تعديل الصفحة على GitHub (EN)

مقارنات النماذج: اختر أفضل نموذج لاكتشاف الأجسام لمشروعك

اختيار بنية الشبكة العصبية المناسبة هو حجر الزاوية لأي مشروع ناجح في مجال الرؤية الحاسوبية. مرحبًا بكم في مركز مقارنة نماذج Ultralytics! تعمل هذه الصفحة على تجميع التحليلات التقنية التفصيلية ومعايير الأداء، حيث تحلل المفاضلات بين أحدث Ultralytics YOLO26 والبنيات الرائدة الأخرى مثل YOLO11 وYOLOv10 وRT-DETR وEfficientDet.

سواء كان تطبيقك يتطلب زمن وصول بالملي ثانية في الذكاء الاصطناعي عند الحافة أو الدقة العالية المطلوبة للتصوير الطبي، يوفر هذا الدليل الرؤى القائمة على البيانات اللازمة لاتخاذ خيار مستنير. نحن نقيم النماذج بناءً على متوسط دقة متوسط (mAP)، وسرعة الاستنتاج، وكفاءة المعلمات، وسهولة النشر.

معايير الأداء التفاعلية

تعد مواءمة العلاقة بين السرعة والدقة أمرًا أساسيًا لتحديد "جبهة باريتو" لاكتشاف الأجسام—وهي النماذج التي تقدم أفضل دقة لقيد سرعة معين. يوضح المخطط أدناه المقارنة بين المقاييس الرئيسية على مجموعات بيانات قياسية مثل COCO.

يوضح هذا المخطط مقاييس الأداء الرئيسية مما يتيح لك تقييم المفاضلات بين النماذج المختلفة بسرعة. يعد فهم هذه المقاييس أمرًا أساسيًا لاختيار نموذج يتوافق مع قيود النشر الخاصة بك.

دليل القرار السريع

لست متأكدًا من أين تبدأ؟ استخدم شجرة القرار هذه لتضييق نطاق البنية التي تناسب متطلبات الأجهزة والأداء الخاصة بك بشكل أفضل.

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[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]
    I -- "Video Analytics" --> L[YOLO26 + Tracking]

المشهد الحالي: YOLO26 وما بعده

مجال اكتشاف الأجسام يتحرك بسرعة. بينما تظل النماذج القديمة ذات صلة بدعم الأنظمة القديمة، تدفع البنيات الجديدة حدود ما هو ممكن.

Ultralytics YOLO26

تم إصداره في يناير 2026، YOLO26 هو أحدث نموذج متطور ونقطة البداية الموصى بها لجميع المشاريع الجديدة. يقدم ابتكارات معمارية رائدة بما في ذلك تصميم خالٍ من NMS من الطرف إلى الطرف والذي يلغي الحاجة إلى معالجة لاحقة عبر Non-Maximum Suppression، مما يؤدي إلى أوقات استنتاج أسرع وأكثر قابلية للتنبؤ. YOLO26 أسرع بنسبة تصل إلى 43% على وحدات المعالجة المركزية (CPUs) مقارنة بالأجيال السابقة، مما يجعله مثاليًا للنشر عند الحافة.

تشمل الابتكارات الرئيسية ما يلي:

  • بدون NMS من الطرف إلى الطرف: نشر مبسط بدون الحاجة إلى معالجة لاحقة
  • إزالة DFL: تصديرات انسيابية إلى ONNX وTensorRT وCoreML
  • محسن MuSGD: محسن هجين SGD/Muon مستوحى من تدريب النماذج اللغوية الكبيرة (LLM) لتقارب مستقر
  • ProgLoss + STAL: أداء محسّن لاكتشاف الأجسام الصغيرة
لماذا تختار YOLO26؟

يمثل YOLO26 ذروة هندسة Ultralytics، حيث يجمع بين أفضل كفاءة CNN وقدرات تشبه المحولات من الطرف إلى الطرف. وهو يدعم جميع المهام—الاكتشاف، والتجزئة، وتقدير الوضع، والتصنيف، وOBB—بينما يكون أصغر وأسرع وأسهل في النشر من أي وقت مضى.

Ultralytics YOLO11

لا يزال YOLO11 نموذجًا عالي الكفاءة، حيث يوفر تقليلًا بنسبة 22% في المعلمات مقارنة بـ YOLOv8 مع تحسين دقة الاكتشاف. إنه مدعوم بالكامل وموصى به للمستخدمين الذين يحتاجون إلى استقرار مثبت أو لديهم خطوط أنابيب YOLO11 موجودة.

نماذج المجتمع: ملاحظة حول YOLO12 وYOLO13

قد تواجه إشارات إلى YOLO12 أو YOLO13 في مناقشات أو مستودعات المجتمع.

تحذير الإنتاج

نحن حاليًا لا نوصي بـ YOLO12 أو YOLO13 للاستخدام في الإنتاج.

  • YOLO12: يستخدم طبقات انتباه تسبب غالبًا عدم استقرار في التدريب، واستهلاكًا مفرطًا للذاكرة، وسرعات استنتاج أبطأ بكثير على وحدة المعالجة المركزية (CPU).
  • YOLO13: تشير المعايير إلى مكاسب دقة هامشية فقط مقارنة بـ YOLO11 بينما يكون أكبر وأبطأ. أظهرت النتائج المُبلغ عنها مشكلات في قابلية التكرار.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

مقارنات مفصلة للنماذج

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

YOLO26 مقابل

YOLO26 هو أحدث نموذج من Ultralytics يتميز باكتشاف من الطرف إلى الطرف بدون NMS، ومحسن MuSGD، وسرعة استنتاج أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية. إنه محسّن للنشر عند الحافة مع تحقيق دقة متطورة.

YOLO11 مقابل

يعتمد YOLO11 على نجاح سابقاته بأبحاث متطورة. إنه يتميز ببنية عمود فقري ورقبة محسّنة لاستخراج أفضل للميزات وكفاءة مثالية.

YOLOv10 مقابل

تم تطوير YOLOv10 بواسطة جامعة تسينغهوا، ويركز على إزالة خطوة Non-Maximum Suppression (NMS) لتقليل تباين زمن الوصول، مما يوفر أداءً متطورًا مع تقليل العبء الحسابي.

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، حيث يتميز ببنيات عمود فقري ورقبة متقدمة ورأس تقسيم خالٍ من المرساة لمقايضات الدقة والسرعة المثلى.

YOLOv7 مقابل

قدم YOLOv7 مفهوم "حقيبة الهدايا القابلة للتدريب" وإعادة معلمات النموذج، مع التركيز على تحسين عملية التدريب دون زيادة تكاليف الاستدلال.

YOLOv6 مقابل

صُمم YOLOv6 الخاص بشركة Meituan للتطبيقات الصناعية، ويتميز بوحدات الربط ثنائي الاتجاه (BiC) واستراتيجيات التدريب المعتمدة على المراسي (anchors).

YOLOv5 مقابل

يُشيد بموذج Ultralytics YOLOv5 لسهولة استخدامه واستقراره وسرعته، ويظل خياراً قوياً للمشاريع التي تتطلب توافقاً واسعاً مع الأجهزة.

RT-DETR مقابل

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

PP-YOLOE+ مقابل

يستخدم PP-YOLOE+، الذي طورته Baidu، تقنية تعلم مواءمة المهام (TAL) ورأساً منفصلاً لتحقيق التوازن بين الكفاءة والدقة.

DAMO-YOLO مقابل

من مجموعة Alibaba، يوظف DAMO-YOLO البحث في بنية الشبكة العصبية (NAS) وشبكة RepGFPN الفعالة لتعظيم الدقة في المقاييس الثابتة.

YOLOX مقابل

يعد YOLOX، الذي طورته Megvii، تطوراً خالياً من المراسي معروفاً برأسه المنفصل واستراتيجية تعيين التسميات SimOTA.

EfficientDet مقابل

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

يتم تحديث هذا الفهرس باستمرار مع إصدار نماذج جديدة وتحسين المعايير. نشجعك على استكشاف هذه الموارد للعثور على النموذج الأمثل لمشروعك القادم في مجال الرؤية الحاسوبية. إذا كنت تبحث عن حلول على مستوى المؤسسات مع ترخيص خاص، يرجى زيارة صفحة الترخيص الخاصة بنا. نتمنى لك مقارنة موفقة!

Contributors
تعديل الصفحة على GitHub (EN)
GLglenn-jocher10PDpderrenger1RIRizwanMunawar1

تعليقات