Link to this sectionYOLOv7 مقابل PP-YOLOE+#

عند تقييم نماذج رؤية حاسوبية متطورة لخطوط إنتاج فعلية، يوازن المطورون غالباً بين مزايا معماريات مختلفة. ومن النماذج البارزة في مجال كشف الأجسام YOLOv7 وPP-YOLOE+. يقدم هذا الدليل مقارنة تقنية مفصلة لمعمارياتها، ومقاييس أدائها، وسيناريوهات النشر المثالية لمساعدتك على اتخاذ قرار مستنير لمشروع الرؤية الحاسوبية القادم الخاص بك.

Link to this sectionالابتكارات المعمارية#

يعد فهم الاختلافات الهيكلية الجوهرية بين هذه النماذج أمراً بالغ الأهمية للتنبؤ بكيفية عملها أثناء التدريب والاستنتاج.

Link to this sectionأبرز ملامح معمارية YOLOv7#

قدمت YOLOv7 العديد من التحسينات الرئيسية المصممة لتعزيز الدقة دون زيادة تكاليف الاستنتاج بشكل كبير.

شبكات تجميع الطبقات الفعالة الموسعة (E-ELAN): تتحكم هذه المعمارية في أقصر وأطول مسارات التدرج. ومن خلال القيام بذلك، فإنها تمكن الشبكة من تعلم ميزات أكثر تنوعاً وتحسن قدرة التعلم الشاملة دون تدمير مسار التدرج الأصلي.
استراتيجيات تحجيم النموذج: تستخدم YOLOv7 تحجيماً مركباً للنموذج، حيث يتم تعديل العمق والعرض في وقت واحد مع دمج الطبقات للحفاظ على هيكل معمارية مثالي عبر أحجام مختلفة.
مجموعة الأدوات المجانية القابلة للتدريب (Trainable Bag-of-Freebies): قام المؤلفون بدمج طريقة التفاف معاد تهيئتها (RepConv) بدون روابط هوية، مما يعزز سرعة الاستنتاج بشكل كبير دون المساس بالقوة التنبؤية للنموذج.

تفاصيل YOLOv7:
المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
التاريخ: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696

اعرف المزيد عن YOLOv7

Link to this sectionأبرز ملامح معمارية PP-YOLOE+#

تم تطوير PP-YOLOE+ بواسطة Baidu ضمن نظام PaddlePaddle البيئي، وهي تعتمد على سابقتها، PP-YOLOv2، مع التركيز بشكل كبير على المنهجيات الخالية من المراسي (anchor-free) وتمثيلات الميزات المحسنة.

تصميم خالٍ من المراسي (Anchor-Free): على عكس الأساليب المعتمدة على المراسي، يعمل هذا التصميم على تبسيط رأس التنبؤ وتقليل عدد المعلمات الفائقة، مما يجعل النموذج أسهل في الضبط لمجموعات البيانات المخصصة.
عمود فقري CSPRepResNet: يتضمن هذا العمود الفقري روابط متبقية وشبكات متقاطعة المراحل (Cross Stage Partial) لتحسين قدرات استخراج الميزات مع الحفاظ على الكفاءة الحسابية.
تعلم مواءمة المهام (TAL): تستخدم PP-YOLOE+ رأس ET-head (رأس فعال لمواءمة المهام) لمواءمة مهام التصنيف والتحديد بشكل أفضل، مما يعالج عنق الزجاجة الشائع في كاشفات المرحلة الواحدة.

تفاصيل PP-YOLOE+:
المؤلفون: مؤلفو PaddlePaddle
المؤسسة: Baidu
التاريخ: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250

تعرف على المزيد حول PP-YOLOE+

Link to this sectionمقاييس الأداء والمعايير#

غالباً ما يتلخص اختيار النموذج الصحيح في القيود المحددة لأجهزتك ومتطلبات زمن الاستجابة. يوضح الجدول أدناه المقايضات بين الدقة (mAP)، والسرعة، وتعقيد النموذج.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

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

Link to this sectionتحليل النتائج#

سيناريوهات الدقة العالية: يُظهر نموذج YOLOv7x أداءً قوياً، محققاً دقة mAP عالية تعد تنافسية لمهام الكشف المعقدة. وبينما يرتفع مستوى PP-YOLOE+x قليلاً في دقة mAP، فإنه يفعل ذلك مع زيادة كبيرة في المعلمات وعمليات FLOPs.
الكفاءة والسرعة: توفر المتغيرات الأصغر من PP-YOLOE+ (t و s) سرعات TensorRT منخفضة للغاية، مما يجعلها مناسبة جداً لعمليات النشر على الحافة حيث تكون قيود الأجهزة صارمة.
نقطة التوازن المثالية: يوفر نموذج YOLOv7l توازناً مقنعاً، حيث يوفر دقة mAP تتجاوز 51% مع الحفاظ على وقت استنتاج أقل من 7 مللي ثانية على وحدات معالجة الرسومات T4، مما يجعله خياراً قوياً لتطبيقات الخوادم القياسية في الوقت الفعلي.

التحسين للإنتاج

عند نشر هذه النماذج، يمكن أن يؤدي الاستفادة من تنسيقات التصدير مثل TensorRT أو ONNX إلى تقليل زمن الاستجابة بشكل كبير مقارنة بالاستنتاج الأصلي في PyTorch.

Link to this sectionميزة Ultralytics#

بينما يقدم كل من YOLOv7 وPP-YOLOE+ أداءً قياسياً قوياً، فإن تجربة التطوير ودعم النظام البيئي تعد بنفس القدر من الأهمية لنجاح المشروع.

Link to this sectionتجربة مستخدم انسيابية#

تعطي نماذج Ultralytics الأولوية لـ سهولة الاستخدام من خلال واجهة برمجة تطبيقات Python موحدة. على عكس PP-YOLOE+، الذي يتطلب التنقل في نظام PaddlePaddle البيئي وملفات التكوين الخاصة به، تسمح لك Ultralytics بالانتقال من التدريب إلى النشر بسلاسة.

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolov7.pt")

# Train the model effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export for optimized deployment
model.export(format="engine")  # TensorRT export

Link to this sectionكفاءة الموارد#

تتمثل إحدى نقاط القوة الرئيسية لنماذج Ultralytics YOLO في متطلبات الذاكرة المنخفضة أثناء التدريب والاستنتاج. تسمح هذه الكفاءة للباحثين والمطورين باستخدام أحجام دفعات أكبر على أجهزة المستهلك، مما يسرع عملية التدريب مقارنة بالنماذج الأثقل أو معماريات Transformer المعقدة مثل RT-DETR.

Link to this sectionالنظام البيئي وتعدد الاستخدامات#

يتميز نظام Ultralytics البيئي بكونه مُصاناً جيداً بشكل استثنائي، ويتميز بتحديثات متكررة، ووثائق شاملة، ودعم أصلي لمهام متنوعة تتجاوز الكشف القياسي. مع Ultralytics، يدعم إطار عمل واحد تجزئة المثيلات، وتقدير الوضعية، والتصنيف، وصناديق التحديد الموجهة (OBB)، مما يوفر تنوعاً لا مثيل له تفتقر إليه النماذج المنافسة غالباً.

Link to this sectionمستقبل الذكاء الاصطناعي للرؤية: YOLO26#

مع التطور السريع للرؤية الحاسوبية، ظهرت معماريات أحدث تعيد تعريف معايير السرعة والكفاءة. يمثل Ultralytics YOLO26، الذي تم إصداره في يناير 2026، ذروة هذا التطور وهو الخيار الموصى به بشدة لجميع المشاريع الجديدة.

ابتكارات YOLO26 الرئيسية:

تصميم من طرف إلى طرف خالٍ من NMS: يلغي YOLO26 معالجة ما بعد الكشف باستخدام كبت غير الأقصى (NMS). هذا النهج الأصلي الشامل يبسط منطق النشر بشكل كبير ويقلل من زمن الاستجابة المتغير، وهو اختراق تم تقديمه لأول مرة في YOLOv10.
أداء غير مسبوق على الحافة: من خلال إزالة خسارة التوزيع البؤري (DFL)، يحقق YOLO26 استنتاجاً على CPU أسرع بنسبة تصل إلى 43%، مما يجعله متفوقاً لأجهزة إنترنت الأشياء (IoT) وأجهزة الحافة مقارنة بالأجيال السابقة.
ديناميكيات تدريب متقدمة: يضمن دمج محسن MuSGD—المستوحى من ابتكارات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI—تدريباً أكثر استقراراً وتقارباً أسرع.
كشف فائق للأجسام الصغيرة: تعالج دوال الخسارة المحسنة، وتحديداً ProgLoss + STAL، نقاط الضعف التاريخية في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتطبيقات مثل الصور الجوية.

Link to this sectionتطبيقات العالم الحقيقي#

يعتمد الاختيار بين هذه المعماريات غالباً على بيئة النشر المحددة.

Link to this sectionمتى تختار PP-YOLOE+#

تكامل PaddlePaddle: إذا كانت بنيتك التحتية مدمجة بالفعل بعمق مع نظام Baidu البيئي PaddlePaddle، فإن PP-YOLOE+ يوفر توافقاً طبيعياً.
التفتيش الصناعي في آسيا: يُستخدم غالباً في مراكز التصنيع الآسيوية حيث يتم تكوين مجموعات الأجهزة والبرامج مسبقاً لأدوات Baidu.

Link to this sectionمتى تختار YOLOv7#

أنظمة مسرعة بواسطة GPU: تعمل بشكل استثنائي جيد على وحدات معالجة الرسومات الخاصة بالخوادم للمهام التي تتطلب إنتاجية عالية، مثل تحليل الفيديو.
تكامل الروبوتات: مثالي لـ دمج الرؤية الحاسوبية في الروبوتات، مما يسمح باتخاذ قرارات سريعة في البيئات الديناميكية.
البحث الأكاديمي: مدعوم على نطاق واسع ويُستخدم بشكل متكرر كقاعدة مرجعية موثوقة في الأبحاث القائمة على PyTorch.

بينما تحمل النماذج الأقدم أهمية تاريخية، فإن الانتقال إلى معماريات حديثة مثل YOLO26 أو YOLO11 عبر منصة Ultralytics يضمن الوصول إلى أحدث التحسينات، وأبسط مهام سير عمل التدريب، وأوسع دعم متعدد المهام متاح اليوم.

المساهمون

GLglenn-jocher¹³

تاريخ الإنشاء 27 يناير 2025تاريخ التحديث الأسبوع الماضي