تخطي إلى المحتوى

مقارنات النماذج: اختر أفضل نموذج للكشف عن الأجسام لمشروعك

يعد اختيار بنية الشبكة العصبية المناسبة حجر الزاوية لأي مشروع رؤية حاسوبية ناجحة. مرحبًا بك في مركز مقارنة نماذجUltralytics ! تركز هذه الصفحة على التحليلات التقنية التفصيلية ومعايير الأداء، وتحلل المفاضلة بين أحدث نماذج Ultralytics YOLO11 وغيرها من البنى الرائدة مثل YOLOv10 RT-DETR وEfficientDet.

سواء أكان تطبيقك يتطلب زمن انتقال بالمللي ثانية للذكاء الاصطناعي المتطور أو الدقة العالية الدقة المطلوبة للتصوير الطبي، يوفر هذا الدليل الرؤى المستندة إلى البيانات اللازمة لاتخاذ قرار مستنير. نقوم بتقييم النماذج بناءً على متوسط متوسط الدقة (mAP) وسرعة الاستدلال وكفاءة المعلمات وسهولة النشر.

معايير الأداء التفاعلية

يعد تصور العلاقة بين السرعة والدقة أمرًا ضروريًا لتحديد "حدود باريتو" لنماذج اكتشاف الأجسام التي توفر 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 القرار السريع

لست متأكداً 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

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

Ultralytics YOLO11

كأحدث إصدار مستقر YOLO11 هو نقطة البداية الموصى بها للمشاريع الجديدة. فهو يقدم تحسينات معمارية كبيرة مقارنةً بالإصدارات السابقة، بما في ذلك إمكانات استخراج الميزات المحسّنة والرسوم البيانية المحسّنة للحوسبة. وهو يدعم مجموعة كاملة من المهام - الكشف، والتجزئة، وتقدير الوضع، والتصنيف، والمربعات المحدودة الموجهة (OBB)- ضمن إطار عمل واحد وموحد.

لماذا تختار YOLO11

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

نماذج المجتمع: ملاحظة على YOLO12 و YOLO13

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

تحذير الإنتاج

لا نوصي حاليًا باستخدام YOLO12 أو YOLO13 للاستخدام في الإنتاج.

  • YOLO12: يستخدم طبقات الانتباه التي غالبًا ما تتسبب في عدم استقرار التدريب، والاستهلاك المفرط للذاكرة، وسرعات استدلال أبطأ بكثير في CPU .
  • YOLO13: تشير المعايير إلى تحقيق مكاسب هامشية فقط في الدقة مقارنةً YOLO11 بينما كانت أكبر وأبطأ. أظهرت النتائج المبلغ عنها مشاكل في إمكانية التكرار.

استشراف المستقبل: 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 وشامل من البداية إلى النهاية. علاوةً على ذلك، في عام 2026، سيتم إطلاق منصةUltralytics كحل شامل للبرمجيات كخدمة (SaaS) لمصادر البيانات والتعليقات التلقائية والتدريب السحابي، مما يبسّط دورة حياة عمليات التشغيل الآلي بالكامل.



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

مقارنات تفصيلية بين النماذج

استكشف مقارناتنا التقنية المتعمقة لفهم الاختلافات المعمارية المحددة، مثل اختيار العمود الفقري وتصميم الرأس ووظائف الفقد. لقد قمنا بتنظيمها حسب الطراز لسهولة الوصول إليها:

YOLO11 مقابل

يعتمد YOLO11 على نجاح سابقيه بأبحاث متطورة. فهو يتميز ببنية محسنة للعمود الفقري والرقبة لاستخراج الميزات بشكل أفضل وكفاءة محسنة.

YOLOv10 ضد

يركز YOLOv10 الذي طورته جامعة تسينغهوا، على إزالة خطوة الكبح غير الأقصى (NMS) لتقليل تباين زمن الوصول، مما يوفر أداءً متطورًا مع تقليل النفقات الحسابية.

YOLOv9 مقابل

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، حيث يتميز ببنية العمود الفقري والرقبة المتقدمة ورأس مقسم خالٍ من المراسي لتحقيق أفضل مفاضلة بين الدقة والسرعة.

YOLOv7 مقابل

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

YOLOv6 مقابل

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

YOLOv5 مقابل

يشتهرYOLOv5 Ultralytics YOLOv5 بسهولة استخدامه وثباته وسرعته. يظل خيارًا قويًا للمشاريع التي تتطلب توافقًا واسعًا مع الأجهزة.

RT-DETR مقابل

يستفيد محول الكشف في الوقت الحقيقي (RT-DETR ) من محولات الرؤية لتحقيق دقة عالية مع أداء في الوقت الحقيقي، ويتفوق في فهم السياق العالمي.

PP-YOLOE+ مقابل

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

DAMO-YOLO ضد

من مجموعة علي بابا، يستخدم YOLO من مجموعة علي بابا البحث المعماري العصبي (NAS) و RepGFPN الفعال لزيادة الدقة في المعايير الثابتة.

YOLO مقابل

إن YOLOX، الذي طورته شركة Megvii، هو تطور خالٍ من الارتكاز ومعروف برأسه المنفصل واستراتيجية تعيين التسمية SimOTA.

EfficientDet مقابل

يستخدم برنامج EfficientDet من Google Brain القياس المركب و BiFPPN لتحسين كفاءة البارامترات، ويقدم مجموعة من النماذج (D0-D7) لمختلف القيود.

يتم تحديث هذا الفهرس باستمرار مع إصدار نماذج جديدة وتنقيح المعايير. نحن نشجعك على استكشاف هذه الموارد للعثور على ما يناسب مشروعك القادم للرؤية الحاسوبية. إذا كنت تبحث عن حلول على مستوى المؤسسات مع ترخيص خاص، يُرجى زيارة صفحة الترخيص الخاصة بنا. مقارنة سعيدة!


تعليقات