مقارنات النماذج#

يُعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لأي مشروع ناجح في الرؤية الحاسوبية. مرحباً بك في مركز مقارنة النماذج من Ultralytics! تجمع هذه الصفحة التحليلات التقنية التفصيلية ومعايير الأداء، وتفحص المفاضلات بين أحدث نماذج Ultralytics YOLO26 وغيرها من البنى الرائدة مثل YOLO11 وYOLOv10 وRT-DETR وEfficientDet.

سواء كان تطبيقك يتطلب زمن استجابة بالمللي ثانية الذي يتيحه الذكاء الاصطناعي الطرفي، أم الدقة العالية اللازمة للتصوير الطبي، يوفّر هذا الدليل الرؤى المستندة إلى البيانات اللازمة لاتخاذ قرار مستنير. نقيّم النماذج استنادًا إلى 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.

يعرض هذا المخطط بصرياً مقاييس الأداء الرئيسية، ما يتيح لك تقييم المفاضلات بين النماذج المختلفة بسرعة. ويُعد فهم هذه المقاييس أساسياً لاختيار نموذج يتوافق مع قيود النشر الخاصة بك.

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 الأجسام بسرعة. ومع استمرار أهمية النماذج الأقدم لدعم الأنظمة القديمة، تدفع البنى الجديدة حدود الممكن.

Ultralytics YOLO26#

أُطلق YOLO26 في يناير 2026، وهو أحدث نموذج متطور، ونقطة الانطلاق الموصى بها لجميع المشاريع الجديدة. ويقدم ابتكارات معمارية رائدة، منها تصميم اختياري شامل من البداية إلى النهاية وخالٍ من NMS (nms=False)، يلغي الحاجة إلى المعالجة اللاحقة لكبح الصناديق غير القصوى، ما يؤدي إلى أزمنة استدلال أسرع وأكثر قابلية للتنبؤ. ويصل YOLO26 إلى سرعة أعلى بنسبة 43% على وحدات CPU مقارنة بالأجيال السابقة، ما يجعله مثاليًا للنشر على الأجهزة الطرفية.

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

Ultralytics YOLO11#

لا يزال YOLO11 نموذجًا عالي القدرات: يستخدم YOLO11m عددًا من المعلمات أقل بنسبة 22% من YOLOv8m، مع تحقيق دقة أعلى في اكتشاف الأجسام. وهو مدعوم بالكامل وموصى به للمستخدمين الذين يحتاجون إلى استقرار مثبت أو لديهم مسارات عمل قائمة على YOLO11.

نماذج المجتمع: ملاحظة حول YOLO12 وYOLO13#

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

مقارنات تفصيلية بين النماذج#

اطّلع على مقارناتنا التقنية المتعمقة لفهم الاختلافات المعمارية المحددة، مثل اختيار العمود الفقري وتصميم الرأس ودوال الخسارة. وقد نظمناها بحسب النموذج لتسهيل الوصول إليها:

YOLO26 مقارنةً بـ#

YOLO26 هو أحدث نماذج Ultralytics، ويتميز باكتشاف شامل من البداية إلى النهاية وخالٍ من NMS، ومُحسِّن MuSGD، واستدلال على وحدات CPU أسرع بنسبة تصل إلى 43%. وقد حُسّن للنشر على الأجهزة الطرفية مع تحقيق دقة متطورة.

• YOLO26 مقارنةً بـ YOLO11
• YOLO26 مقارنةً بـ YOLOv10
• YOLO26 مقارنةً بـ YOLOv9
• YOLO26 مقارنةً بـ YOLOv8
• YOLO26 مقارنةً بـ YOLOv7
• YOLO26 مقارنةً بـ YOLOv6-3.0
• YOLO26 مقارنةً بـ YOLOv5
• YOLO26 مقارنةً بـ PP-YOLOE+
• YOLO26 مقارنةً بـ DAMO-YOLO
• YOLO26 مقارنةً بـ YOLOX
• YOLO26 مقارنةً بـ RT-DETR
• YOLO26 مقارنةً بـ EfficientDet

YOLO11 مقارنةً بـ#

YOLO11 يستند إلى نجاح إصداراته السابقة بالاستفادة من أحدث الأبحاث. ويتميز بمعمارية محسّنة للعمود الفقري والعنق لاستخراج سمات أفضل وكفاءة محسّنة.

• YOLO11 مقارنةً بـ YOLO26
• YOLO11 مقارنةً بـ YOLOv10
• YOLO11 مقارنةً بـ YOLOv9
• YOLO11 مقارنةً بـ YOLOv8
• YOLO11 مقارنةً بـ YOLOv7
• YOLO11 مقارنةً بـ YOLOv6-3.0
• YOLO11 مقارنةً بـ YOLOv5
• YOLO11 مقارنةً بـ PP-YOLOE+
• YOLO11 مقارنةً بـ DAMO-YOLO
• YOLO11 مقارنةً بـ YOLOX
• YOLO11 مقارنةً بـ RT-DETR
• YOLO11 مقارنةً بـ EfficientDet

YOLOv10 مقارنةً بـ#

طوّرته جامعة تسينغهوا، ويركز YOLOv10 على إزالة خطوة كبح الصناديق غير القصوى (NMS) لتقليل تباين زمن الاستجابة، مع تقديم أداء متطور وخفض العبء الحسابي.

• YOLOv10 مقارنةً بـ YOLO26
• YOLOv10 مقارنةً بـ YOLO11
• YOLOv10 مقارنةً بـ YOLOv9
• YOLOv10 مقارنةً بـ YOLOv8
• YOLOv10 مقارنةً بـ YOLOv7
• YOLOv10 مقارنةً بـ YOLOv6-3.0
• YOLOv10 مقارنةً بـ YOLOv5
• YOLOv10 مقارنةً بـ PP-YOLOE+
• YOLOv10 مقارنةً بـ DAMO-YOLO
• YOLOv10 مقارنةً بـ YOLOX
• YOLOv10 مقارنةً بـ RT-DETR
• YOLOv10 مقارنةً بـ EfficientDet

YOLOv9 مقارنةً بـ#

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

• YOLOv9 مقارنةً بـ YOLO26
• YOLOv9 مقارنةً بـ YOLO11
• YOLOv9 مقارنةً بـ YOLOv10
• YOLOv9 مقارنةً بـ YOLOv8
• YOLOv9 مقارنةً بـ YOLOv7
• YOLOv9 مقارنةً بـ YOLOv6-3.0
• YOLOv9 مقارنةً بـ YOLOv5
• YOLOv9 مقارنةً بـ PP-YOLOE+
• YOLOv9 مقارنةً بـ DAMO-YOLO
• YOLOv9 مقارنةً بـ YOLOX
• YOLOv9 مقارنةً بـ RT-DETR
• YOLOv9 مقارنةً بـ EfficientDet

YOLOv8 مقارنةً بـ#

لا يزال Ultralytics YOLOv8 خيارًا شائعًا جدًا، إذ يتميز بمعماريتين متقدمتين للعمود الفقري والعنق، ورأس منقسم لا يعتمد على المراسي لتحقيق أفضل موازنة بين الدقة والسرعة.

• YOLOv8 مقارنةً بـ YOLO26
• YOLOv8 مقارنةً بـ YOLO11
• YOLOv8 مقارنةً بـ YOLOv10
• YOLOv8 مقارنةً بـ YOLOv9
• YOLOv8 مقارنةً بـ YOLOv7
• YOLOv8 مقارنةً بـ YOLOv6-3.0
• YOLOv8 مقارنةً بـ YOLOv5
• YOLOv8 مقارنةً بـ PP-YOLOE+
• YOLOv8 مقارنةً بـ DAMO-YOLO
• YOLOv8 مقارنةً بـ YOLOX
• YOLOv8 مقارنةً بـ RT-DETR
• YOLOv8 مقارنةً بـ EfficientDet

YOLOv7 مقارنةً بـ#

قدم YOLOv7 «مجموعة من المزايا المجانية القابلة للتدريب» وإعادة المعلمات في النموذج، مع التركيز على تحسين عملية التدريب دون زيادة تكاليف الاستدلال.

• YOLOv7 مقارنةً بـ YOLO26
• YOLOv7 مقارنةً بـ YOLO11
• YOLOv7 مقارنةً بـ YOLOv10
• YOLOv7 مقارنةً بـ YOLOv9
• YOLOv7 مقارنةً بـ YOLOv8
• YOLOv7 مقارنةً بـ YOLOv6-3.0
• YOLOv7 مقارنةً بـ YOLOv5
• YOLOv7 مقارنةً بـ PP-YOLOE+
• YOLOv7 مقارنةً بـ DAMO-YOLO
• YOLOv7 مقابل YOLOX
• YOLOv7 مقابل RT-DETR
• YOLOv7 مقابل EfficientDet

YOLOv6 مقابل#

صُمّم YOLOv6 من Meituan للتطبيقات الصناعية، ويتميز بوحدات BiC للوصل ثنائي الاتجاه واستراتيجيات التدريب المدعومة بالمراسي.

• YOLOv6-3.0 مقابل YOLO26
• YOLOv6-3.0 مقابل YOLO11
• YOLOv6-3.0 مقابل YOLOv10
• YOLOv6-3.0 مقابل YOLOv9
• YOLOv6-3.0 مقابل YOLOv8
• YOLOv6-3.0 مقابل YOLOv7
• YOLOv6-3.0 مقابل YOLOv5
• YOLOv6-3.0 مقابل PP-YOLOE+
• YOLOv6-3.0 مقابل DAMO-YOLO
• YOLOv6-3.0 مقابل YOLOX
• YOLOv6-3.0 مقابل RT-DETR
• YOLOv6-3.0 مقابل EfficientDet

YOLOv5 مقابل#

يشتهر Ultralytics YOLOv5 بسهولة استخدامه واستقراره وسرعته. ولا يزال خيارًا موثوقًا للمشروعات التي تتطلب توافقًا واسعًا مع الأجهزة.

• YOLOv5 مقابل YOLO26
• YOLOv5 مقابل YOLO11
• YOLOv5 مقابل YOLOv10
• YOLOv5 مقابل YOLOv9
• YOLOv5 مقابل YOLOv8
• YOLOv5 مقابل YOLOv7
• YOLOv5 مقابل YOLOv6-3.0
• YOLOv5 مقابل PP-YOLOE+
• YOLOv5 مقابل DAMO-YOLO
• YOLOv5 مقابل YOLOX
• YOLOv5 مقابل RT-DETR
• YOLOv5 مقابل EfficientDet

RT-DETR مقابل#

يستفيد RT-DETR (محوّل الكشف في الزمن الحقيقي) من محوّلات الرؤية لتحقيق دقة عالية مع أداء آني، ويبرع في فهم السياق العام.

• RT-DETR مقابل YOLO26
• RT-DETR مقابل YOLO11
• RT-DETR مقابل YOLOv10
• RT-DETR مقابل YOLOv9
• RT-DETR مقابل YOLOv8
• RT-DETR مقابل YOLOv7
• RT-DETR مقابل YOLOv6-3.0
• RT-DETR مقابل YOLOv5
• RT-DETR مقابل PP-YOLOE+
• RT-DETR مقابل DAMO-YOLO
• RT-DETR مقابل YOLOX
• RT-DETR مقابل EfficientDet

PP-YOLOE+ مقابل#

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

• PP-YOLOE+ مقابل YOLO26
• PP-YOLOE+ مقابل YOLO11
• PP-YOLOE+ مقابل YOLOv10
• PP-YOLOE+ مقابل YOLOv9
• PP-YOLOE+ مقابل YOLOv8
• PP-YOLOE+ مقابل YOLOv7
• PP-YOLOE+ مقابل YOLOv6-3.0
• PP-YOLOE+ مقابل YOLOv5
• PP-YOLOE+ مقابل DAMO-YOLO
• PP-YOLOE+ مقابل YOLOX
• PP-YOLOE+ مقابل RT-DETR
• PP-YOLOE+ مقابل EfficientDet

DAMO-YOLO مقابل#

يستخدم DAMO-YOLO، من Alibaba Group، البحث عن البنية العصبية (NAS) وRepGFPN الفعّال لزيادة الدقة إلى أقصى حد في المعايير الثابتة.

• DAMO-YOLO مقابل YOLO26
• DAMO-YOLO مقابل YOLO11
• DAMO-YOLO مقابل YOLOv10
• DAMO-YOLO مقابل YOLOv9
• DAMO-YOLO مقابل YOLOv8
• DAMO-YOLO مقابل YOLOv7
• DAMO-YOLO مقابل YOLOv6-3.0
• DAMO-YOLO مقابل YOLOv5
• DAMO-YOLO مقابل PP-YOLOE+
• DAMO-YOLO مقابل YOLOX
• DAMO-YOLO مقابل RT-DETR
• DAMO-YOLO مقابل EfficientDet

YOLOX مقابل#

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

• YOLOX مقابل YOLO26
• YOLOX مقابل YOLO11
• YOLOX مقابل YOLOv10
• YOLOX مقابل YOLOv9
• YOLOX مقابل YOLOv8
• YOLOX مقابل YOLOv7
• YOLOX مقابل YOLOv6-3.0
• YOLOX مقابل YOLOv5
• YOLOX مقابل PP-YOLOE+
• YOLOX مقابل DAMO-YOLO
• YOLOX مقابل RT-DETR
• YOLOX مقابل EfficientDet

EfficientDet مقابل#

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

• EfficientDet مقابل YOLO26
• EfficientDet مقابل YOLO11
• EfficientDet مقابل YOLOv10
• EfficientDet مقابل YOLOv9
• EfficientDet مقابل YOLOv8
• EfficientDet مقابل YOLOv7
• EfficientDet مقابل YOLOv6-3.0
• EfficientDet مقابل YOLOv5
• EfficientDet مقابل PP-YOLOE+
• EfficientDet مقابل DAMO-YOLO
• EfficientDet مقابل YOLOX
• EfficientDet مقابل RT-DETR

يُحدَّث هذا الفهرس باستمرار مع إصدار نماذج جديدة وتحسين المعايير المرجعية. نشجعك على استكشاف هذه الموارد لاختيار الأنسب لمشروعك القادم في مجال الرؤية الحاسوبية. إذا كنت تبحث عن حلول بمستوى المؤسسات مع ترخيص خاص، فتفضل بزيارة صفحة الترخيص. نتمنى لك مقارنة موفقة!