YOLOv10 YOLOv5: مقارنة تقنية شاملة

يُعد اختيار بنية الشبكة العصبية الصحيحة أمرًا بالغ الأهمية لنشر خطوط أنابيب رؤية الكمبيوتر الناجحة في بيئات الإنتاج. تقدم هذه الصفحة تحليلًا تقنيًا متعمقًا يقارن بين YOLOv10 و YOLOv5، وهما نموذجان مؤثران للغاية في تطور اكتشاف الكائنات في الوقت الفعلي. وبينما أحدث كلا النموذجين تأثيرات كبيرة في مجتمع الذكاء الاصطناعي، فإنهما يمثلان حقبًا وفلسفات مختلفة في تصميم بنية التعلم العميق.

يقيّم هذا الدليل هذه البنى بناءً على متوسط الدقة (mAP) ووقت استجابة الاستدلال وكفاءة المعلمات ودعم النظام البيئي، مما يساعدك على اختيار أفضل نموذج يلبي احتياجاتك في مجال النشر.

نظرات عامة على النموذج

YOLOv10: الكشف الشامل عن الأجسام في الوقت الفعلي

طور باحثون في جامعة تسينغهوا YOLOv10 ، YOLOv10 نهجًا جديدًا لاكتشاف الأجسام من خلال التخلص من الحاجة إلى المعالجة اللاحقة.

• المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
• المؤسسة:جامعة تسينغ - هوا
• التاريخ: 2024-05-23
• ورقة بحثية:arXiv:2405.14458
• الكود المصدري:مستودع YOLOv10 على GitHub

الإنجاز البارز في YOLOv10 تصميمه الشامل NMS. تاريخياً، كانت YOLO تعتمد على تقنية Non-Maximum Suppression (NMS) لتصفية المربعات المحددة الزائدة. YOLOv10 مهام مزدوجة متسقة للتدريب NMS، مما يقلل بشكل كبير من تباين زمن الاستدلال ويبسط منطق النشر. بالإضافة إلى ذلك، تتميز البنية بتصميم شامل قائم على الكفاءة والدقة يعمل على تحسين المكونات المختلفة بشكل شامل لتقليل التكرار الحسابي.

تعرف على المزيد حول YOLOv10

YOLOv5: المعيار الصناعي للاستخدام

تم إصدار YOLOv5 بعد فترة وجيزة من إنشاءPyTorch Ultralytics PyTorch YOLOv5 ما يتوقعه المطورون من إطار عمل الذكاء الاصطناعي المفتوح المصدر. ولا يزال أحد أكثر البنى الهندسية انتشارًا على مستوى العالم.

• المؤلف: جلين جوتشر
• المؤسسة:Ultralytics
• التاريخ: 2020-06-26
• الكود المصدري:مستودع YOLOv5 على GitHub

YOLOv5 بسهولة استخدامه ونظامه البيئي الذي يتم صيانته جيدًا. تمت كتابته بالكامل PyTorch ويوفر تجربة سلسة "من الصفر إلى القمة" مع دعم جاهز للتدريب والتحقق والتصدير إلى تنسيقات مثل ONNX و TensorRT. على عكس YOLOv10 الذي يركز بشكل أساسي على الكشف عن الكائنات البحتة، YOLOv5 تنوعًا استثنائيًا، حيث يدعم تقسيم المثيلات وتصنيف الصور ضمن نفس Python الموحدة.

تعرف على المزيد حول YOLOv5

مقارنة الأداء والمقاييس

يعد تصور العلاقة بين السرعة والدقة أمرًا ضروريًا لتحديد النماذج التي توفر أفضل دقة لقيود السرعة المحددة. إن فهم مقاييس الأداء هذه أمر أساسي لاختيار نموذج يتوافق مع قيود الأجهزة المحددة لديك.

التحليل الفني

1. الدقة (mAP): يُظهر YOLOv10 ميزة جيلية واضحة في الدقة. على سبيل المثال، يحقق نموذج YOLOv10-X دقة mAP^val بنسبة 54.4%، متفوقًا على YOLOv5x (50.7% mAP). يعود هذا التقدم الكبير بشكل أساسي إلى استراتيجية التدريب الخالية من NMS والتحسينات المعمارية التي قُدمت في عام 2024.
2. زمن استجابة الاستدلال: بينما تُعد نماذج YOLOv5 سريعة بشكل استثنائي في اختبارات TensorRT الأولية على T4 (على سبيل المثال، YOLOv5n بسرعة 1.12 مللي ثانية)، فإن YOLOv10 يلغي خطوة NMS للمعالجة اللاحقة بالكامل. في عمليات النشر العملية الشاملة، يوفر تصميم YOLOv10 الخالي من NMS زمن استجابة أكثر اتساقًا وتحديدًا، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي مثل المركبات ذاتية القيادة والروبوتات.
3. كفاءة المعلمات: تحافظ نماذج YOLOv10 على توازن أداء تنافسي للغاية. يحقق YOLOv10-S نسبة mAP تبلغ 46.7% باستخدام 7.2 مليون معلمة فقط، بينما يحقق YOLOv5s نسبة mAP تبلغ 37.4% باستخدام 9.1 مليون معلمة.

حالات الاستخدام والتوصيات

يعتمد الاختيار بين YOLOv10 و YOLOv5 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv10

YOLOv10 خيار قوي لـ:

• detect في الوقت الفعلي خالٍ من NMS: التطبيقات التي تستفيد من detect الشامل دون التثبيط غير الأقصى، مما يقلل من تعقيد النشر.
• مقايضات متوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الكشف عبر مقاييس النماذج المختلفة.
• تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حاسمة، مثل الروبوتات أو الأنظمة المستقلة.

متى تختار YOLOv5

YOLOv5 في الحالات التالية:

• أنظمة الإنتاج المثبتة: العمليات المنشورة الحالية حيث تُقدر سجل YOLOv5 الطويل في الاستقرار، والتوثيق الشامل، والدعم المجتمعي الهائل.
• التدريب محدود الموارد: البيئات ذات موارد GPU المحدودة حيث تكون خطة تدريب YOLOv5 الفعالة ومتطلبات الذاكرة الأقل مفيدة.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX وTensorRT وCoreML وTFLite.

متى تختار Ultralytics YOLO26)

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

• نشر طرفي خالٍ من NMS: التطبيقات التي تتطلب استدلالًا متسقًا ومنخفض زمن الوصول دون تعقيد معالجة ما بعد التثبيط غير الأقصى.
• بيئات CPU فقط: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث يوفر استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث تعزز ProgLoss و STAL الدقة بشكل كبير في الأجسام متناهية الصغر.

ميزة Ultralytics

بينما YOLOv10 قدرات كشف ممتازة، فإن الاعتماد على المستودعات الأكاديمية قد يؤدي في بعض الأحيان إلى تعقيد خطوط الإنتاج. باستخدام Python Ultralytics Python الرسمية، يمكنك الوصول إلى نظام بيئي موحد يدعم كل YOLOv5 YOLOv10 إلى جانب ميزات متقدمة.

• كفاءة التدريب: تم تحسين معماريات Ultralytics YOLO بشكل عميق لمتطلبات ذاكرة أقل أثناء التدريب. على عكس نماذج المحولات الثقيلة (مثل RT-DETR) التي تتطلب ذاكرة CUDA هائلة، يمكنك تدريب YOLOv5 و YOLOv10 بشكل مريح على وحدات GPU الاستهلاكية القياسية.
• تكامل النظام البيئي: يتيح التكامل مع منصة Ultralytics للمطورين إدارة مجموعات البيانات بصريًا، وtrack التجارب باستخدام Weights & Biases، وضبط المعلمات الفائقة تلقائيًا.

مثال على الكود: تدريب سلس

باستخدام Ultralytics يمكن التبديل بين هذه البنى الهندسية ببساطة عن طريق تغيير سلسلة النموذج. يتولى خط التدريب تلقائيًا معالجة زيادة البيانات وتوسيع نطاقها وتكوين المحسن.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

الجيل القادم: Ultralytics

إذا كنت تبدأ اليوم مشروعًا جديدًا في مجال التعلم الآلي ، فإننا نوصيك بشدة بتقييم أحدث إصدار من Ultralytics . تم إصداره في يناير 2026، وهو يمثل أحدث ما توصلت إليه التكنولوجيا من خلال الجمع بين أفضل الابتكارات التي تم تحقيقها خلال السنوات الخمس الماضية.

يضم YOLO26 بشكل أساسي التصميم الشامل NMS الذي ابتكره YOLOv10، مما يضمن نشرًا سريعًا وحتميًا. علاوة على ذلك، يقدم YOLO26 العديد من الإنجازات الهامة:

• سرعة استدلال على CPU أسرع بنسبة تصل إلى 43%: عن طريق إزالة وحدة Distribution Focal Loss (DFL)، يحقق YOLO26 تسريعًا هائلاً على CPUs القياسية، مما يجعله الخيار الأول لـ النشر على الأجهزة المحمولة ومستشعرات إنترنت الأشياء (IoT) منخفضة الطاقة.
• مُحسِّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا من SGD و Muon. يضمن هذا عمليات تدريب مستقرة بشكل لا يصدق وتقاربًا متسارعًا بشكل كبير مقارنةً بمُحسِّنات AdamW المستخدمة في YOLOv10.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ صور الطائرات بدون طيار وتطبيقات الأمن الجوي.
• إتقان خاص بالمهام: بينما YOLOv10 هو كاشف صناديق محيطة صارم، يقدم YOLO26 تحسينات معمارية مخصصة لجميع المهام، بما في ذلك تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) للوضعية وخسائر زاوية متخصصة للصناديق المحيطة الموجهة (OBB).

سواء كنت تعتمد على الإرث القوي لـ YOLOv5 أو الابتكار NMS لـ YOLOv10، أو الأداء المتطور الذي لا مثيل له لـ YOLO26، فإن Ultralytics يوفر الأدوات اللازمة لتنفيذ تطبيقات الذكاء الاصطناعي الخاصة بك بسرعة وكفاءة.

تعليقات