ابدأ

YOLOv5 مقابل PP-YOLOE+

يُعد اختيار بنية الشبكة العصبية المناسبة أمراً أساسياً لأي مشروع حديث في الرؤية الحاسوبية. وعندما يقيّم المطورون والباحثون النماذج لاكتشاف الأجسام في الزمن الحقيقي، غالباً ما يتوقف القرار على الموازنة بين الدقة وسرعة الاستدلال وسهولة النشر. تقارن هذه الدراسة التقنية بين YOLOv5 وPP-YOLOE+، وتستعرض بنيتيهما ومقاييس الأداء ومنهجيات التدريب لمساعدتك على اختيار النموذج المناسب لتطبيقك.

التعرّف على البنى#

أثر كلا النموذجين في ذكاء الرؤية الاصطناعي، لكنهما يعالجان تحديات اكتشاف الأجسام بمنهجيات بنيوية واعتماديات أطر عمل مختلفة.

Ultralytics YOLOv5: معيار القطاع#

عند إصداره في يونيو 2020، جعل Ultralytics YOLOv5 نماذج الرؤية المتقدمة متاحة على نطاق أوسع بكثير. وبُني أصلاً باستخدام PyTorch، فخفّض عتبة البدء أمام مطوري Python ومهندسي تعلم الآلة حول العالم.

تفاصيل YOLOv5:

يستخدم YOLOv5 عموداً فقرياً معدّلاً من CSPDarknet، يلتقط تمثيلات غنية للسمات بكفاءة مع الحفاظ على عدد خفيف من المعاملات. وقد قدّم صناديق ارتكاز ذات تعلّم تلقائي، إذ يحسب تلقائياً الأبعاد المثلى لصناديق الارتكاز لمجموعات البيانات المخصصة قبل بدء التدريب. علاوة على ذلك، يعزّز تحسين البيانات بالفسيفساء قدرة النموذج على اكتشاف الأجسام الأصغر والتعميم عبر السياقات المكانية المعقدة.

تتمثل إحدى نقاط قوة YOLOv5 في تعدد استخداماته. فعلى خلاف النماذج المخصصة للاكتشاف فقط، يدعم مستودع YOLOv5 اكتشاف الصناديق المحيطة وتجزئة الكائنات (أُضيفت في v7.0) وتصنيف الصور (أُضيف في v6.2) ضمن قاعدة تعليمات برمجية واحدة. كما تستخدم بنيته ذاكرة أقل أثناء التدريب والاستدلال مقارنة بشبكات Transformer الثقيلة.

PP-YOLOE+: منافس PaddlePaddle#

طُرح PP-YOLOE+ في أبريل 2022، وهو مبني على إصدارات PP-YOLO السابقة. وقد طوّرته Baidu لإطار التعلم العميق PaddlePaddle، ويقدّم تحسينات معمارية متعددة لرفع متوسط الدقة.

تفاصيل PP-YOLOE+ :

يستخدم PP-YOLOE+ تصميماً خاليًا من صناديق الارتكاز وعموداً فقرياً من CSPRepResNet. ويضم تعلّم مواءمة المهام (TAL) ورأساً فعالاً موائماً للمهام لتحسين الدقة. وعلى الرغم من أن PP-YOLOE+ يحقق دقة عالية، فإن أبرز قيوده اعتماده على إطار PaddlePaddle، ما قد يضيف منحنى تعلّم وصعوبات تكامل للفرق التي استثمرت بالفعل في 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.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
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

يحقق PP-YOLOE+ قيمة mAP أعلى عند كل مقياس للنموذج، بينما يوفّر YOLOv5 استدلال TensorRT أسرع على T4 عند كل مقياس. وفي عمليات النشر الطرفية حيث تكون الذاكرة شحيحة، يقدّم YOLOv5n أعلى سرعة (1.12 ms) وأصغر حجم (1.9M معامل) في الجدول.

كفاءة الذاكرة

صُممت نماذج Ultralytics لتحقيق كفاءة التدريب. فمقارنة بكاشفات Transformer مثل RT-DETR، يستخدم YOLOv5 ذاكرة CUDA أقل، ما يتيح لك التدريب بأحجام دفعات أكبر أو على أجهزة استهلاكية.

ميزة Ultralytics: المنظومة وسهولة الاستخدام#

تتجاوز قيمة بنية تعلم الآلة الأرقام المجردة؛ فهي تشمل تجربة المطور كاملة. وتوفّر منصة Ultralytics وأدواتها مفتوحة المصدر منظومة تتم صيانتها جيداً وتقصّر دورات التطوير.

  • 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 مباشرة. فبأمر واحد، يمكنك تحويل أوزان YOLOv5 المدرّب إلى تنسيقات مثل ONNX أو TensorRT أو OpenVINO، بما يضمن توافقاً واسعاً عبر البيئات الطرفية والسحابية.
  • مجتمع نشط: يتيح المجتمع الكبير والصيانة النشطة تحديثات متكررة ووثائق شاملة وحلولاً مجرّبة جيداً 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#

بدء العمل مع Ultralytics سهل. إليك مثالاً كاملاً قابلاً للتنفيذ يحمّل نموذج YOLOv5u مدرّباً مسبقاً، ويدرّبه على مجموعة بيانات المثال COCO8، ويجري الاستدلال، ثم يصدّر النتيجة:

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 مجرّبة: عمليات النشر الحالية التي تحظى فيها خبرة YOLOv5 الطويلة في الاستقرار، ووثائقه الشاملة، ومجتمعه الكبير بالتقدير.
  • 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 تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

نماذج أخرى متطورة جديرة بالاهتمام#

مع أن YOLOv5 معيار مجرّب، فإن مجال الرؤية الحاسوبية يتطور بسرعة. وتوصي Ultralytics الفرق التي تبدأ مشاريع جديدة ببنياتها الأحدث.

Ultralytics YOLO26#

صدر YOLO26 في يناير 2026، وهو أحدث عائلة نماذج من Ultralytics، ويعزّز الدقة والسرعة مقارنة بالأجيال السابقة. وتشمل أبرز ابتكاراته:

  • تصميم شامل خالٍ من NMS: استناداً إلى مفاهيم من YOLOv10، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) المعالجة اللاحقة لـ كبح الصناديق غير القصوى (NMS)، ما يقلل زمن الاستجابة ويبسط منطق النشر.
  • إزالة DFL: بعد إزالة Distribution Focal Loss، يحقق YOLO26n استدلالاً على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعله مناسباً للأجهزة الطرفية منخفضة الطاقة.
  • مُحسِّن MuSGD: يستلهم هذا المزيج الهجين من SGD وMuon تقنيات تدريب LLM، ويوفر عمليات تدريب مستقرة وتقارباً أسرع.
  • ProgLoss + STAL: تحسّن الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لصور الطائرات المسيّرة والزراعة الذكية.

بالإضافة إلى ذلك، يمكنك التفكير في YOLO11، الذي يقدّم أداءً قوياً ويظل خياراً موثوقاً ومدعوماً بالكامل بين الأنظمة القديمة وYOLO26.

حالات الاستخدام في العالم الحقيقي#

يعتمد الاختيار بين YOLOv5 وPP-YOLOE+ في نهاية المطاف على بيئة النشر وقيود المشروع.

تطبيقات YOLOv5 المثالية: تجعل متطلبات YOLOv5 المنخفضة للموارد وسهولة استخدامه خياراً شائعاً في الذكاء الاصطناعي الطرفي. وهو ملائم للتطبيقات التي تتطلب معدلات إطارات مرتفعة على أجهزة محدودة، مثل الروبوتات في الزمن الحقيقي، والتكامل مع تطبيقات الأجهزة المحمولة، وأنظمة مراقبة حركة المرور متعددة الكاميرات. كما أن دعمه لتجزئة الكائنات وتصنيف الصور ضمن الإطار نفسه يجعله قابلاً للتكيّف.

تطبيقات PP-YOLOE+ المثالية: يناسب PP-YOLOE+ السيناريوهات التي تكون فيها أعلى دقة أهم من أسرع استدلال، وكذلك مسارات عمل الفحص الصناعي في المؤسسات التي تعتمد مجموعاتها التقنية بالفعل على منظومة PaddlePaddle من Baidu.

باختصار، رغم أن PP-YOLOE+ يحقق نتائج قوية في معايير الدقة، تجمع نماذج Ultralytics YOLO بين توازن أداء قوي وسهولة النشر والتصميم الملائم للمطورين، ما يساعد مشاريع الرؤية الحاسوبية على الانتقال من الفكرة إلى الإنتاج.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.