ابدأ

مقارنات النماذج

يُعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لأي مشروع ناجح في الرؤية الحاسوبية. يجمع مركز مقارنة النماذج من Ultralytics تحليلات تقنية مفصلة ومعايير أداء تغطي المفاضلات بين أحدث Ultralytics YOLO26 والبنى الرائدة الأخرى مثل YOLO11 وYOLOv10 وRT-DETR وEfficientDet.

سواء كان تطبيقك يتطلب زمن استجابة يُقاس بالمللي ثانية يتيحه الذكاء الاصطناعي الطرفي AI أو الدقة العالية اللازمة للتصوير الطبي، يوفّر هذا الدليل البيانات التي تحتاج إليها لاتخاذ قرار مستنير. تُقيَّم النماذج من حيث متوسط الدقة (mAP)، وسرعة الاستدلال، وكفاءة المعلمات، وسهولة النشر.

معايير أداء تفاعلية#

يُعد تمثيل العلاقة بين السرعة والدقة بصرياً أمراً ضرورياً لتحديد «جبهة باريتو» في اكتشاف الأجسام — أي النماذج التي تحقق أفضل دقة ضمن قيد سرعة معين. يقارن المخطط أدناه المقاييس الرئيسية على مجموعات بيانات قياسية مثل COCO.

يوضح هذا المخطط بصريًا مقاييس الأداء الأساسية، لتتمكن من تقييم المفاضلات بين النماذج المختلفة بسرعة. ويُعد فهم هذه المقاييس أمرًا أساسيًا لاختيار نموذج يلائم قيود النشر لديك.

دليل سريع لاتخاذ القرار#

ألست متأكداً من أين تبدأ؟ استخدم شجرة القرار هذه لتحديد البنية الأنسب لمتطلبات أجهزتك وأدائك.

المشهد الحالي: YOLO26 وما بعده#

يتطور مجال اكتشاف الكائنات بسرعة. ومع بقاء النماذج الأقدم مهمة لعمليات النشر القائمة، تواصل البنى الجديدة تحسين السرعة والدقة.

Ultralytics YOLO26#

صدر YOLO26 في يناير 2026، وهو أحدث نماذج Ultralytics ونقطة البداية الموصى بها لجميع المشاريع الجديدة. يقدم ابتكارات معمارية، منها تصميم اختياري شامل من البداية إلى النهاية وخالٍ من NMS (nms=False) يلغي الحاجة إلى المعالجة اللاحقة باستخدام القمع غير الأقصى (NMS)، ما يؤدي إلى أزمنة استدلال أسرع وأكثر قابلية للتوقع. ويصل YOLO26n إلى سرعة أعلى بنسبة 43% على وحدات CPU مقارنةً بـYOLO11n، ما يجعل YOLO26 مناسبًا تمامًا للنشر الطرفي.

تشمل أبرز الابتكارات:

  • شامل من البداية إلى النهاية وخالٍ من NMS: نشر مبسط دون الحاجة إلى معالجة لاحقة باستخدام NMS (nms=False)
  • إزالة DFL: تبسيط عمليات التصدير إلى ONNX وTensorRT وCoreML
  • مُحسِّن MuSGD: مُحسِّن هجين يجمع SGD وMuon، مستوحى من تدريب نماذج LLM لتحقيق تقارب مستقر
  • ProgLoss + STAL: تحسين أداء اكتشاف الأجسام الصغيرة
لماذا تختار YOLO26؟

يجمع YOLO26 بين كفاءة CNN والقدرات الشاملة من البداية إلى النهاية الشبيهة بـTransformer. ويدعم جميع مهام Ultralytics (الاكتشاف، وتقسيم المثيلات والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعية، وOBB)، مع كونه أصغر حجمًا وأسرع وأسهل نشرًا من الأجيال السابقة.

Ultralytics YOLO11#

لا يزال YOLO11 نموذجًا عالي القدرات؛ إذ يستخدم YOLO11m معلمات أقل بنسبة 22% من YOLOv8m مع تحقيق دقة اكتشاف أعلى. وهو مدعوم بالكامل وموصى به للمستخدمين الذين يحتاجون إلى استقرار مثبت أو لديهم مسارات عمل قائمة مبنية على YOLO11.

نماذج المجتمع: ملاحظة حول YOLO12 وYOLO13#

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

تحذير بشأن الاستخدام في بيئات الإنتاج

لا نوصي حاليًا باستخدام YOLO12 أو YOLO13 في بيئات الإنتاج.

  • YOLO12: يستخدم طبقات الانتباه التي غالبًا ما تسبب عدم استقرار التدريب، واستهلاكًا مفرطًا للذاكرة، وانخفاضًا ملحوظًا في سرعة الاستدلال على وحدات CPU.
  • YOLO13: تشير نتائج القياس إلى مكاسب هامشية فقط في الدقة مقارنةً بـ YOLO11، مع كونه أكبر وأبطأ. وقد أظهرت النتائج المنشورة مشكلات في قابلية إعادة الإنتاج.


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

مقارنات تفصيلية بين النماذج#

استكشف المقارنات التقنية أدناه لفهم الفروق المعمارية المحددة، مثل اختيار العمود الفقري وتصميم الرأس ودوال الخسارة. وهي منظمة حسب النموذج:

مقارنة YOLO26 بـ#

YOLO26 هو أحدث نماذج Ultralytics، ويتميز باكتشاف شامل من البداية إلى النهاية وخالٍ من NMS، ومحسِّن MuSGD، واستدلال أسرع على CPU بنسبة تصل إلى 43% لـYOLO26n مقارنةً بـYOLO11n. وهو محسّن للنشر الطرفي مع تحقيق دقة عالية.

مقارنة YOLO11 بـ#

يستند YOLO11 إلى نجاح أسلافه. ويتميز ببنية محسنة للعمود الفقري والعنق لتحسين استخلاص الميزات والكفاءة.

مقارنة YOLOv10 بـ#

طُوّر YOLOv10 في جامعة تسينغهوا، ويركز على إزالة خطوة NMS لتقليل تباين زمن الاستجابة، مع توفير أداء قوي وخفض الحمل الحسابي.

مقارنة YOLOv9 بـ#

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

مقارنة YOLOv8 بـ#

لا يزال Ultralytics YOLOv8 خيارًا شائعًا للغاية. تجمع بنيته بين عمود فقري وعنق متقدمين ورأس منقسم خالٍ من المراسي لتحقيق مفاضلة قوية بين الدقة والسرعة.

مقارنة YOLOv7 بـ#

قدم YOLOv7 مفهوم «حقيبة المزايا المجانية القابلة للتدريب» وإعادة تمثيل النماذج، مع التركيز على تحسين عملية التدريب دون زيادة تكاليف الاستدلال.

مقارنة YOLOv6 بـ#

صُمم YOLOv6 من Meituan للتطبيقات الصناعية، ويتميز بوحدات التجميع ثنائية الاتجاه (BiC) واستراتيجيات التدريب المدعومة بالمراسي.

مقارنة YOLOv5 بـ#

يُعرف Ultralytics YOLOv5 بسهولة استخدامه واستقراره وسرعته. ولا يزال خيارًا قويًا للمشاريع التي تتطلب توافقًا واسعًا مع الأجهزة.

مقارنة RT-DETR بـ#

يجمع RT-DETR (محوّل اكتشاف آني) بين عمود فقري من CNN ومشفّر-مفكّك ترميز من Transformer لتحقيق دقة عالية وأداء آني، ويتفوق في فهم السياق العام.

PP-YOLOE+ مقابل#

يستخدم PP-YOLOE+، الذي طوّرته Baidu، تعلّم محاذاة المهام (TAL) ورأسًا مفككًا لتحقيق التوازن بين الكفاءة والدقة.

DAMO-YOLO مقابل#

يستخدم DAMO-YOLO، الذي طورته مجموعة Alibaba، البحث عن البنية العصبية (NAS) وعنق RepGFPN فعالًا لتحقيق التوازن بين زمن الاستجابة والدقة.

YOLOX مقابل#

YOLOX، الذي طوّرته Megvii، تطوّرٌ لا يعتمد على المراسي، ويشتهر برأسه المفكك واستراتيجية SimOTA لإسناد التسميات.

EfficientDet مقابل#

يستخدم EfficientDet من Google Brain التحجيم المركب وBiFPN لتحسين كفاءة المعلمات، ويوفر مجموعة من النماذج (D0-D7) لتلبية القيود المختلفة.

يُحدَّث هذا الفهرس مع إصدار نماذج جديدة وتحسين المعايير المرجعية. لعمليات النشر المؤسسية التي تتطلب ترخيصًا خاصًا، راجع صفحة الترخيص لدى Ultralytics.

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.