YOLOv8 مقابل PP-YOLOE+
في مجال الرؤية الحاسوبية سريع التطور، يُعد اختيار النموذج المناسب لـاكتشاف الأجسام أمرًا بالغ الأهمية لتحقيق التوازن بين سرعة الاستدلال والدقة. ومن أبرز النماذج التي تركت أثرًا كبيرًا في المجال Ultralytics YOLOv8 وPP-YOLOE+. ويقدم هذا الدليل مقارنة تقنية لمساعدة المطورين ومهندسي تعلّم الآلة على فهم تفاصيل بنيتيهما ومقاييس الأداء وسيناريوهات النشر المثلى.
Ultralytics YOLOv8: المعيار متعدد الاستخدامات للمنظومة#
قدمت Ultralytics نموذج YOLOv8، الذي انتشر سريعًا في تطبيقات الرؤية الإنتاجية، مستفيدًا من سنوات من أبحاث YOLO لتقديم أداء قوي عبر مهام متعددة.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: مستودع Ultralytics
- الوثائق: وثائق YOLOv8
الابتكارات المعمارية وتعدد الاستخدامات#
يتميز YOLOv8 بتصميم خالٍ من المراسي، ويضم رأسًا مفصولًا لمعالجة مهام التصنيف والانحدار كلًا على حدة. ويؤدي هذا التحسين البنيوي إلى تمثيل أفضل للسمات وتقارب أسرع أثناء التدريب.
على خلاف كثير من النماذج المتخصصة، يدعم YOLOv8 مهام متعددة. فإلى جانب اكتشاف مربعات الإحاطة، تدعم البنية الموحدة وواجهة API نفسيهما أصيلًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات ومربعات الإحاطة الموجّهة (OBB).
يتيح نظام Ultralytics الموحد للمطورين التبديل بين مهام الكشف والتجزئة وتقدير الوضعيات عبر تغيير أوزان النموذج، ما يقلل الدين التقني.
PP-YOLOE+: كشف بلا مراسٍ في PaddlePaddle#
يمثل PP-YOLOE+ تطورًا عن إصدارات PP-YOLO السابقة، وقد صُمم للعمل بكفاءة ضمن إطار عمل Baidu المسمى PaddlePaddle.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- arXiv: ورقة PP-YOLOE
- GitHub: مستودع PaddleDetection
- الوثائق: إعداد PP-YOLOE+
تعرّف على المزيد حول PP-YOLOE+
التركيز المعماري#
قدّم PP-YOLOE+ العمود الفقري CSPRepResNet، وطبّق الرأس الفعّال المتوافق مع المهام (ET-head) لتحسين دقة الكشف. ويعتمد اعتمادًا كبيرًا على إطار التعلم العميق PaddlePaddle. وعلى الرغم من تحقيقه دقة عالية على مجموعات بيانات المعايير القياسية مثل مجموعة بيانات COCO، فإن تنفيذه مرتبط بمنظومة PaddlePaddle، ما قد يجعل دمجه في مسارات PyTorch أو TensorFlow القياسية الشائعة في مجتمع الذكاء الاصطناعي الأوسع أمرًا صعبًا.
مقارنة الأداء والمقاييس#
عند نشر النماذج على الأجهزة الطرفية أو الخوادم السحابية، تكون الموازنة بين الدقة (mAP) والسرعة وعدد المعلمات أمرًا بالغ الأهمية. وتشتهر نماذج Ultralytics بانخفاض متطلبات الذاكرة أثناء التدريب وسرعة الاستدلال.
فيما يلي جدول مقارنة مفصل للنماذج التي جرى تقييمها على COCO val2017.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 165.1 |
| 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 المفاضلات#
يتفوق PP-YOLOE+x على YOLOv8x قليلًا في mAP (54.7 مقابل 53.9)، لكنه يحتاج إلى أكثر من 30 مليون معلمة إضافية. وفي الحجمين الصغير والمتوسط، يتقارب أداء العائلتين؛ إذ يستخدم PP-YOLOE+ عمليات FLOPs أقل، بينما لا يعرض هذا الجدول سرعات CPU باستخدام ONNX إلا لـYOLOv8. ولا يحتاج YOLOv8n خفيف الوزن سوى إلى 3.2M معلمة و8.7B من عمليات FLOPs، ما يجعله أصغر نموذج في هذه المقارنة، مع أن PP-YOLOE+t يحقق قيمة mAP أعلى (39.9 مقابل 37.3) باستخدام 4.85M معلمة.
تستهلك نماذج YOLO عادةً ذاكرة أقل أثناء التدريب مقارنةً ببنى المحولات الكبيرة أيضًا. وغالبًا ما تتطلب النماذج ذات البصمة الكبيرة لذاكرة CUDA أجهزة باهظة الثمن، بينما يُدرّب YOLOv8 بكفاءة على وحدات GPU استهلاكية.
المنظومة وسهولة الاستخدام والنشر#
تُعد تجربة المستخدم من أبرز أوجه الاختلاف بين هاتين البنيتين.
تشكل منصة Ultralytics وحزمة Python نظامًا بيئيًا يحظى بصيانة جيدة، ويقلل صعوبات عمليات تعلّم الآلة. وهما توفران واجهة API بسيطة ووثائق شاملة وأدوات أصلية لتسجيل البيانات وضبط المعلمات الفائقة والتصدير عبر المنصات. وسواء احتجت إلى النشر عبر ONNX أو TensorRT أو CoreML، تتولى Ultralytics التحويل.
وعلى النقيض، يتطلب PP-YOLOE+ غالبًا معرفة عميقة بإطار PaddlePaddle. وقد يكون تحويل هذه النماذج لتعمل بكفاءة على وحدات GPU من NVIDIA القياسية أو الأجهزة الطرفية خارج منظومة Paddle عملية متعددة الخطوات، في غياب أتمتة التصدير المتاحة في أدوات Ultralytics.
كفاءة التدريب مع Ultralytics#
يتطلب تدريب نموذج Ultralytics قدرًا ضئيلًا جدًا من الشيفرات النمطية. ويدرّب المثال التالي نموذج YOLOv8 باستخدام Python ويصدره إلى TensorRT:
from ultralytics import YOLO
# تحميل نموذج YOLOv8 صغير مدرّب مسبقًا
model = YOLO("yolov8s.pt")
# تدريب النموذج على مجموعة البيانات التجريبية COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# تصدير النموذج المدرّب بسرعة للنشر باستخدام TensorRT
model.export(format="engine", device=0)حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv8 وPP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.
متى تختار YOLOv8#
يُعد YOLOv8 خيارًا قويًا لـ:
- نشر مرن متعدد المهام: مشاريع تتطلب نموذجًا مثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعيات ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار PP-YOLOE+#
يوصى باستخدام PP-YOLOE+ في الحالات التالية:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تعتمد بنيتها التحتية الحالية على إطار عمل PaddlePaddle وأدواته من Baidu.
- النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
- اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
نظرة مستقبلية: ميزة YOLO26#
للتطبيقات الجديدة، يتفوق Ultralytics YOLO26، الذي صدر في يناير 2026، على YOLOv8 وYOLO11 بفضل الميزات التالية:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يتيح الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) الاستغناء عن معالجة NMS اللاحقة، ما يقلل تفاوت زمن الاستجابة ويبسّط منطق النشر. - محسّن MuSGD: يجلب هذا المزيج الهجين من SGD وMuon تقنيات تدريب نماذج اللغة الكبيرة إلى الذكاء الاصطناعي للرؤية، ويوفر تدريبًا أكثر استقرارًا وتقاربًا أسرع.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة خسارة البؤرة التوزيعية (DFL) وتخفيف رأس الكشف، يعمل YOLO26n بسرعة تصل إلى 43% أعلى من YOLO11n على CPU، ما يجعله مناسبًا لتطبيقات إنترنت الأشياء والأجهزة المحمولة.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المدرك للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة، وهو مطلب بالغ الأهمية لتحليلات الطائرات المسيّرة والصور الجوية.
مع أن YOLOv8 لا يزال خيارًا قويًا ومدعومًا جيدًا، فإن YOLO26 هو البنية الموصى بها للمشاريع الجديدة في المؤسسات والأبحاث، إذ يوفر دقة أعلى واستدلالًا أسرع على CPU ومعالجة أصلية شاملة من البداية إلى النهاية.
الخلاصة#
أسهم كل من YOLOv8 وPP-YOLOE+ في تطوير الكشف في الزمن الحقيقي. لكن Ultralytics YOLOv8 وخليفته YOLO26 هما الخيار العملي أكثر لمعظم المطورين والباحثين؛ إذ تبسّط واجهة API البديهية والمجتمع النشط مفتوح المصدر ومتطلبات الذاكرة الأقل أثناء التدريب والإطار الموحد متعدد المهام الانتقال من إنشاء مجموعات البيانات إلى النشر الإنتاجي.
التعليقات1
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
godm4352(تم التعديل)
Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.