YOLOv8 PP-YOLOE+: تقييم البنى الحديثة للكشف عن الأجسام في الوقت الفعلي

في مجال الرؤية الحاسوبية سريع التطور، يعد اختيار النموذج المناسب لاكتشاف الأجسام أمرًا بالغ الأهمية لتحقيق التوازن بين سرعة الاستدلال والدقة. وهناك نموذجان بارزان أثروا بشكل كبير على هذا المجال، وهما Ultralytics YOLOv8 و PP-YOLOE+. يقدم هذا الدليل مقارنة تقنية شاملة لمساعدة المطورين ومهندسي التعلم الآلي على فهم الفروق الدقيقة في هياكلها ومقاييس أدائها وسيناريوهات النشر المثالية.

Ultralytics YOLOv8: معيار النظام البيئي متعدد الاستخدامات

قدمت Ultralytics YOLOv8 أثبتت نفسها كحجر أساس لتطبيقات الرؤية على مستوى الإنتاج. وهي تستند إلى سنوات من الأبحاث الأساسية لتقديم أداء استثنائي في مختلف المهام.

المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
المؤسسة:Ultralytics
التاريخ: 2023-01-10
GitHub:Ultralytics Repository
الوثائق:وثائق YOLOv8

تعرف على المزيد حول YOLOv8

الابتكارات المعمارية والتنوع

YOLOv8 بتصميم عالي التحسين وخالي من المراسي، ويشتمل على رأس منفصل لمعالجة مهام الكائنات والتصنيف والانحدار بشكل مستقل. يؤدي هذا التحسين الهيكلي إلى تمثيل أفضل للميزات وتقارب أسرع أثناء التدريب.

على عكس العديد من النماذج المتخصصة، YOLOv8 تنوعًا لا مثيل له. بالإضافة إلى اكتشاف المربعات المحيطة، تدعم نفس البنية الموحدة وواجهة برمجة التطبيقات (API) بشكل أساسي تقسيم المثيلات وتصنيف الصور وتقدير الوضع والمربعات المحيطة الموجهة (OBB).

تطوير مبسط

يتيح Ultralytics الموحد للمطورين التبديل بسلاسة بين مهام الكشف والتجزئة والتتبع بمجرد تغيير أوزان النموذج، مما يقلل بشكل كبير من الديون التقنية.

PP-YOLOE+: PaddlePaddle

PP-YOLOE+ هو خطوة تطورية منYOLO السابقةYOLO ، وهو مصمم خصيصًا ليعمل بكفاءة على الأطر الداخلية لـ Baidu.

المؤلفون: مؤلفو PaddlePaddle
المؤسسة:بايدو
التاريخ: 2022-04-02
Arxiv:ورقة PP-YOLOE
GitHub:مستودع PaddleDetection
المستندات:تكوين PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

التركيز المعماري

قدم PP-YOLOE+ العمود الفقري CSPRepResNet ونفذ Efficient Task-aligned Head (ET-head) لتحسين دقة الكشف. وهو يعتمد بشكل كبير على PaddlePaddle للتعلم العميق. على الرغم من أنه يحقق دقة عالية في مجموعات البيانات القياسية مثل COCO إلا أن بنيته مرتبطة بشكل كبير بنظم بيئية محددة، مما يجعل من الصعب دمجه في PyTorch أو TensorFlow الشائعة في مجتمع الذكاء الاصطناعي الأوسع.

مقارنة الأداء والمقاييس

عند نشر النماذج على الأجهزة الطرفية أو خوادم السحابة، من الضروري تحقيق التوازن بين الدقة (mAP) والسرعة وعدد المعلمات. تشتهر Ultralytics بمتطلباتها المنخفضة من الذاكرة أثناء التدريب وسرعات الاستدلال الفائقة.

فيما يلي جدول مقارنة مفصل للنماذج التي تم تقييمها على COCO .

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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 المقايضات

في حين أن نموذج PP-YOLOE+x يتفوق YOLOv8x على YOLOv8x في mAP الخام mAP 54.7 مقابل 53.9)، إلا أنه يأتي بتكلفة باهظة تبلغ حوالي 30 مليون معلمة إضافية.YOLOv8 Ultralytics YOLOv8 نسبة معلمات إلى دقة أعلى بكثير. YOLOv8n خفيف الوزن سوى 3.2 مليون معلمة و 8.7 مليار FLOPs، مما يجعله أكثر كفاءة بشكل ملحوظ للبيئات المحدودة الموارد من أصغر متغير PP-YOLOE+.

علاوة على ذلك، تتفوق YOLO بشكل كبير على البنى القائمة على المحولات الكبيرة من حيث استخدام الذاكرة أثناء التدريب. غالبًا ما تتطلب النماذج ذات البصمة CUDA العالية أجهزة باهظة الثمن، في حين YOLOv8 عمليات تدريب عالية الكفاءة على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين.

النظام البيئي وسهولة الاستخدام والنشر

يكمن العامل الحقيقي الذي يميز بين هذه البنى في تجربة المستخدم.

منصة Ultralytics نظامًا بيئيًا جيد الصيانة يزيل الاحتكاك في عمليات التعلم الآلي. وهي توفر واجهة برمجة تطبيقات (API) بسيطة للغاية، ووثائق شاملة، وأدوات أصلية لتسجيل البيانات، وضبط المعلمات الفائقة، والتصدير عبر الأنظمة الأساسية. سواء كنت بحاجة إلى النشر عبر ONNXأو TensorRTأو CoreML، فإن Ultralytics معها بسلاسة.

على العكس من ذلك، غالبًا ما يتطلب PP-YOLOE+ معرفة عميقة PaddlePaddle . قد يكون تحويل هذه النماذج لتعمل بكفاءة على NVIDIA القياسية أو الأجهزة الطرفية خارج نظام Baidu للأجهزة عملية معقدة ومتعددة الخطوات تفتقر إلى الأتمتة المبسطة الموجودة في Ultralytics .

كفاءة التدريب مع Ultralytics

لا يتطلب تدريب Ultralytics أي كود نمطي تقريبًا. فيما يلي مثال عملي كامل يوضح مدى سهولة تدريب YOLOv8 في Python:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Quickly export the trained model for TensorRT deployment
model.export(format="engine", device=0)

حالات الاستخدام والتوصيات

يعتمد الاختيار بين YOLOv8 PP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOv8

YOLOv8 خيار قوي لـ:

نشر متعدد المهام متعدد الاستخدامات: المشاريع التي تتطلب نموذجًا مثبتًا للكشف والتجزئة والتصنيف وتقدير الوضع داخل نظام Ultralytics .
أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية بالفعل على YOLOv8 مع خطوط إنتاج مستقرة ومختبرة جيدًا.
دعم واسع من المجتمع والنظام البيئي: تطبيقات تستفيد من البرامج التعليمية الشاملة YOLOv8OLOv8، وعمليات الدمج مع أطراف ثالثة، وموارد المجتمع النشطة.

متى تختار PP-YOLOE+

يوصى باستخدام PP-YOLOE+ في الحالات التالية:

تكاملPaddlePaddle : المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار عمل وأدوات PaddlePaddle من Baidu.
نشر Paddle Lite Edge: النشر على الأجهزة باستخدام نوى استدلال محسّنة للغاية خصيصًا لمحرك الاستدلال Paddle Lite أو Paddle.
الكشف عالي الدقة من جانب الخادم: سيناريوهات تعطي الأولوية لأقصى دقة في الكشف على GPU قوية حيث لا تشكل تبعية إطار العمل مشكلة.

متى تختار Ultralytics YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:

نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

التطلع إلى المستقبل: ميزة YOLO26

لأولئك الذين يتطلعون إلى بناء تطبيقات مستقبلية، فإن الإصدار الأخير من Ultralytics الذي تم إصداره مؤخرًا يمثل قمة الرؤية الحاسوبية الحديثة. تم إصداره في يناير 2026، وهو يحل محل كل من YOLOv8 YOLO11 من خلال تقديم ميزات رائدة:

تصميم شامل NMS: يلغي YOLO26 بشكل أساسي الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression، مما يقلل بشكل كبير من تقلب زمن الاستجابة ويبسط منطق النشر.
MuSGD Optimizer: من خلال دمج ابتكارات تدريب LLM في الذكاء الاصطناعي للرؤية، يضمن هذا المزيج من SGD Muon ديناميكيات تدريب مستقرة بشكل لا يصدق وتقارب أسرع.
CPU أسرع بنسبة تصل إلى 43٪ CPU : من خلال إزالة Distribution Focal Loss (DFL)، يوفر YOLO26 سرعة لا مثيل لها على الأجهزة المتطورة ووحدات المعالجة المركزية القياسية، مما يجعله مثاليًا لتطبيقات إنترنت الأشياء والتطبيقات المحمولة.
ProgLoss + STAL: توفر وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو مطلب أساسي لتحليلات الطائرات بدون طيار والصور الجوية.

توصية بالترقية

بينما YOLOv8 خيارًا قويًا ومدعومًا بشكل كبير، فإن YOLO26 هو البنية الموصى بها لجميع المشاريع المؤسسية والبحثية الجديدة، حيث يوفر دقة فائقة واستدلالًا أسرع على الحافة ومعالجة أصلية من البداية إلى النهاية.

الخلاصة

لقد دفع كل من YOLOv8 PP-YOLOE+ حدود الكشف في الوقت الفعلي. ومع ذلك، بالنسبة للغالبية العظمى من المطورين والباحثين، Ultralytics YOLOv8— وخليفته YOLO26— الخيار الأفضل. يضمن الجمع بين واجهة برمجة تطبيقات بديهية ومجتمع مفتوح المصدر نشط ومتطلبات ذاكرة تدريب أقل وإطار عمل موحد متعدد الاستخدامات أن يكون مسارك من إنشاء مجموعة البيانات إلى نشر الإنتاج سلسًا وفعالًا قدر الإمكان.