تخطي إلى المحتوى

مقارنات النماذج: اختر أفضل نموذج للكشف عن الأجسام لمشروعك

يعد اختيار بنية الشبكة العصبية الصحيحة حجر الزاوية في أي مشروع رؤية حاسوبية ناجح. مرحبًا بكم في Ultralytics Model Comparison Hub! تعمل هذه الصفحة على مركزة التحليلات الفنية التفصيلية ومعايير الأداء، وتشريح المفاضلات بين أحدث Ultralytics YOLO11 والبنى الرائدة الأخرى مثل YOLOv10 و RT-DETR و EfficientDet.

سواء كان تطبيقك يتطلب زمن انتقال بالمللي ثانية لـ edge AI أو الدقة عالية الدقة المطلوبة للتصوير الطبي، فإن هذا الدليل يوفر رؤى تعتمد على البيانات اللازمة لاتخاذ خيار مستنير. نقوم بتقييم النماذج بناءً على متوسط الدقة (mAP)، و سرعة الاستدلال، وكفاءة المعلمات، وسهولة النشر.

معايير الأداء التفاعلية

يُعد تصور العلاقة بين السرعة والدقة أمرًا ضروريًا لتحديد "حدود باريتو" الخاصة باكتشاف الكائنات — النماذج التي تقدم أفضل دقة لقيد سرعة معين. يقارن الرسم البياني أدناه المقاييس الرئيسية على مجموعات البيانات القياسية مثل COCO.

يعرض هذا الرسم البياني مقاييس الأداء الرئيسية التي تمكنك من إجراء تقييم سريع للمفاضلة بين النماذج المختلفة. إن فهم هذه المقاييس أمر أساسي لاختيار نموذج يتوافق مع قيود النشر الخاصة بك.

دليل اتخاذ قرار سريع

ألست متأكدًا من أين تبدأ؟ استخدم شجرة القرارات هذه لتضييق نطاق البنية التي تناسب متطلبات الأجهزة والأداء لديك.

graph TD
    A[Start: Define Project Needs] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

    C -- "Extreme Speed (Real-time)" --> E[YOLO11n / YOLO11s]
    C -- "Balanced Legacy" --> F[YOLOv5s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO11x / RT-DETR-X]
    D -- "Balanced Performance" --> H[YOLO11m / YOLO11l]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO11 / YOLOv8]
    I -- "Video Analytics" --> L[YOLO11 + Tracking]

المشهد الحالي: YOLO11 وما بعده

مجال اكتشاف الكائنات يتحرك بسرعة. في حين أن النماذج القديمة تظل ذات صلة بالدعم القديم، فإن البنى الجديدة تدفع حدود ما هو ممكن.

Ultralytics YOLO11

باعتباره أحدث إصدار مستقر، فإن YOLO11 هو نقطة البداية الموصى بها للمشاريع الجديدة. يقدم تحسينات معمارية كبيرة على الإصدارات السابقة، بما في ذلك إمكانات استخراج الميزات المحسنة ورسوم بيانية حسابية محسّنة. وهو يدعم مجموعة كاملة من المهام - الكشف، والتجزئة، وتقدير الوضع، والتصنيف، و مربعات الإحاطة الموجهة (OBB) - ضمن إطار عمل موحد واحد.

لماذا تختار YOLO11؟

يمثل YOLO11 قمة هندسة Ultralytics، حيث يقدم أفضل توازن بين السرعة والدقة للتطبيقات الواقعية. وهو مدعوم بالكامل من قبل نظامنا البيئي، مما يضمن الصيانة والتوافق على المدى الطويل.

نماذج المجتمع: ملاحظة حول YOLO12 و YOLO13

قد تصادف إشارات إلى YOLO12 أو YOLO13 في مناقشات المجتمع أو المستودعات.

تنبيه بشأن الإنتاج

نحن حاليًا لا نوصي باستخدام YOLO12 أو YOLO13 في بيئات الإنتاج.

  • YOLO12: يستخدم طبقات الانتباه التي غالبًا ما تسبب عدم استقرار التدريب واستهلاكًا مفرطًا للذاكرة وسرعات استدلال لوحدة المعالجة المركزية أبطأ بشكل ملحوظ.
  • YOLO13: تشير المعايير إلى مكاسب هامشية فقط في الدقة مقارنة بـ YOLO11 مع كونه أكبر وأبطأ. أظهرت النتائج المبلغ عنها مشاكل في إمكانية التكاثر.

نظرة مستقبلية: YOLO26 ومنصة Ultralytics

تعمل Ultralytics بنشاط على تطوير YOLO26، وتستهدف إصدارًا مفتوح المصدر في أواخر عام 2025. يهدف هذا النموذج من الجيل التالي إلى دعم جميع مهام YOLO11 مع كونه أصغر وأسرع وأصليًا من طرف إلى طرف. علاوة على ذلك، في عام 2026، سيتم إطلاق منصة Ultralytics كحل SaaS شامل لتوريد البيانات والترميز التلقائي والتدريب السحابي، مما يبسط دورة حياة MLOps بأكملها.



شاهد: مقارنة نماذج YOLO: Ultralytics YOLO11 مقابل YOLOv10 مقابل YOLOv9 مقابل Ultralytics YOLOv8 🎉

مقارنات النماذج التفصيلية

استكشف مقارناتنا الفنية المتعمقة لفهم الاختلافات المعمارية المحددة، مثل اختيار backbone وتصميم head ووظائف loss. لقد قمنا بتنظيمها حسب النموذج لسهولة الوصول إليها:

YOLO11 مقابل

يعتمد YOLO11 على نجاح أسلافه من خلال أحدث الأبحاث. يتميز بعمود فقري وهيكل عنق محسّنين لتحسين استخراج الميزات وكفاءة محسّنة.

YOLOv10 ضد

يركز YOLOv10، الذي تم تطويره بواسطة جامعة Tsinghua، على إزالة خطوة Non-Maximum Suppression (NMS) لتقليل تباين زمن الوصول، مما يوفر أداءً حديثًا مع تقليل النفقات الحسابية.

YOLOv9 مقابل

يقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN) لمعالجة فقدان المعلومات في الشبكات العصبية العميقة.

YOLOv8 مقابل

لا يزال Ultralytics YOLOv8 خيارًا شائعًا للغاية، ويتميز بهياكل أساسية ورقبة متقدمة ورأس مقسم خالٍ من المرساة لتحقيق أفضل المقايضات بين الدقة والسرعة.

YOLOv7 ضد

قدم YOLOv7 "حقيبة التدريب المجانية" وإعادة تحديد معلمات النموذج، مع التركيز على تحسين عملية التدريب دون زيادة تكاليف الاستدلال.

YOLOv6 ضد

صُمم YOLOv6 من Meituan للتطبيقات الصناعية، ويتميز بوحدات التسلسل ثنائي الاتجاه (BiC) واستراتيجيات التدريب بمساعدة المرساة.

YOLOv5 مقابل

يُحتفى بـ Ultralytics YOLOv5 لسهولة استخدامه واستقراره وسرعته. ولا يزال خيارًا قويًا للمشاريع التي تتطلب توافقًا واسعًا مع الأجهزة.

RT-DETR مقابل

تستفيد RT-DETR (Real-Time Detection Transformer) من محولات الرؤية لتحقيق دقة عالية مع أداء في الوقت الفعلي، وتتفوق في فهم السياق العالمي.

PP-YOLOE+ مقابل

يستخدم PP-YOLOE+، الذي طورته Baidu، تعلم محاذاة المهام (TAL) ورأسًا منفصلًا لتحقيق التوازن بين الكفاءة والدقة.

DAMO-YOLO ضد

من مجموعة علي بابا، تستخدم DAMO-YOLO البحث عن البنية العصبية (NAS) و RepGFPN الفعال لزيادة الدقة إلى أقصى حد على المعايير الثابتة.

YOLO مقابل

YOLOX، الذي تم تطويره بواسطة Megvii، هو تطور خالٍ من المرساة يشتهر برأسه المنفصل واستراتيجية تعيين تسمية SimOTA.

EfficientDet مقابل

يستخدم EfficientDet من Google Brain التوسيع المركب و BiFPN لتحسين كفاءة المعلمات، مما يوفر مجموعة من النماذج (D0-D7) للقيود المختلفة.

يتم تحديث هذا الفهرس باستمرار مع إصدار نماذج جديدة وتحسين المعايير. نحن نشجعك على استكشاف هذه الموارد للعثور على الملاءمة المثالية لمشروع الرؤية الحاسوبية التالي الخاص بك. إذا كنت تبحث عن حلول على مستوى المؤسسات مع ترخيص خاص، فيرجى زيارة صفحة الترخيص الخاصة بنا. مقارنة سعيدة!


تعليقات