YOLOv7 مقابل PP-YOLOE+#

عند تقييم نماذج الرؤية الحاسوبية الحديثة لخطوط الإنتاج، غالبًا ما يوازن المطورون بين مزايا البنى المختلفة. ومن أبرز النماذج في مجال اكتشاف الكائنات YOLOv7 وPP-YOLOE+. يقدم هذا الدليل مقارنة تقنية مفصلة لبناها، ومقاييس أائها، وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير لمشروعك القادم في الرؤية الحاسوبية.

الابتكارات المعمارية#

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

أبرز 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
المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
التاريخ: 2022-07-06
رابط Arxiv: https://arxiv.org/abs/2207.02696

اعرف المزيد عن YOLOv7

أبرز 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
المنظمة: بايدو (Baidu)
التاريخ: 2022-04-02
رابط Arxiv: https://arxiv.org/abs/2203.16250

تعرف على المزيد حول PP-YOLOE+

مقاييس 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

تحليل 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 الوصول بشكل كبير مقارنة بالاستدلال الأصلي لـ PyTorch.

ميزة Ultralytics#

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

تجربة 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

كفاءة الموارد#

تتمثل إحدى النقاط القوية الرئيسية لنماذج Ultralytics YOLO في متطلبات الذاكرة المنخفضة أثناء التدريب والاستدلال. تتيح هذه الكفاءة للباحثين والمطورين استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية، مما يسرع عملية التدريب مقارنة بالنماذج الأثقل أو بنى Transformer المعقدة مثل RT-DETR.

النظام البيئي وتعدد الاستخدامات#

تتميز بيئة Ultralytics بكونها مدعومة جيدًا بشكل استثنائي، حيث تضم تحديثات متكررة، ووثائق شاملة، ودعمًا أصليًا لمهام متنوعة تتجاوز الاكتشاف القياسي. مع Ultralytics، يدعم إطار عمل واحد تجزيء المثيلات، وتقدير الوضعية، والتصنيف، ومربعات الإحاطة الموجهة (OBB)، مما يوفر مرونة لا تضاهى تفتقر إليها غالبية النماذج المنافسة.

مستقبل الذكاء الاصطناعي للرؤية: YOLO26#

مع تطور الرؤية الحاسوبية بسرعة، ظهرت بنى أحدث تعيد تحديد معايير السرعة والكفاءة. يمثل Ultralytics YOLO26، الذي تم إصداره في يناير 2026، ذروة هذا التطور وهو الخيار الموصى بشدة به لجميع المشاريع الجديدة.

ابتكارات YOLO26 الرئيسية:

تصميم خالٍ من المعالجة اللاحقة لقمع الحد الأقصى غير الضروري (NMS-Free) وشامل من البداية إلى النهاية: يلغي YOLO26 المعالجة اللاحقة لقمع الحد الأقصى غير الضروري (NMS). تبسط هذه المقارنة الشاملة بطبيعتها منطق النشر وتقلل من زمن الوصول المتغير، وهو إنجاز رائد 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.
اكتشاف متفوق للكائنات الصغيرة: تعالج دالات الخسارة المحسنة، وتحديدًا ProgLoss + STAL، نقاط الضعف التاريخية في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لتطبيقات مثل الصور الجوية.

تطبيقات العالم الحقيقي#

يعتمد الاختيار بين هذه المعماريات غالباً على بيئة النشر المحددة.

متى 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.

متى تختار YOLOv7#

أنظمة تسريع وحدات معالجة الرسومات (GPU): أداء استثنائي على وحدات معالجة الرسومات على مستوى الخوادم للمهام التي تتطلب إنتاجية عالية، مثل تحليلات الفيديو.
تكامل الروبوتات: مثالي لـ دمج الرؤية الحاسوبية في الروبوتات، مما يتيح اتخاذ قرارات سريعة في البيئات الديناميكية.
البحث الأكاديمي: مدعوم على نطاق واسع ويُستخدم بشكل متكرر كقاعدة مرجعية موثوقة في الأبحاث القائمة على PyTorch.

بينما تحتفظ النماذج الأقدم بأهمية تاريخية، فإن الانتقال إلى البنى الحديثة مثل YOLO26 أو YOLO11 عبر منصة Ultralytics يضمن الوصول إلى أحدث التحسينات، وأبسط سير عمل للتدريب، وأوسع دعم للمهام المتعددة المتاح اليوم.

المساهمون

GLglenn-jocher¹⁴

تم الإنشاء 27 يناير 2025تم التحديث أول أمس