YOLOv8 YOLO11: مقارنة تقنية شاملة لنماذج الرؤية في الوقت الحقيقي
لقد كان التطور السريع في مجال الرؤية الحاسوبية مدفوعًا بشكل كبير بالتقدم المستمر في أطر عمل الكشف عن الكائنات في الوقت الفعلي. بالنسبة للمطورين والباحثين الذين يتعاملون مع المشهد الحديث، فإن اختيار النموذج المناسب أمر بالغ الأهمية لتحقيق التوازن بين الدقة والسرعة وكفاءة الموارد. في هذه المقارنة الفنية، سوف نستكشف الاختلافات بين نموذجين أساسيين من Ultralytics : Ultralytics YOLOv8 و Ultralytics YOLO11.
يوضح كلا النموذجين السمات المميزة لبنى Ultralytics—سهولة الاستخدام، ونظام بيئي يتميز بصيانة جيدة، وكفاءة تدريب لا مثيل لها مع متطلبات ذاكرة منخفضة. دعونا نتعمق في تصاميمها المعمارية، ومعايير الأداء، وسيناريوهات النشر المثالية.
نظرات عامة على النموذج
قبل مقارنة مزاياها التقنية المحددة، من المفيد تحديد أصول ومواصفات كلا النموذجين الأساسية.
Ultralytics YOLOv8
تم إصدار YOLOv8 في أوائل عام 2023 كخطوة كبيرة إلى الأمام، حيث YOLOv8 خاصية الكشف بدون مرساة وتحسينات كبيرة على وظائف الخسارة، وسرعان ما أصبحت المعيار الذهبي لمجموعة واسعة من مهام التعلم الآلي.
- المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
- المؤسسة:Ultralytics
- التاريخ: 2023-01-10
- GitHub:ultralytics/ultralytics
Ultralytics YOLO11
بناءً على نجاح أسلافه، قام YOLO11 بتحسين البنية الأساسية لدفع حد باريتو للدقة وزمن الاستجابة إلى أبعد من ذلك، مقدمًا عددًا مُحسّنًا للغاية من المعلمات دون التضحية بالقوة التنبؤية.
- المؤلفون: غلين جوشر وجينغ تشيو
- المؤسسة:Ultralytics
- التاريخ: 2024-09-27
- GitHub:ultralytics/ultralytics
الهياكل الأخرى
إذا كنت تبحث عن طرق بديلة، فإن Ultralytics تدعم Ultralytics النماذج القائمة على المحولات مثل RT-DETR وأجهزة الكشف عن المفردات المفتوحة بدون تدريب مثل YOLO. ومع ذلك، للحصول على زمن انتقال أمثل وكفاءة ذاكرة، تظل YOLO القياسية هي الخيار المفضل عادةً.
اختلافات معمارية ومنهجية
YOLO11 الانتقال من YOLOv8 YOLO11 تطوراً دقيقاً في تصميم الشبكات العصبية بدلاً من إجراء تعديل شامل، مما يضمن استقرار النظام البيئي الجيد الصيانة المحيط بالنماذج.
تحسينات الشبكة الأساسية والرقبة
YOLOv8 هيكل CNN مبسطًا ابتعد عن الصناديق المرجعية التقليدية، معاملًا اكتشاف الكائنات على أنه مجرد مشكلة تنبؤ بالنقطة المركزية. أدى هذا النهج الخالي من المرجعية إلى تقليل تعقيد انحدار الصندوق المحيط بشكل كبير. YOLO11 هذا الأساس وقدم شبكة هرمية ميزات محسّنة (FPN) وعدّل كتل C2f إلى وحدات C3k2. يسمح هذا التعديل YOLO11 ميزات مكانية أكثر ثراءً، مما يؤدي إلى دقة أفضل في الكائنات الأصغر التي توجد عادةً في COCO .
متطلبات الذاكرة وكفاءة التدريب
من أبرز مزايا كل من YOLOv8 YOLO11 متطلباتهما المنخفضة من الذاكرة أثناء التدريب. على عكس محولات الرؤية الثقيلة التي يمكن أن تستنفد بسهولة ذاكرة VRAM على الأجهزة الاستهلاكية، تم تحسين هذه النماذج لتكون متاحة PyTorch على وحدات معالجة الرسومات القياسية. YOLO11 انخفاضًا كبيرًا في إجمالي المعلمات — ما يصل إلى 22٪ أقل من المعلمات في النسخة الكبيرة (L) مقارنةً بـ YOLOv8— مع زيادة متوسط الدقة (mAP) في الوقت نفسه. وهذا يعني فترات أسرع وبصمة كربونية أقل لتدريب النموذج.
مقاييس الأداء
لتقييم توازن أداء هذه النماذج بشكل حقيقي، يجب أن ننظر إلى معايير موضوعية. يقارن الجدول أدناه YOLOv8 YOLO11 متغيرات القياس القياسية (من النانو إلى الكبير جدًا).
| النموذج | الحجم (بالبكسل) | mAPval 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
كما هو موضح، يتفوق YOLO11 باستمرار على YOLOv8 في الدقة مع استخدام عدد أقل من المعلمات وعمليات FLOPs. تبرز سرعة استدلال وحدة المعالجة المركزية (CPU)، المقاسة باستخدام ONNX Runtime، كفاءة YOLO11 الفائقة لعمليات النشر على الأجهزة الطرفية. عند التصدير إلى NVIDIA TensorRT، يقدم كلا النموذجين زمن استجابة استثنائيًا أقل من 15 مللي ثانية، وهو أمر ضروري لتحليل تدفقات الفيديو في العالم الحقيقي.
النظام البيئي وسهولة الاستخدام
يستفيد كلا النموذجين بشكل كبير من الموحد ultralytics Python . هذا سهولة الاستخدام يسمح للمهندسين بالتبديل بسلاسة بين YOLOv8 و YOLO11. يمكن تحقيق التدريب والتحقق والتصدير ببضع أسطر من التعليمات البرمجية فقط.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the optimized model to ONNX
model.export(format="onnx")
يمتد التكامل السلس إلى Ultralytics التي تبسط التدريب القائم على السحابة ومراقبة النماذج والنشر دون الحاجة إلى معرفة متقدمة بـ DevOps.
تعدد الاستخدامات والتطبيقات الواقعية
من السمات الرئيسية لإطار عمل Ultralytics هي مرونته المتأصلة. يدعم كل من YOLOv8 و YOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية تتجاوز اكتشاف الكائنات القياسي:
- تجزئة الكائنات (Instance Segmentation): أقنعة دقيقة للغاية على مستوى البكسل مفيدة للتصوير الطبي والقيادة الذاتية.
- تقدير الوضعيات: اكتشاف النقاط الرئيسية المصمم خصيصًا لتحليلات الرياضة والتفاعل بين الإنسان والحاسوب.
- تصنيف الصور: تصنيف خفيف الوزن باستخدام شبكات أساسية مدربة على ImageNet.
- صناديق الإحاطة الموجهة (OBB): بالغة الأهمية لتحديد الكائنات الدوارة في صور الأقمار الصناعية.
يتميز YOLOv8 يتوفر منذ فترة أطول، بمستودع ضخم من البرامج التعليمية المجتمعية وعمليات النشر المؤسسية التي خضعت لاختبارات مكثفة. إذا كنت تقوم بالدمج مع خطوط أنابيب قديمة تتطلب بشكل صارمtensor YOLOv8 فإنه يظل خيارًا موثوقًا للغاية. ومع ذلك، بالنسبة للمشاريع الجديدة التي تعطي الأولوية للكفاءة القصوى — مثل النشر على أجهزة حافة مدمجة مثل Raspberry Pi —YOLO11 الفائز التشغيلي الواضح نظرًا لنسبة السرعة إلى المعلمات الفائقة.
حالات الاستخدام والتوصيات
يعتمد الاختيار بين YOLOv8 و YOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLOv8
YOLOv8 خيار قوي لـ:
- نشر متعدد المهام ومتعدد الاستخدامات: المشاريع التي تتطلب نموذجًا مثبتًا لـ الكشف، والتجزئة، والتصنيف، وتقدير الوضعيات ضمن بيئة Ultralytics.
- أنظمة إنتاج راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8 مع مسارات نشر مستقرة ومختبرة جيدًا.
- دعم واسع للمجتمع والنظام البيئي: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـ YOLOv8، وعمليات التكامل مع الجهات الخارجية، وموارد المجتمع النشطة.
متى تختار YOLO11
YOLO11 في الحالات التالية:
- النشر الإنتاجي على الحافة: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث الموثوقية والصيانة النشطة أمران بالغا الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف (detect)، والـsegmentation، وتقدير الوضعية (pose estimation)، وOBB ضمن إطار عمل موحد واحد.
- النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة برمجة تطبيقات Ultralytics Python المبسطة.
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.
الحد الأقصى: ميزة YOLO26
في حين أن YOLOv8 YOLO11 بنى رائعتان، فإن مجال الذكاء الاصطناعي لا يتوقف أبدًا عن التطور. بالنسبة للمطورين الذين يهدفون إلى الوصول إلى أحدث ما توصلت إليه التكنولوجيا في عام 2026، يمثل Ultralytics القفزة الهائلة التالية إلى الأمام.
يعيد YOLO26 تصور خط أنابيب النشر بشكل جذري. يتميز بتصميم شامل NMS، وهو نهج مبتكر تم طرحه لأول مرة في YOLOv10 والذي يلغي خطوات المعالجة اللاحقة المعقدة. علاوة على ذلك، تعمل إزالة DFL (توزيع الخسارة البؤرية) على تبسيط منطق التصدير بشكل كبير وتعزيز التوافق مع الأجهزة الطرفية منخفضة الطاقة، مما يؤدي إلى CPU أسرع بنسبة تصل إلى 43٪ CPU مقارنة بسابقاتها.
تم تحسين استقرار التدريب وسرعات التقارب بشكل كبير بفضل أداة MuSGD Optimizer الجديدة، وهي أداة هجينة مستوحاة من تقنيات تدريب LLM. بالإضافة إلى ذلك، تعمل صيغ الخسارة الجديدة مثل ProgLoss + STAL على تحسين التعرف على الأجسام الصغيرة بشكل كبير، وهو ما كان يمثل مشكلة تاريخية في مجال إنترنت الأشياء والروبوتات. بفضل التحسينات الخاصة بالمهام مثل RLE لتقدير الوضع وبروتو متعدد المقاييس للتجزئة، لا يوجد منافس لـ YOLO26.
اختيار النموذج المناسب
ابدأ رحلتك مع YOLOv8 إذا كنت بحاجة إلى دعم مجتمع قديم واسع النطاق. قم بالترقية إلى YOLO11 للحصول على توازن دقيق للغاية بين السرعة والمعلمات المخفضة. انتقل إلى YOLO26 للحصول على بنية المستقبل المثالية والمحسّنة للحواف NMS.
الخلاصة
يعتمد الاختيار بين YOLOv8 و YOLO11 في النهاية على الجدول الزمني لمشروعك وقيود الأجهزة. يُعد YOLOv8 عملاقًا مجربًا في الصناعة، ويقدم استقرارًا لا مثيل له. على العكس من ذلك، يقوم YOLO11 بتحسين تلك البنية، مما يوفر mAP أعلى مع عدد أقل من المعلمات، مما يجعله جذابًا للغاية لتطبيقات الحافة ذات الموارد المحدودة. بغض النظر عن اختيارك، تضمن واجهة برمجة تطبيقات Ultralytics python السلسة أن يظل سير عمل التطوير لديك مرنًا وفعالًا ومدعومًا بالكامل. وعندما تكون مستعدًا لتجاوز حدود ما هو ممكن على الأجهزة الطرفية، فإن YOLO26 جاهز وينتظر.