YOLO11 YOLO: مقارنة بين أجهزة الكشف عن الأجسام من الجيل التالي

يعد اختيار البنية المثلى خطوة حاسمة في أي مشروع للرؤية الحاسوبية. يقدم هذا الدليل الفني مقارنة شاملة بين نموذجين قويين للكشف عن الكائنات: Ultralytics YOLO11 و YOLO. سنتعمق في ابتكاراتهما المعمارية ونماذج التدريب وقابليتهما للتطبيق في العالم الحقيقي لمساعدتك في اختيار أفضل أداة تناسب احتياجاتك في مجال النشر.

نظرات عامة على النموذج

Ultralytics YOLO11

تم تطويره بواسطة فريق Ultral Ultralytics، YOLO11 يمثل إصدارًا متطورًا للغاية في YOLO حيث يعمل على تحسين الدقة والكفاءة بشكل كبير. وهو مصمم للباحثين والمهندسين الذين يبحثون عن نظام بيئي موحد وجاهز للإنتاج يمتد من إدارة مجموعات البيانات إلى النشر المتطور.

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2024-09-27
• GitHub:https://github.com/ultralytics/ultralytics
• الوثائق:https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

YOLO11 بتعدد استخداماته. في حين أن العديد من النماذج التقليدية تركز فقط على الصناديق المحددة، يدعم YOLO11 اكتشاف الكائنات وتقسيم الحالات وتصنيف الصور وتقدير الوضع. تتيح هذه القدرة متعددة الوسائط للمطورين دمج خطوط إنتاج الذكاء الاصطناعي البصري الخاصة بهم في إطار عمل واحد جيد الصيانة.

DAMO-YOLO

تم تطوير YOLO من قبل باحثين في مجموعة Alibaba. وهو يستفيد من البحث في البنية العصبية (NAS) لاكتشاف هياكل أساسية عالية الكفاءة مصممة خصيصًا للاستدلال في الوقت الفعلي على وحدات معالجة الرسومات (GPU) ومسرعات أخرى.

• المؤلفون: شيانزه شو، يي تشي جيانغ، وي هوا تشن، ييلون هوانغ، يوان تشانغ، وشيو يو صن
• المؤسسة:مجموعة علي بابا
• التاريخ: 2022-11-23
• Arxiv:https://arxiv.org/abs/2211.15444v2
• GitHub:https://github.com/tinyvision/DAMO-YOLO
• الوثائق:https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md

تعرف على المزيد حول DAMO-YOLO

YOLO الفلسفة الأساسية لـYOLO حول إعادة تحديد المعلمات والبحث الآلي. من خلال استخدام MAE-NAS (البحث عن البنية العصبية التطورية متعددة الأهداف)، صمم المؤلفون بنية أساسية مخصصة تعزز بشكل كبير سرعات الاستدلال على الأجهزة المتخصصة. كما أنها تتضمن عنقًا محسّنًا للغاية يسمى Efficient RepGFPN وبنية ZeroHead مبسطة لتقليل زمن الاستجابة إلى الحد الأدنى.

مقارنة الأداء والهندسة المعمارية

من الضروري فهم المفاضلات في الأداء عند نشر تطبيقات الذكاء الاصطناعي المتطورة. يوضح الجدول أدناه المقاييس الرئيسية مثل متوسط الدقة (mAP) والكمون وحجم الحوسبة.

نظرة معمارية متعمقة

YOLO11 يعتمد على بنية أساسية عالية الكفاءة ومصممة خصيصًا لتحقيق التوازن المثالي بين عدد المعلمات والقدرة التمثيلية. تم تحسينه ليعمل بشكل رائع عبر مجموعة من الأجهزة، ويتميز بقدرات أصلية مع استخدام أدنى حد من CUDA أثناء التدريب والاستدلال. وهذا يجعله خيارًا ممتازًا للأجهزة الاستهلاكية القياسية أو أجهزة إنترنت الأشياء المحدودة الموارد.

على العكس من ذلك، تم ضبط العمود الفقري الذي أنشأته MAE-NAS YOLO بدقة GPU عالية الإنتاجية. تدمج شبكة RepGFPN (شبكة هرمية عامة للميزات) الفعالة الخاصة بها عدة مقاييس بشكل مكثف. ومع ذلك، في حين أن إعادة تحديد المعلمات تسرع عملية الاستدلال، فإنها قد تعقد عملية النشر إذا كانت مجموعة الأجهزة الخاصة بك لا تدعم هذه العمليات بشكل جيد.

سهولة الاستخدام وكفاءة التدريب

عند أخذ وقت التطوير في الاعتبار، تصبح سهولة استخدام النموذج بنفس أهمية معاييره الأولية.

YOLO11 يعتمد بشكل كبير على مبدأ إمكانية الوصول للمطورين. الشامل ultralytics تقوم الحزمة بتجريد عملية تحليل مجموعات البيانات وتوسيعها وضبط المعلمات الفائقة من عبء العمل الثقيل. تصدير النماذج إلى تنسيقات الإنتاج مثل ONNX, TensorRT، و OpenVINO يتطلب أمرًا واحدًا فقط.

from ultralytics import YOLO

# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")

# Train the model with mixed precision on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)

YOLO نشأ من خلفية أكاديمية وبحثية مكثفة، يمثل منحنى تعلم أكثر حدة. غالبًا ما يتطلب تحقيق أقصى دقة له عمليات تقطير معرفية معقدة، مما يعني أنه يتعين عليك أولاً تدريب شبكة "معلم" ضخمة قبل نقل تلك المعرفة إلى شبكة "طالب" أصغر. يؤدي هذا إلى تضخم كبير في حجم GPU المطلوبة GPU ومدة التدريب الإجمالية مقارنة بدورات التدريب المحدودة Ultralytics .

حالات الاستخدام والتوصيات

YOLO الاختيار بين YOLO11 YOLO على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLO11

YOLO11 خيار قوي لـ:

• نشر حافة الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA حيث الموثوقية والصيانة النشطة أمران بالغا الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتجزئة وتقدير الوضع و OBB ضمن إطار موحد واحد.
• النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Python Ultralytics Python المبسطة.

متى تختار DAMO-YOLO

YOLO في الحالات التالية:

• تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات الفيديو عالية معدل الإطارات في الثانية علىGPU NVIDIA GPU الثابتة حيث يكون إنتاجية الدفعة 1 هو المقياس الأساسي.
• خطوط التصنيع الصناعي: سيناريوهات ذات قيود صارمة GPU على الأجهزة المخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
• أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والبنى الأساسية المعاد معايرتها بكفاءة على أداء الكشف.

متى تختار Ultralytics YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:

• نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
• بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
• كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

التطبيقات الواقعية وحالات الاستخدام

الأنظمة المستقلة والطائرات بدون طيار

بالنسبة للصور الجوية ونشر الطائرات بدون طيار، YOLO11 توازنًا رائعًا في الأداء. يمثل اكتشاف الأجسام الصغيرة عقبة كبيرة في تحليلات الطائرات بدون طيار، ولكن YOLO11 المقاييس المتنوعة بشكل أصلي فور تشغيله. بالإضافة إلى ذلك، تسمح متطلبات الذاكرة المنخفضة بتشغيل YOLO11 و Small مباشرة على وحدات المعالجة المركزية (CPU) أو وحدات المعالجة العصبية (NPU) الخفيفة المثبتة على الطائرة بدون طيار.

الأتمتة الصناعية ومراقبة الجودة

في المصانع الذكية، يعد زمن الاستجابة أمراً بالغ الأهمية. في حين أن YOLO يوفر سرعات استدلال قوية على وحدات معالجة الرسومات (GPU) الثقيلة من فئة الخوادم بفضل عنق RepGFPN، إلا أن التكامل الصارم قد يكون مبالغاً فيه. YOLO11 يكون YOLO11 بديلاً ممتازاً لمراقبة الجودة الآلية بفضل واجهات برمجة التطبيقات (API) البسيطة للتتبع والقدرة على الانتقال بسلاسة من مهام الكشف البحت إلى مهام الصندوق المحدد الموجه (OBB) إذا كانت العيوب تتطلب التعرف على الحدود الزاوية.

الرعاية الصحية الذكية والتصوير الطبي

غالبًا ما تكون مجموعات بيانات التصوير الطبي صغيرة نسبيًا، ومن الصعب تجنب الإفراط في التكييف. تساعد تقنيات التوسيع النشطة، جنبًا إلى جنب مع خطوط أنابيب التعلم النقلي القياسية التي يوفرها نظام Ultralytics البيئي جيد الصيانة ، الأطباء والمطورين على نشر نماذج دقيقة للكشف عن الأورام بشكل موثوق. يضمن الدعم الواسع من المجتمع حل المشكلات في المجالات المعقدة مثل الرعاية الصحية بسرعة.

في النهاية، بينماYOLO دليلاً قوياً على فعالية البحث في الهندسة العصبية، YOLO11Ultralytics الموسعة تظل التوصية النهائية لمهام الرؤية الحاسوبية في العالم الواقعي، مع إعطاء الأولوية للنشر السريع وسهولة التطوير والأداء متعدد الوسائط من الدرجة الأولى.

تعليقات