفضل الابتكارات المعمارية—بما في ذلك التصميم من دون NMS الذي ابتكره YOLOv10—ودمجها في إطار سلس متعدد المهام.

لماذا تختار YOLO26؟

تعطي نماذج Ultralytics الأولوية لسهولة الاستخدام. فمن خلال واجهة Python موحدة، يمكنك تجاوز ملفات الإعداد المعقدة. علاوةً على ذلك، تتطلب نماذج YOLO عمومًا قدرًا أقل من ذاكرة CUDA مقارنةً بالكواشف القائمة على Transformer، مما يتيح تدريبًا أسرع وأكثر فعالية من حيث التكلفة.

الابتكارات الرئيسية في YOLO26#

  • تصميم شامل من البداية إلى النهاية ومن دون NMS: من خلال إزالة زمن استجابة المعالجة اللاحقة، يضمن YOLO26 استدلالات مستقرة وعالية السرعة، وهو أمر بالغ الأهمية لـالمركبات ذاتية القيادة والروبوتات السريعة.
  • تحسينات تضع الحافة أولًا: تؤدي إزالة خسارة التركيز التوزيعي (DFL) إلى تبسيط صيغ تصدير النموذج وتحقيق استدلال أسرع على CPU بنسبة تصل إلى 43% مقارنةً بالأجيال السابقة.
  • ديناميكيات تدريب متقدمة: من خلال الاستفادة من مُحسِّن MuSGD الجديد—وهو مزيج من SGD وMuon—يقدم YOLO26 استقرار تدريب نماذج LLM لمهام الرؤية، مع تقارب أسرع وأكثر موثوقية.
  • دقة محسّنة عبر ProgLoss + STAL: تستهدف دوال الخسارة المتقدمة هذه سيناريوهات معقدة تحديدًا، وتوفر مكاسب استثنائية في كشف الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالصور الجوية والزراعة.

تعدد استخدامات لا مثيل له#

وعلى خلاف PP-YOLOE+ الذي يركّز على الكشف، يتعامل YOLO26 مع تصنيف الصور والصناديق المحيطة الموجّهة (OBB) وتقدير الوضعيات والتجزئة من قاعدة شيفرة موحدة واحدة. ويمكنك بسهولة إدارة مجموعات البيانات وتدريب النماذج ونشرها مباشرةً عبر منصة Ultralytics.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train smoothly with the powerful Ultralytics engine
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to TensorRT for blazing fast deployment
model.export(format="engine", quantize=16)

التطبيقات الواقعية#

يعتمد اختيار النموذج المناسب بدرجة كبيرة على قيود النشر:

  • يتألق PP-YOLOE+ في عمليات نشر صناعية محددة في أنحاء آسيا، حيث تكون حزمة Baidu للأجهزة والبرمجيات مُعدّة مسبقًا. كما يتعامل جيدًا مع فحص الجودة في التصنيع الثابت وعالي الدقة.
  • يُعد YOLOv10 مثاليًا لـإدارة الحشود الكثيفة والبيئات التي يؤدي فيها التخلص من NMS إلى تقليل تفاوت زمن الاستجابة، مما يجعل التتبع الفوري أكثر اتساقًا.
  • يظل Ultralytics YOLO26 الخيار الحاسم للتوسع على مستوى المؤسسة بأكملها. وسواء أكنت تحلل حركة المرور في المدن الذكية أو تنشر النموذج على عُقد طرفية فائقة انخفاض استهلاك الطاقة مثل Raspberry Pi، فإن بصمته الدنيا من الذاكرة ووثائقه الشاملة ومسار التدريب الموحد تضمن تحقيق عائد سريع على الاستثمار.

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

وفي نهاية المطاف، تضمن المنظومة جيدة الصيانة، إلى جانب واجهة API بسيطة، أن يقضي المطورون وقتًا أقل في تصحيح أخطاء ملفات الإعداد ووقتًا أكبر في حل مشكلات الذكاء الاصطناعي للرؤية في العالم الواقعي.

المساهمون
GLglenn-jocher18PDpderrenger2

التعليقات