YOLOv5 مقابل PP-YOLOE+#
يُعد اختيار بنية الشبكة العصبية المناسبة أمرًا أساسيًا لأي مشروع حديث في مجال الرؤية الحاسوبية. عند تقييم المطورين والباحثين نماذج اكتشاف الأجسام في الوقت الفعلي، غالبًا ما يتوقف القرار على الموازنة بين الدقة وسرعة الاستدلال وسهولة النشر. تتناول هذه المقارنة التقنية YOLOv5 وPP-YOLOE+، وتستكشف بنيتيهما ومقاييس الأداء ومنهجيات التدريب لمساعدتك على اختيار الحل الأمثل لتطبيقك.
التعرّف على البنى#
أثر كلا النموذجين بشكل كبير في مجال الذكاء الاصطناعي للرؤية، لكنهما يعالجان تحديات اكتشاف الأجسام باستخدام منهجيات بنيوية واعتماديات على أطر عمل مختلفة.
Ultralytics YOLOv5: معيار القطاع#
أُصدر Ultralytics YOLOv5 في منتصف عام 2020، وأحدث ثورة في إتاحة نماذج الرؤية المتطورة. وقد بُني مباشرةً باستخدام PyTorch، ما خفّض كثيرًا عتبة الدخول لمطوري Python ومهندسي تعلم الآلة حول العالم.
تفاصيل YOLOv5:
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: ultralytics/yolov5
- الوثائق: وثائق YOLOv5
يستخدم YOLOv5 عمودًا فقريًا معدلًا من CSPDarknet، يلتقط تمثيلات غنية للسمات بكفاءة مع الحفاظ على عدد خفيف من المعلمات. كما قدم مربعات ارتكاز ذاتية التعلم، إذ يحسب تلقائيًا الأبعاد المثلى لمربعات الارتكاز لمجموعات البيانات المخصصة قبل بدء التدريب. علاوة على ذلك، يعزز دمج زيادة بيانات الفسيفساء قدرة النموذج على اكتشاف الأجسام الأصغر والتعميم عبر السياقات المكانية المعقدة.
من أبرز نقاط قوة YOLOv5 تعدد استخداماته المذهل. فعلى خلاف كواشف الأجسام القياسية، تدعم عائلة YOLOv5 بسلاسة تصنيف الصور وتجزئة الكائنات واكتشاف مربعات الإحاطة ضمن واجهة API موحدة. وتؤدي بنيته المحسّنة للغاية أيضًا إلى استخدام أقل بكثير للذاكرة أثناء التدريب والاستدلال مقارنةً بالشبكات الثقيلة القائمة على Transformer.
PP-YOLOE+: منافس PaddlePaddle#
ظهر PP-YOLOE+ بعد نحو عامين، وبُني على أساس إصدارات PP-YOLO السابقة. وقد طُوّر لإبراز قدرات إطار التعلم العميق من Baidu، ويقدم تحسينات بنيوية عدة لرفع متوسط الدقة.
تفاصيل PP-YOLOE+ :
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- الوثائق: ملف README الخاص بـ PP-YOLOE+
يعتمد PP-YOLOE+ على نهج خالٍ من مربعات الارتكاز، ويستخدم عمودًا فقريًا من CSPRepResNet. ويتضمن تقنية قوية لتعلّم محاذاة المهام ورأسًا فعالًا ومتوافقًا مع المهام لتحسين الدقة. ومع أن PP-YOLOE+ يحقق درجات دقة مبهرة، فإن نقطة ضعفه الأساسية تكمن في اعتماده الصارم على إطار عمل PaddlePaddle. وغالبًا ما يفرض ذلك منحنى تعلم حادًا ويؤدي إلى احتكاك مع النظام البيئي لدى فرق الأبحاث والمؤسسات المستثمرة بالفعل بشكل كبير في بيئات PyTorch أو TensorFlow.
تعرّف على المزيد حول PP-YOLOE+
الأداء ومعايير التقييم#
عند تقييم هذه النماذج للإنتاج، من الضروري فهم المفاضلات بين الدقة وسرعة الاستدلال وحجم المعلمات. يوضح الجدول أدناه أبرز مقاييس الأداء عبر إصدارات الأحجام المختلفة.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
مع أن PP-YOLOE+ يحقق مستويات عالية من الدقة، يُظهر YOLOv5 باستمرار سرعة أعلى في الاستدلال باستخدام TensorRT عبر جميع أحجام النماذج. وفي عمليات النشر الطرفية التي تكون فيها الذاكرة محدودة، يقدم YOLOv5n سرعة لا تضاهى وحجمًا بالغ الصغر.
صُممت نماذج Ultralytics خصيصًا لتحقيق كفاءة التدريب. وبالمقارنة مع محولات الرؤية الثقيلة مثل RT-DETR، يستخدم YOLOv5 قدرًا أقل بكثير من ذاكرة CUDA، ما يتيح لك التدريب باستخدام أحجام دفعات أكبر أو على أجهزة استهلاكية.
ميزة Ultralytics: المنظومة وسهولة الاستخدام#
تتجاوز القيمة الحقيقية لبنية تعلم الآلة الأرقام المجردة؛ فهي تشمل تجربة المطور بأكملها. توفر منصة Ultralytics وأدواتها مفتوحة المصدر نظامًا بيئيًا متقنًا ومُصانًا جيدًا، يسرّع دورات التطوير بشكل كبير.
- سهولة الاستخدام: تتولى Ultralytics إخفاء تعقيدات التعليمات البرمجية النمطية. يمكنك تدريب النماذج والتحقق من صحتها واختبارها عبر واجهة Python البرمجية البديهية أو CLI.
- مرونة النشر: تصدير النماذج عملية سهلة للغاية. باستخدام أمر واحد، يمكنك تحويل أوزان YOLOv5 المدرّبة إلى تنسيقات مثل ONNX وTensorRT أو OpenVINO، ما يضمن توافقًا واسعًا في البيئات الطرفية والسحابية.
- مجتمع نشط: يضمن المجتمع الحيوي تحديثات متكررة ووثائق موسعة وحلولًا قوية لتحديات الرؤية الحاسوبية الشائعة.
في المقابل، يعتمد PP-YOLOE+ اعتمادًا كبيرًا على ملفات إعداد معقدة خاصة بـ PaddleDetection، ما قد يبطئ إعداد النماذج الأولية السريع ويعقّد الدمج في مسارات MLOps الحديثة.
تطبيقات عملية وأمثلة على التعليمات البرمجية#
من السهل جدًا البدء باستخدام Ultralytics. إليك مثالًا كاملًا قابلًا للتشغيل يوضح كيفية تحميل نموذج YOLOv5 مدرّب مسبقًا وتدريبه على مجموعة بيانات مخصصة وتصدير النتائج:
from ultralytics import YOLO
# تحميل نموذج YOLOv5 صغير مدرّب مسبقًا
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تدريب النموذج على مجموعة بيانات COCO8 لمدة 50 حقبة
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# إجراء الاستدلال على صورة نموذجية
predict_results = model("https://ultralytics.com/images/bus.jpg")
# تصدير النموذج المحسّن إلى تنسيق ONNX
path = model.export(format="onnx")حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv5 وPP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.
متى تختار YOLOv5#
يُعد YOLOv5 خيارًا قويًا لما يلي:
- أنظمة إنتاج مُجرّبة: عمليات النشر القائمة التي تُقدّر سجل YOLOv5 الطويل في الاستقرار ووثائقه الشاملة ودعم مجتمعه الكبير.
- التدريب مع موارد محدودة: البيئات التي تعاني من محدودية موارد GPU، حيث يكون مسار التدريب الفعّال في YOLOv5 ومتطلباته الأقل للذاكرة مفيدين.
- دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر بتنسيقات عديدة، منها ONNX وTensorRT وCoreML وLiteRT.
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.
نماذج أخرى متطورة جديرة بالاهتمام#
مع أن YOLOv5 معيار موثوق ومجرّب، فإن مجال الرؤية الحاسوبية يتطور بسرعة. ونوصي بشدة الفرق التي تبدأ مشاريع جديدة باستكشاف بنياتنا الأحدث.
Ultralytics YOLO26#
صدر YOLO26 في يناير 2026، ويمثل ذروة أبحاثنا على الإطلاق. فهو يقدم تحسينات هائلة في الدقة والسرعة معًا. وتشمل الابتكارات الرئيسية:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى مفاهيم من YOLOv10، يتجاوز الرأس الاختياري ذو المطابقة واحد لواحد في YOLO26 (
nms=False) مرحلة المعالجة اللاحقة الخاصة بقمع غير الحد الأقصى (NMS)، ما يقلل زمن الاستجابة ويبسط منطق النشر. - إزالة DFL: من خلال إزالة Distribution Focal Loss، يحقق YOLO26 استدلالًا أسرع بنسبة تصل إلى 43% على CPU، ما يجعله قويًا للغاية للأجهزة الطرفية منخفضة الطاقة.
- محسّن MuSGD: يستلهم هذا المحسّن الهجين بين SGD وMuon من تقنيات تدريب LLM المتقدمة، ويضمن عمليات تدريب مستقرة للغاية وتقاربًا أسرع.
- ProgLoss + STAL: تُحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في صور الطائرات المسيّرة والزراعة الذكية.
يمكنك أيضًا التفكير في YOLO11، الذي يقدم أداءً ممتازًا ويشكل حلقة وصل موثوقة للغاية بين الأنظمة القديمة والقدرات المتطورة للغاية في YOLO26.
حالات الاستخدام في العالم الحقيقي#
يعتمد الاختيار بين YOLOv5 وPP-YOLOE+ في نهاية المطاف على بيئة النشر وقيود المشروع.
التطبيقات المثالية لـ YOLOv5: تجعل متطلبات YOLOv5 المحدودة للموارد وسهولة استخدامه المذهلة منه الخيار الأول في الذكاء الاصطناعي الطرفي. ويتفوق في التطبيقات التي تتطلب معدلات إطارات عالية على أجهزة محدودة، مثل الروبوتات في الوقت الفعلي، والدمج في تطبيقات الأجهزة المحمولة، وأنظمة مراقبة حركة المرور متعددة الكاميرات. كما تجعله قدرته على التعامل مع تجزئة الكائنات وتصنيف الصور ضمن الإطار نفسه قابلًا للتكيف بدرجة كبيرة.
التطبيقات المثالية لـ PP-YOLOE+: يناسب PP-YOLOE+ أفضل ما يكون الحالات التي تُعطى فيها الأولوية لأعلى دقة ممكنة في الصور الثابتة على حساب قيود المعالجة في الوقت الفعلي. ويُستخدم في نطاقات متخصصة ضمن مسارات الفحص الصناعي، ولا سيما في قطاعات التصنيع الآسيوية التي تمتلك بالفعل مجموعات تقنية راسخة تعتمد بدرجة كبيرة على منظومة Baidu وPaddlePaddle.
وخلاصة القول، مع أن PP-YOLOE+ يقدم مقاييس دقة قوية، توفر نماذج Ultralytics YOLO مزيجًا لا مثيل له من توازن الأداء وسلاسة النشر والتصميم الملائم للمطورين، ما يدفع بمشاريع الرؤية الحاسوبية الناجحة من مرحلة الفكرة إلى الإنتاج.