YOLOv9 YOLOv8: دراسة تقنية متعمقة حول الكشف الحديث عن الأجسام

تطورت رؤية الكمبيوتر في الوقت الفعلي بشكل ملحوظ خلال السنوات القليلة الماضية، حيث دفع كل نموذج جديد الحدود النظرية لما هو ممكن على الأجهزة الطرفية وخوادم السحابة على حد سواء. عند مقارنة YOLOv9 الأحدث بالبنية الشهيرة Ultralytics YOLOv8 الشهير، غالبًا ما يواجه المطورون خيارًا بين مسارات التدرج النظري المتطورة ونظام بيئي جاهز للإنتاج تم اختباره بشكل مكثف.

يقارن هذا الدليل الشامل بين هذين العملاقين، ويحلل ابتكاراتهما المعمارية ومقاييس الأداء وسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج المناسب لمشروعك التالي في مجال الذكاء الاصطناعي.

المواصفات الفنية والمؤلف

فهم نسب هذه النماذج يوفر سياقًا أساسيًا لخيارات التصميم الخاصة بكل منها.

YOLOv9 تم تأليف YOLOv9 بواسطة تشين-ياو وانغ وهونغ-يوان مارك لياو في معهد علوم المعلومات، أكاديميا سينيكا، تايوان، وتم إصداره في 21 فبراير 2024. يركز البحث الأساسي على حل مشكلة عنق الزجاجة المعلوماتي في الشبكات العصبية العميقة. يمكنك استكشاف الورقة البحثية الأصلية لـ YOLOv9 على Arxiv أو عرض الكود المصدري في مستودع YOLOv9 الرسمي على GitHub.

تعرف على المزيد حول YOLOv9

Ultralytics YOLOv8 تم تطويرها بواسطة Glenn Jocher و Ayush Chaurasia و Jing Qiu في Ultralytics، وتم إطلاق YOLOv8 في 10 يناير 2023. لقد أثبتت نفسها كمعيار صناعي لتعدد الاستخدامات، حيث تقدم واجهة برمجة تطبيقات موحدة لمجموعة واسعة من مهام الرؤية. يتم صيانة الكود المصدري ضمن مستودع Ultralytics GitHub الرئيسي، مما يضمن التحديثات المستمرة والاستقرار على المدى الطويل.

تعرف على المزيد حول YOLOv8

الابتكارات المعمارية

YOLOv9: معلومات التدرج القابلة للبرمجة

السمة المميزة لـ YOLOv9 إدخالها لمعلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). مع ازدياد عمق الشبكات العصبية التلافيفية، فإنها عادةً ما تفقد معلومات مهمة عن الميزات أثناء عملية التغذية الأمامية. تعالج PGI مشكلة اختناق المعلومات هذه عن طريق الاحتفاظ بالتدرجات الدقيقة المستخدمة لتحديث الأوزان، مما يضمن استخراج ميزات موثوقة. تعمل هذه البنية على زيادة كفاءة المعلمات إلى أقصى حد، مما يتيح YOLOv9 دقة عالية باستخدام عدد أقل من عمليات النقاط العائمة (FLOPs).

YOLOv8: الحصان المتعدد الاستخدامات

YOLOv8 آلية كشف مبسطة خالية من المراسي، مما يقلل من عدد تنبؤات الصناديق ويسرع عملية القمع غير الأقصى (NMS) أثناء المعالجة اللاحقة. تعمل وحدة C2f (عنق الزجاجة الجزئي عبر المراحل مع اثنين من التلافيف) على تحسين تدفق التدرج عبر الشبكة مقارنة بالنماذج القديمة. والأهم من ذلك، YOLOv8 تصميم YOLOv8 مع مراعاة التنوع، حيث يدعم بشكل أساسي الكشف عن الكائنات وتجزئة المثيلات وتقدير الوضع وتصنيف الصور واستخراج المربعات المحددة الموجهة (OBB) بشكل فوري.

تكامل النظام الإيكولوجي

بينما YOLOv9 مقاييس كشف أولية استثنائية، إلا أن دمجه بشكل أصلي في خطوط الإنتاج المعقدة قد يمثل تحديًا. الاستفادة من YOLOv9 Ultralytics يسد هذه الفجوة، ويوفر الوصول إلى أدوات التصدير والنشر القوية الخاصة بنا.

توازن الأداء والمعايير

التوازن بين السرعة والدقة هو العامل الأكثر أهمية عند نشر نماذج الرؤية. فيما يلي مقارنة مفصلة بين أحجام النماذج والكمون ومتوسط الدقة المتوسط الذي تم تقييمه على COCO القياسية.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

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

عند تحليل المقاييس، YOLOv9 نسبة رائعة بين المعلمات والدقة. يحقق نموذج YOLOv9c نسبة mAP مذهلة تبلغ 53.0٪ mAP 25.3 مليون معلمة فقط. ومع ذلك، YOLOv8 ميزة كبيرة في متطلبات الذاكرة وسرعة الاستدلال على مسرعات الأجهزة، لا سيما مع وصول YOLOv8n إلى 1.47 مللي ثانية على NVIDIA TensorRT .

ميزة النظام البيئي لـ Ultralytics

من الاعتبارات الرئيسية عند اختيار بنية معمارية هي سهولة الاستخدام والبيئة البرمجية المحيطة. فإدارة التبعيات، وكتابة أدوات تحميل البيانات المخصصة، والتعامل مع نصوص التصدير المعقدة يمكن أن يعيق عملية التطوير. يقوم نظام Ultralytics البيئي المتكامل بتجريد هذه التعقيدات.

سواء اخترت YOLOv8 YOLOv9 الذي يدعمه Ultralytics بالكامل)، ستستفيد من واجهة برمجة تطبيقات موحدة وتقنيات توسيع البيانات التلقائية وتصدير ONNX المبسط. علاوة على ذلك، تتميز Ultralytics عمومًا بكفاءة تدريب عالية التحسين، مما يتجنب التضخم الهائل CUDA الذي يرتبط عادةً بالنماذج الكبيرة القائمة على المحولات.

مثال على كود التدريب

تدريب أي من النموذجين باستخدام Python أمر بسيط ولا يتطلب سوى بضع أسطر من التعليمات البرمجية.

from ultralytics import YOLO

# Load the preferred model (swap 'yolov9c.pt' with 'yolov8n.pt' as needed)
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance metrics
metrics = model.val()

# Export to ONNX for production deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات

يعتمد الاختيار بين YOLOv9 و YOLOv8 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv9

YOLOv9 خيار قوي لـ:

أبحاث عن عنق الزجاجة المعلوماتي: مشاريع أكاديمية تدرس بنى معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: أبحاث تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس الأداء للكشف عالي الدقة: السيناريوهات التي تتطلب أداء YOLOv9 القوي في معيار COCO كنقطة مرجعية للمقارنات المعمارية.

متى تختار YOLOv8

YOLOv8 في الحالات التالية:

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 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.

التطلع إلى المستقبل: وصول YOLO26

على الرغم من أن YOLOv8 YOLOv9 بقدرات مذهلة، إلا أن مجال الرؤية الحاسوبية يتطور بسرعة. بالنسبة للتطبيقات الحديثة، نوصي بشدة باستخدام Ultralytics ، الذي تم إصداره في يناير 2026.

يمثل YOLO26 تحولًا جذريًا في طريقة عمل أجهزة الكشف عن الأجسام في الإنتاج. ويتميز بتصميم أصلي شامل NMS مما يزيل بشكل فعال زمن الاستجابة والسلوك غير الحتمي للمعالجة اللاحقة. ولتحسين دعم الأجهزة المتطورة والأجهزة منخفضة الطاقة، يشتمل YOLO26 على إزالة DFL (توزيع الخسارة البؤرية) بالكامل، مما يجعل عمليات التصدير عبر الأجهزة المحمولة أسهل بكثير.

علاوة على ذلك، يستخدم YOLO26 مُحسّن MuSGD الرائد، وهو مزيج من SGD Muon يوفر استقرار تدريب على مستوى LLM لمهام الرؤية، مما يؤدي إلى تقارب أسرع بشكل ملحوظ. مع CPU أسرع بنسبة تصل إلى 43٪ ودمج ProgLoss + STAL لتحسين التعرف على الأجسام الصغيرة بشكل كبير، يعد YOLO26 الخيار الأمثل للمبادرات المؤسسية الجديدة.

تعرف على المزيد حول YOLO26

بنى معمارية بديلة

بناءً على قيود الأجهزة لديك، قد تكون مهتمًا أيضًا بمقارنة هذه النماذج بـ Ultralytics YOLO11 للمهام العامة المتوازنة، أو استكشاف النماذج القائمة على المحولات مثل RT-DETR للأبحاث المتخصصة عالية الدقة.

التطبيقات الواقعية وحالات الاستخدام

يعتمد الاختيار بين YOLOv8 YOLOv9 على قيود مشروعك والأجهزة المستهدفة.

الرعاية الصحية والتصوير الطبي: عندما تكون كل بكسل مهمة، كما هو الحال في أنظمة الكشف عن الأورام، تحافظ بنية GELAN في YOLOv9 على التفاصيل الدقيقة بشكل استثنائي، مما يقلل من النتائج السلبية الخاطئة في التشخيصات الحرجة.
تحليلات التجزئة والمخزون: لأنظمة السوبر ماركت الذكية التي تتعقب الأرفف المكدسة بكثافة، يوفر YOLOv9 الـ mAP اللازم لفصل العناصر المتداخلة بشكل موثوق.
المدن الذكية ومراقبة حركة المرور: في إدارة اللوجستيات وحركة المرور سريعة الوتيرة، فإن زمن الانتقال المنخفض للغاية والمتانة المثبتة لـ YOLOv8 تجعله مثاليًا لتتبع المركبات عبر تدفقات كاميرات متعددة في وقت واحد.
عمليات النشر على الحافة: إذا كنت تنشر على أجهزة مقيدة مثل Raspberry Pi أو الأجهزة المحمولة، فإن كتل C2f المحسّنة للغاية في YOLOv8 (وتحسينات CPU في YOLO26) توفر مسار استدلال أكثر سلاسة وصديقًا للبطارية.