Link to this sectionYOLOv5 مقابل PP-YOLOE+#
يعد اختيار بنية الشبكة العصبية المناسبة أمراً أساسياً لأي مشروع حديث في مجال الرؤية الحاسوبية. عندما يقوم المطورون والباحثون بتقييم النماذج للكشف عن الكائنات في الوقت الفعلي، غالباً ما يعتمد القرار على تحقيق التوازن بين الدقة، وسرعة الاستدلال، وسهولة النشر. تدرس هذه المقارنة التقنية كلاً من YOLOv5 و PP-YOLOE+، وتستكشف بنيتيهما، ومقاييس الأداء، ومنهجيات التدريب لمساعدتك في اختيار الحل الأمثل لتطبيقك.
Link to this sectionفهم البنى#
لقد أثر كلا النموذجين بشكل كبير على مشهد رؤية الذكاء الاصطناعي، لكنهما يتعاملان مع تحديات الكشف عن الكائنات من خلال منهجيات هيكلية مختلفة واعتمادات إطارية متنوعة.
Link to this sectionUltralytics YOLOv5: المعيار الصناعي#
أحدث Ultralytics YOLOv5، الذي تم إصداره في منتصف عام 2020، ثورة في إمكانية الوصول إلى أحدث نماذج الرؤية الحاسوبية. كونه أول تنفيذ أصلي لـ PyTorch في عائلة YOLO، فقد قلل بشكل كبير من حاجز الدخول لمطوري Python ومهندسي تعلم الآلة حول العالم.
تفاصيل YOLOv5:
- المؤلف: Glenn Jocher
- المؤسسة: Ultralytics
- التاريخ: 26-06-2020
- GitHub: ultralytics/yolov5
- التوثيق: توثيق YOLOv5
يستخدم YOLOv5 بنية أساسية من نوع CSPDarknet معدلة، والتي تلتقط تمثيلات ميزات غنية بكفاءة مع الحفاظ على عدد معلمات خفيف الوزن. قدم النموذج صناديق تثبيت (anchor boxes) ذاتية التعلم، تقوم بحساب أبعاد التثبيت المثالية لمجموعات البيانات المخصصة تلقائياً قبل بدء التدريب. علاوة على ذلك، فإن دمجه لتعزيز البيانات بالفسيفساء (mosaic data augmentation) يعزز بشكل كبير قدرة النموذج على اكتشاف الكائنات الصغيرة والتعميم عبر السياقات المكانية المعقدة.
تعد المرونة المذهلة واحدة من أعظم نقاط قوة YOLOv5. على عكس أجهزة كشف الكائنات القياسية، تدعم عائلة YOLOv5 بسلاسة تصنيف الصور، وتجزئة المثيلات، واكتشاف الصناديق المحيطة ضمن واجهة برمجة تطبيقات موحدة. كما تترجم بنيته المحسنة للغاية إلى استخدام أقل بكثير للذاكرة أثناء التدريب والاستدلال مقارنة بالشبكات الثقيلة القائمة على Transformer.
Link to this sectionPP-YOLOE+: المنافس من PaddlePaddle#
تم تقديم PP-YOLOE+ بعد عامين تقريباً، وهو يعتمد على أساس إصدارات PP-YOLO السابقة. تم تطويره لعرض قدرات إطار التعلم العميق الخاص بـ Baidu، ويقدم العديد من التحسينات الهيكلية لزيادة متوسط دقة المتوسط (mAP).
تفاصيل PP-YOLOE+:
- المؤلفون: مؤلفو PaddlePaddle
- المؤسسة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- المستندات: PP-YOLOE+ README
يعتمد PP-YOLOE+ على نموذج خالٍ من صناديق التثبيت (anchor-free) ويستخدم بنية أساسية من نوع CSPRepResNet. وهو يدمج تقنية قوية لمحاذاة المهام (Task Alignment Learning) ورأساً فعالاً لمحاذاة المهام لتحسين الدقة. بينما يحقق PP-YOLOE+ درجات دقة مبهرة، يكمن ضعفه الأساسي في اعتماده الصارم على إطار PaddlePaddle. غالباً ما يفرض هذا منحنى تعلم حاداً واحتكاكاً في النظام البيئي لفرق البحث والشركات المستثمرة بالفعل بعمق في بيئات PyTorch أو TensorFlow.
Link to this sectionالأداء والمعايير القياسية#
عند تقييم هذه النماذج للإنتاج، يعد فهم المفاضلات بين الدقة، وسرعة الاستدلال، وبصمة المعلمات أمراً بالغ الأهمية. يوضح الجدول أدناه مقاييس الأداء الرئيسية عبر أحجام مختلفة.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
بينما يحقق PP-YOLOE+ حدوداً عالية من الدقة، يُظهر YOLOv5 باستمرار كفاءة فائقة في المعلمات وسرعة استدلال أسرع على الأجهزة ذات الموارد المحدودة. بالنسبة لنشر الحافة حيث تكون الذاكرة نادرة، يوفر YOLOv5n سرعة لا مثيل لها وبصمة صغيرة للغاية.
تم تصميم نماذج Ultralytics خصيصاً لكفاءة التدريب. مقارنة بنماذج Vision Transformers الثقيلة مثل RT-DETR، يستخدم YOLOv5 ذاكرة CUDA أقل بكثير، مما يتيح لك التدريب على أحجام دفعات أكبر أو على أجهزة مخصصة للمستهلكين.
Link to this sectionميزة Ultralytics: النظام البيئي وسهولة الاستخدام#
تمتد القيمة الحقيقية لبنية تعلم الآلة إلى ما هو أبعد من الأرقام الأولية؛ فهي تشمل تجربة المطور بأكملها. توفر منصة Ultralytics وأدواتها مفتوحة المصدر المقابلة نظاماً بيئياً مصقولاً ومصاناً جيداً يعمل بشكل كبير على تسريع دورات التطوير.
- سهولة الاستخدام: تقوم Ultralytics بتجريد التعليمات البرمجية المعقدة. يمكنك تدريب النماذج والتحقق منها واختبارها عبر Python API بديهية أو CLI.
- مرونة النشر: تصدير النماذج بسيط للغاية. بضغطة زر واحدة، يمكنك تحويل أوزان YOLOv5 المدربة الخاصة بك إلى تنسيقات مثل ONNX، أو TensorRT، أو OpenVINO، مما يضمن توافقاً واسعاً عبر بيئات الحافة والسحابة.
- مجتمع نشط: يضمن المجتمع الحيوي تحديثات متكررة، ووثائق شاملة، وحلولاً قوية لتحديات الرؤية الحاسوبية الشائعة.
في المقابل، يعتمد PP-YOLOE+ بشكل كبير على ملفات تكوين معقدة خاصة بـ PaddleDetection، مما قد يبطئ النماذج الأولية السريعة ويعقد التكامل في خطوط أنابيب MLOps الحديثة.
Link to this sectionالتنفيذات العملية وأمثلة التعليمات البرمجية#
البدء مع Ultralytics بسيط للغاية. إليك مثال كامل وقابل للتشغيل حول كيفية تحميل نموذج YOLOv5 مدرب مسبقاً، وتدريبه على مجموعة بيانات مخصصة، وتصدير النتائج:
from ultralytics import YOLO
# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset for 50 epochs
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference on a sample image
predict_results = model("https://ultralytics.com/images/bus.jpg")
# Export the optimized model to ONNX format
path = model.export(format="onnx")Link to this sectionحالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv5 و PP-YOLOE+ على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
Link to this sectionمتى تختار YOLOv5#
يعد YOLOv5 خيارًا قويًا لـ:
- أنظمة الإنتاج المثبتة: عمليات النشر الحالية حيث يتم تقدير سجل YOLOv5 الطويل من الاستقرار، والوثائق الشاملة، ودعم المجتمع الضخم.
- التدريب محدود الموارد: البيئات ذات موارد GPU المحدودة حيث تكون خط أنابيب التدريب الفعال لـ YOLOv5 ومتطلبات الذاكرة الأقل ميزة.
- دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX وTensorRT وCoreML وTFLite.
Link to this sectionمتى تختار PP-YOLOE+#
يوصى بـ PP-YOLOE+ من أجل:
- التكامل مع نظام PaddlePaddle البيئي: للمؤسسات التي لديها بنية تحتية موجودة مبنية على إطار عمل Baidu's PaddlePaddle.
- النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
- الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.
Link to this sectionمتى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
Link to this sectionنماذج بديلة متطورة يجب مراعاتها#
بينما يعد YOLOv5 معياراً قوياً ومثبتاً، فإن مجال الرؤية الحاسوبية يتحرك بسرعة. للفرق التي تبدأ مشاريع جديدة، نوصي بشدة باستكشاف بنياتنا الأحدث.
Link to this sectionUltralytics YOLO26#
يمثل YOLO26، الذي تم إصداره في يناير 2026، ذروة أبحاثنا. فهو يقدم تحسينات هائلة في كل من الدقة والسرعة. تشمل الابتكارات الرئيسية ما يلي:
- تصميم من طرف إلى طرف بدون NMS: بناءً على مفاهيم من YOLOv10، يلغي YOLO26 محلياً معالجة ما بعد الكشف عن طريق إخماد غير الحد الأقصى (NMS)، مما يقلل من زمن الوصول ويبسط منطق النشر.
- إزالة DFL: من خلال التخلص من Distribution Focal Loss، يحقق YOLO26 استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU)، مما يجعله قوياً للغاية لأجهزة الحافة منخفضة الطاقة.
- محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة المتقدمة، يضمن هذا الهجين من SGD و Muon عمليات تدريب مستقرة بشكل استثنائي وتقارباً أسرع.
- ProgLoss + STAL: تقدم دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ صور الطائرات بدون طيار والزراعة الذكية.
بالإضافة إلى ذلك، قد ترغب في التفكير في YOLO11، الذي يوفر أداءً ممتازاً ويعمل كجسر موثوق للغاية بين الأنظمة القديمة وقدرات YOLO26 المتطورة.
Link to this sectionحالات الاستخدام في العالم الحقيقي#
يعتمد الاختيار بين YOLOv5 و PP-YOLOE+ في النهاية على بيئة النشر وقيود مشروعك.
تطبيقات YOLOv5 المثالية: تجعل متطلبات الموارد الدنيا لـ YOLOv5 وسهولة استخدامه المذهلة منه الخيار الأول لـ ذكاء الحافة. يتفوق في التطبيقات التي تتطلب معدلات إطارات عالية على أجهزة محدودة، مثل الروبوتات في الوقت الفعلي، وتكامل تطبيقات الهاتف المحمول، وأنظمة مراقبة المرور متعددة الكاميرات. قدرته على التعامل في وقت واحد مع تقدير الوضع والصندوق المحيط الموجه (OBB) ضمن نفس الإطار تجعله قابلاً للتكيف بشكل كبير.
تطبيقات PP-YOLOE+ المثالية: يعد PP-YOLOE+ الأنسب للسيناريوهات التي يتم فيها إعطاء الأولوية لأقصى دقة مطلقة للصور الساكنة على قيود المعالجة في الوقت الفعلي. يجد استخداماً متخصصاً في خطوط أنابيب التفتيش الصناعي، لا سيما داخل قطاعات التصنيع الآسيوية التي لديها أكوام تقنية راسخة ومستثمرة بكثافة في نظام Baidu و PaddlePaddle البيئي.
باختصار، في حين أن PP-YOLOE+ يقدم معايير دقة قوية، توفر نماذج YOLO من Ultralytics مزيجاً لا مثيل له من توازن الأداء، والنشر السلس، والتصميم الصديق للمطورين الذي يدفع مشاريع الرؤية الحاسوبية الناجحة من المفهوم إلى الإنتاج.