مقارنة YOLOv7 وPP-YOLOE+#

عند تقييم نماذج رؤية حاسوبية متقدمة لتدفقات العمل الإنتاجية، يوازن المطورون غالبًا بين مزايا البنى المختلفة. ومن النماذج البارزة في مجال اكتشاف الأجسام YOLOv7 وPP-YOLOE+. يقدم هذا الدليل مقارنة تقنية مفصلة لبنيتهما ومقاييس أدائهما وسيناريوهات النشر المثالية، لمساعدتك على اتخاذ قرار مستنير بشأن مشروع الرؤية الحاسوبية التالي.

الابتكارات المعمارية#

يُعد فهم الاختلافات البنيوية الأساسية بين هذين النموذجين أمرًا بالغ الأهمية للتنبؤ بكيفية تصرفهما أثناء التدريب والاستدلال.

أبرز ملامح بنية YOLOv7#

قدم YOLOv7 عدة تحسينات رئيسية مصممة لرفع الدقة دون زيادة تكاليف الاستدلال بدرجة كبيرة.

شبكات تجميع الطبقات الفعالة الموسعة (E-ELAN): تتحكم هذه البنية في أقصر مسارات التدرج وأطولها. ومن خلال ذلك، تتيح للشبكة تعلم ميزات أكثر تنوعًا وتحسن القدرة الكلية على التعلم دون تدمير مسار التدرج الأصلي.
استراتيجيات تحجيم النموذج: يستخدم YOLOv7 تحجيمًا مركبًا للنموذج، إذ يضبط العمق والعرض في الوقت نفسه مع وصل الطبقات للحفاظ على بنية معمارية مثالية عبر الأحجام المختلفة.
مجموعة المزايا القابلة للتدريب: دمج المؤلفون طريقة التفاف معادَة المعلمات (RepConv) من دون وصلات هوية، ما يعزز سرعة الاستدلال بدرجة كبيرة دون المساس بالقدرة التنبؤية للنموذج.

تفاصيل YOLOv7:

المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
التاريخ: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696

تعرف على المزيد حول YOLOv7

أبرز ملامح بنية PP-YOLOE+#

طوّرته Baidu ضمن منظومة PaddlePaddle، ويبني PP-YOLOE+ على سلفه PP-YOLOv2، مع تركيز كبير على المنهجيات الخالية من المراسي وتحسين تمثيلات الميزات.

التصميم الخالي من المراسي: بخلاف الأساليب القائمة على المراسي، يبسط هذا التصميم رأس التنبؤ ويقلل عدد المعلمات الفائقة، ما يجعل ضبط النموذج لمجموعات البيانات المخصصة أسهل.
الهيكل الأساسي CSPRepResNet: يدمج هذا الهيكل وصلات متبقية وشبكات جزئية عابرة للمراحل لتحسين قدرات استخراج الميزات مع الحفاظ على الكفاءة الحسابية.
تعلم مواءمة المهام (TAL): يستخدم PP-YOLOE+ رأس ET-head (الرأس الفعال المتوافق مع المهام) لمواءمة مهمتَي التصنيف وتحديد الموقع بصورة أفضل، ومعالجة عنق زجاجة شائع في الكواشف أحادية المرحلة.

تفاصيل PP-YOLOE+:

المؤلفون: مؤلفو PaddlePaddle
الجهة: Baidu
التاريخ: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250

تعرف على المزيد حول PP-YOLOE+

مقاييس الأداء والمعايير المرجعية#

غالبًا ما يعتمد اختيار النموذج المناسب على القيود المحددة لأجهزتك ومتطلبات زمن الاستجابة. يوضح الجدول أدناه المفاضلات بين الدقة (mAP) والسرعة وتعقيد النموذج.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (مللي ثانية)}	السرعة ^{T4 TensorRT10 (مللي ثانية)}	المعاملات ^(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: يحقق YOLOv7x أداءً قويًا، إذ يبلغ mAP مرتفعًا ينافس النماذج المناسبة لمهام الاكتشاف المعقدة. وعلى الرغم من أن PP-YOLOE+x يحقق mAP أعلى قليلًا، فإنه يفعل ذلك مع زيادة كبيرة في عدد المعلمات وFLOPs.
الكفاءة والسرعة: توفر الإصدارات الأصغر من PP-YOLOE+ (t وs) أزمنة استدلال منخفضة للغاية على TensorRT، ما يجعلها مناسبة جدًا لعمليات النشر على الحافة حيث تكون قيود الأجهزة صارمة.
النقطة المثلى: يحقق YOLOv7l توازنًا مقنعًا، إذ يوفر mAP يتجاوز 51% مع الحفاظ على زمن استدلال يقل عن 7 مللي ثانية على وحدات GPU من طراز T4، ما يجعله خيارًا قويًا لتطبيقات الخوادم القياسية الآنية.

التحسين من أجل الإنتاج

عند نشر هذه النماذج، يمكن للاستفادة من تنسيقات التصدير مثل TensorRT أو ONNX أن تقلل زمن الاستجابة بدرجة كبيرة مقارنة بالاستدلال الأصلي باستخدام PyTorch.

ميزة Ultralytics#

على الرغم من أن YOLOv7 وPP-YOLOE+ يقدمان أداءً قويًا في الاختبارات المعيارية، فإن تجربة التطوير ودعم المنظومة عاملان بالقدر نفسه من الأهمية لنجاح المشروع.

تجربة مستخدم مبسطة#

تعطي نماذج Ultralytics الأولوية لـسهولة الاستخدام من خلال واجهة Python موحدة. وبخلاف PP-YOLOE+، الذي يتطلب التعامل مع منظومة PaddlePaddle وملفات إعداداتها الخاصة، تتيح لك Ultralytics الانتقال بسلاسة من التدريب إلى النشر.

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 نقاط القوة الرئيسية لنماذج Ultralytics YOLO في انخفاض متطلبات الذاكرة أثناء التدريب والاستدلال على حد سواء. وتتيح هذه الكفاءة للباحثين والمطورين استخدام أحجام دفعات أكبر على الأجهزة المخصصة للمستهلكين، وتسريع عملية التدريب مقارنة بالنماذج الأثقل أو ببنى Transformer المعقدة مثل RT-DETR.

المنظومة البيئية وتعدد الاستخدامات#

تتميز منظومة Ultralytics بأنها مُصانة جيدًا على نحو استثنائي، إذ توفر تحديثات متكررة ووثائق شاملة ودعمًا أصليًا لمهام متنوعة تتجاوز الاكتشاف القياسي. ومع Ultralytics، يدعم إطار عمل واحد تقسيم الكائنات وتقدير الوضعية والتصنيف والصناديق المحيطة الموجهة (OBB)، مما يوفر مرونة لا مثيل لها تفتقر إليها النماذج المنافسة غالبًا.

مستقبل الذكاء الاصطناعي للرؤية: YOLO26#

مع التطور السريع للرؤية الحاسوبية، ظهرت بنى أحدث تعيد تعريف معايير السرعة والكفاءة. أُطلق Ultralytics YOLO26 في يناير 2026، ويمثل ذروة هذا التطور، كما أنه الخيار الموصى به بشدة لجميع المشاريع الجديدة.

أبرز ابتكارات YOLO26:

تصميم شامل خالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة للقمع غير الأقصى (NMS). ويبسّط هذا النهج الشامل من البداية إلى النهاية منطق النشر بدرجة كبيرة ويقلل زمن الاستجابة المتغير، وهو إنجاز طُرح للمرة الأولى في YOLOv10.
أداء غير مسبوق على الحافة: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استدلالًا أسرع على CPU بنسبة تصل إلى 43%، مما يجعله متفوقًا للأجهزة المتصلة بإنترنت الأشياء والأجهزة الطرفية مقارنة بالأجيال السابقة.
ديناميكيات تدريب متقدمة: يضمن دمج محسّن MuSGD—المستوحى من ابتكارات النماذج اللغوية الكبيرة مثل Kimi K2 من Moonshot AI—تدريبًا أكثر استقرارًا وتقاربًا أسرع.
اكتشاف متفوق للأجسام الصغيرة: تعالج دوال الخسارة المحسّنة، وتحديدًا ProgLoss + STAL، نقاط الضعف التاريخية في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتطبيقات مثل الصور الجوية.

التطبيقات الواقعية#

غالبًا ما يعتمد الاختيار بين هذه البنى على بيئة النشر المحددة.

متى تختار PP-YOLOE+#

تكامل PaddlePaddle: إذا كانت بنيتك التحتية مدمجة بالفعل بعمق مع منظومة PaddlePaddle التابعة لـBaidu، فإن PP-YOLOE+ يوفر توافقًا أصليًا.
الفحص الصناعي في آسيا: يُستخدم غالبًا في مراكز التصنيع الآسيوية حيث تكون حزم الأجهزة والبرمجيات مهيأة مسبقًا لأدوات Baidu.

متى تختار YOLOv7#

الأنظمة المسرّعة بوحدات GPU: يحقق أداءً استثنائيًا على وحدات GPU المخصصة للخوادم في المهام التي تتطلب معدل نقل عاليًا، مثل تحليلات الفيديو.
التكامل مع الروبوتات: مثالي لـدمج الرؤية الحاسوبية في الروبوتات، مما يتيح اتخاذ قرارات سريعًا في البيئات الديناميكية.
البحث الأكاديمي: يحظى بدعم واسع ويُستخدم كثيرًا كخط أساس موثوق في الأبحاث القائمة على PyTorch.

رغم الأهمية التاريخية للنماذج الأقدم، فإن الانتقال إلى بنى حديثة مثل YOLO26 أو YOLO11 عبر منصة Ultralytics يضمن الوصول إلى أحدث التحسينات، وأبسط تدفقات عمل التدريب، وأوسع دعم متاح اليوم للمهام المتعددة.

المساهمون

GLglenn-jocher¹⁵

تاريخ الإنشاء 27 يناير 2025تاريخ التحديث قبل أسبوعين