ابدأ

YOLOv10 مقابل PP-YOLOE+

في الرؤية الحاسوبية، يتطلب اختيار البنية المناسبة لكشف الكائنات في الوقت الفعلي تحقيق توازن بين الدقة وسرعة الاستدلال وكفاءة النشر. ومن الخيارات البارزة YOLOv10 وPP-YOLOE+. كلاهما كاشف قادر، لكنهما ينطلقان من فلسفتين تصميميتين ومنظومتين مختلفتين.

يحلل هذا الدليل التقني هاتين البنيتين، ويستعرض مقاييس الأداء والفروق الهيكلية والتطبيقات المثالية في العالم الحقيقي. ومن خلال فهم الاختلافات، يستطيع مهندسو تعلّم الآلة والباحثون اتخاذ قرارات مدروسة بشأن مسارات النشر لديهم.

YOLOv10: كشف آني بلا NMS#

طوّر باحثون في جامعة تسينغهوا YOLOv10، الذي أحدث تحولًا معماريًا مهمًا بالاستغناء عن الحاجة إلى قمع الصناديق المتداخلة (NMS) أثناء المعالجة اللاحقة. ويعالج هذا النهج الشامل اختناقًا طال أمده في الاستدلال الآني، ما يجعل عمليات النشر أسرع وأكثر قابلية للتوقع، ولا سيما على الأجهزة محدودة الموارد الحسابية.

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+: كشف بلا مراسٍ في PaddlePaddle#

PP-YOLOE+ إصدار مطوّر من PP-YOLOE الأصلي، وقد طوّره فريق PaddlePaddle في Baidu. ويبني على تصميم محسّن خالٍ من المراسي، ويضمّن استراتيجيات تدريب محسّنة لرفع متوسط الدقة (mAP) على المعايير القياسية.

البيانات الوصفية التقنية#

نقاط القوة والضعف المعمارية#

يستخدم PP-YOLOE+ عمودًا فقريًا قابلًا للتوسع من نوع CSPRepResNet وعنق CSPPAN يعززان استخراج السمات. وتعتمد منهجية تدريبه على التدريب المسبق على مجموعات بيانات واسعة النطاق مثل Objects365، ما يسهم في دقته العالية، ولا سيما في الإصدارين الأكبر x وl.

يتمثل العيب الأساسي لـ PP-YOLOE+ في ارتباطه الوثيق بإطار عمل PaddlePaddle. وقد يؤدي اعتماده إلى صعوبات للفرق المعتادة على PyTorch أو منظومة Ultralytics الموحدة. كما يؤدي ارتفاع عدد معلماته إلى زيادة متطلبات الذاكرة أثناء التدريب مقارنةً بـنماذج Ultralytics YOLO المكافئة.

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)
‏mAPval50-95السرعة
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

يتفوق YOLOv10 على PP-YOLOE+ في السرعة باستخدام TensorRT على T4 عند كل المقاييس، ويستخدم معلمات أقل (فمثلًا، يحقق YOLOv10m نسبة 51.1 mAP باستخدام 15.4M من المعلمات بزمن 4.74 ms، مقابل 49.8 mAP باستخدام 23.43M بزمن 5.56 ms لـ PP-YOLOE+m)، ما يجعله خيارًا أقوى لـبيئات الحوسبة الطرفية. ويتصدر PP-YOLOE+ عند الطرفين: فدقة PP-YOLOE+t أعلى من YOLOv10n (39.9 مقابل 38.5 mAP)، ويتفوق PP-YOLOE+x قليلًا على YOLOv10x (54.7 مقابل 54.4 mAP)، ولكن بعدد معلمات يزيد على ثلاثة أضعاف.

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 تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
  • اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.

ميزة Ultralytics والمستقبل: YOLO26#

يقدم كل من YOLOv10 وPP-YOLOE+ مزايا متخصصة، لكننا نوصي باستخدام Ultralytics YOLO26 لمشاريع الرؤية الحاسوبية الجديدة المهيأة للإنتاج. صدر YOLO26 في يناير 2026، ويتبنى أفكارًا معمارية أثبتت فعاليتها، منها التصميم الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، ضمن إطار عمل 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 تعطي الأولوية للأجهزة الطرفية: تؤدي إزالة Distribution Focal Loss (DFL) إلى تبسيط تنسيقات تصدير النماذج، وتساعد YOLO26n على تحقيق استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLO11n.
  • ديناميكيات تدريب متقدمة: باستخدام محسّن MuSGD، وهو مزيج من SGD وMuon، ينقل YOLO26 استقرار تدريب نماذج اللغة الكبيرة إلى مهام الرؤية، مع تقارب أسرع وأكثر موثوقية.
  • دقة محسّنة عبر ProgLoss + STAL: تستهدف الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) السيناريوهات الصعبة، فتحسّنان كشف الكائنات الصغيرة في الصور الجوية والزراعة.

تعدد الاستخدامات#

بخلاف PP-YOLOE+ الذي يركّز على الكشف، يتعامل YOLO26 مع تجزئة المثيلات والتجزئة الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعيات وصناديق الإحاطة الموجّهة (OBB) من قاعدة شيفرة موحّدة واحدة. ويمكنك إدارة مجموعات البيانات وتدريب النماذج ونشرها مباشرةً عبر منصة Ultralytics.

from ultralytics import YOLO

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

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

# ⁨صدّر إلى TensorRT للنشر على GPU⁩
model.export(format="engine", quantize=16)

تطبيقات واقعية#

يعتمد اختيار النموذج المناسب على قيود النشر:

  • PP-YOLOE+ ملائم لعمليات النشر الصناعية التي تستخدم بالفعل حزمة PaddlePaddle للأجهزة والبرمجيات. كما يتعامل جيدًا مع فحص الجودة في التصنيع الثابت وعالي الدقة.
  • YOLOv10 ملائم جدًا لـإدارة الحشود الكثيفة والبيئات التي يؤدي فيها الاستغناء عن NMS إلى خفض تفاوت زمن الاستجابة، ما يجعل التتبع الآني أكثر اتساقًا.
  • Ultralytics YOLO26 هو الخيار الموصى به للتوسع على مستوى المؤسسة. سواء أكنت تحلل حركة المرور في المدن الذكية أو تنشر النموذج على أجهزة طرفية منخفضة الطاقة مثل Raspberry Pi، فإن صغر حجم الذاكرة الذي يحتاجه ووثائقه ومسار التدريب الموحد تقصّر الطريق إلى الإنتاج.

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

تعني المنظومة التي تخضع لصيانة جيدة، إلى جانب واجهة API بسيطة، أن المطورين يقضون وقتًا أقل في تصحيح أخطاء ملفات الإعداد ووقتًا أكبر في حل مشكلات الذكاء الاصطناعي للرؤية الحاسوبية في العالم الحقيقي.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.