YOLO11 مقابل YOLOv10#
إن مشهد الرؤية الحاسوبية في الوقت الفعلي يتطور باستمرار، حيث تدفع البنى الجديدة حدود ما هو ممكن على أجهزة الحافة وبنية البنية التحتية السحابية على حد سواء. في هذا التحليل التقني المفصل، نستكشف الفروق الدقيقة بين نموذجين محوريين في هذا المجال: Ultralytics YOLO11 وYOLOv10. يمثل كلاهما قفزات كبيرة في قدرات اكتشاف الكائنات، ومع ذلك فهما يعتمدان فلسفات معمارية مختلفة جذرياً لتحقيق أدائهما.
استكشاف بنية YOLO11#
تفاصيل YOLO11:
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 27-09-2024
- GitHub: https://github.com/ultralytics/ultralytics
- المستندات: https://docs.ultralytics.com/models/yolo11
تم تقديم YOLO11 كقوة محركة متعددة الاستخدامات، وهو يبني على سنوات من البحث الأساسي في الرؤية الحاسوبية والذكاء الاصطناعي. تتمحور فلسفة التصميم الأساسية لـ YOLO11 حول ثراء الميزات والتعددية القصوى في الاستخدام عبر مهام الرؤية الحاسوبية المتعددة.
أحد التحسينات البارزة في YOLO11 هو تنفيذ C3k2 Block. يعمل وحدة الاختناق المحسنة هذه على تحسين تدفق التدرج في جميع أنحاء الشبكة، مما يرفع كفاءة المعلمات بشكل كبير مع الحفاظ على دقة عالية. بالإضافة إلى ذلك، يستخدم YOLO11 آلية انتباه مكاني محسنة، والتي تعتبر بالغة الأهمية لتحديد العناصر الصغيرة أو المحجوبة جزئياً. هذا يجعله خياراً استثنائياً لحالات استخدام التصوير الجوي وتحليل الصور الطبية التفصيلي.
يستخدم YOLO11 تصميماً خالياً من المراسي (anchor-free) يقلل من تعقيد ضبط المعاملات الفائقة، مما يسمح بتعميم قوي عبر مجموعة واسعة من مجموعات البيانات المخصصة. علاوة على ذلك، فإن متطلبات الذاكرة أثناء التدريب أقل بكثير مقارنة بالبنيات القائمة على المحولات (transformer-based)، مما يسمح للباحثين بتدريب نماذج كبيرة بكفاءة على الأجهزة الاستهلاكية القياسية.
استكشاف بنية YOLOv10#
تفاصيل YOLOv10:
- المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
- المنظمة: جامعة تسينغوا
- التاريخ: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- المستندات: https://docs.ultralytics.com/models/yolov10
تم تطوير YOLOv10 بواسطة باحثين في جامعة تسينغهوا، وأحدث ضجة كـ رائد من البداية إلى النهاية في عائلة YOLO. السمة المميزة لـ YOLOv10 هي منهجية NMS-Free Training. من خلال توظيف مهام مزدوجة متسقة أثناء مرحلة التدريب، يتنبأ النموذج بشكل طبيعي بمربع محيط واحد بالضبط لكل كائن. يلغي هذا الإنجاز تماماً الحاجة إلى Non-Maximum Suppression (NMS) أثناء الاستدلال، وهي خطوة معالجة لاحقة أدت تاريخياً إلى اختناقات في زمن الوصول في خطوط نشر النماذج.
تقدم البنية أيضاً استراتيجية تصميم كفاءة ودقة شاملة. فهي تدمج أخذ العينات المتنازل عنها المكاني والقناة وتصميمات الكتل الموجهة بالرتبة التي تقلل بشكل انتقائي من التكرار في مراحل الشبكة. ينتج عن ذلك عدد أقل من FLOPs وعبء حسابي مخفض دون التضحية بشكل كبير بـ mean Average Precision (mAP). بالنسبة للتطبيقات في الوقت الفعلي حيث توفر كل مللي ثانية، فإن إزالة NMS توفر رسماً بيانياً حتمياً للاستدلال مناسباً للغاية لـ أجهزة الذكاء الاصطناعي الطرفية.
مقاييس الأداء والمعايير#
عند تقييم هذين النموذجين، ننظر إلى التوازن بين الدقة، وعدد المعلمات، والسرعة. يعرض الجدول التالي كيف يتم مقارنتها عبر المقاييس المختلفة على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
كما لوحظ في مقاييس أداء YOLO، يحقق YOLO11 عموماً درجات mAP أعلى قليلاً عبر متغيراته، لا سيما في النماذج الأكبر. يضمن تصميم YOLOv10 الخالي من NMS أوقات استدلال مستقرة للغاية من البداية إلى النهاية، لكن YOLO11 لا يزال يدير إنتاجية استثنائية عند تحسينه باستخدام TensorRT على أجهزة NVIDIA.
عند تجهيز نماذجك للنشر، يعد التصدير إلى تنسيقات محسنة أمراً بالغ الأهمية. يمكن تصدير كل من YOLO11 وYOLOv10 بسلاسة إلى تنسيقات مثل ONNX وTensorRT باستخدام إطار عمل Ultralytics. راجع دليلنا حول خيارات نشر النموذج للحصول على إرشادات خطوة بخطوة.
ميزة نظام Ultralytics البيئي#
في حين أن مقاييس الأداء المستقلة مهمة، فإن إطار العمل المحيط يحدد النجاح العملي لمشروع تعلم الآلة. وهنا يتألق YOLO11 حقاً، كعضو أصيل في نظام Ultralytics.
تقدم منصة Ultralytics تجربة مستخدم مبسطة بشكل لا يصدق. مع Python API بسيط وموحد، يمكن للمطورين التعامل مع مهام تتجاوز المربعات المحيطة الأساسية. يدعم YOLO11 تجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور، واكتشاف المربع المحيط الموجه (OBB) خارج الصندوق. وغالباً ما تفتقر مستودعات الأبحاث المتخصصة إلى هذا التنوع الهائل.
علاوة على ذلك، يتم دعم النظام البيئي بوثائق شاملة ودعم نشط من المجتمع. تم دمج عمليات التكامل مع أدوات مثل Weights & Biases لتتبع التجارب، وOpenVINO لتحسين أجهزة Intel، مباشرة في المكتبة. يتطلب تدريب النموذج الحد الأدنى من التعليمات البرمجية النموذجية ويستفيد من عمليات التدريب عالية الكفاءة التي تتطلب ذاكرة CUDA أقل من نماذج المحولات الثقيلة مثل RT-DETR.
مثال كود عملي#
تم تصميم التدريب وتشغيل الاستدلال باستخدام Ultralytics ليكون بديهياً قدر الإمكان. تتعامل واجهة برمجة التطبيقات (API) المتطابقة مع كل من YOLO11 و YOLOv10 بسهولة.
from ultralytics import YOLO
# Initialize the model (YOLO11n or YOLOv10n)
model = YOLO("yolo11n.pt")
# Train the model efficiently on a custom dataset
# Ultralytics automatically handles hyperparameters and memory optimization
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Run inference on an image
inference_results = model("https://ultralytics.com/images/bus.jpg")
# Display the detected objects
inference_results[0].show()حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 و YOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLO11#
يعد YOLO11 خياراً قوياً لـ:
- نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.
متى تختار YOLOv10#
يوصى باستخدام YOLOv10 في الحالات التالية:
- الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
- الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
- تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
الجيل القادم: YOLO26#
في حين قدم YOLOv10 نموذجاً ثورياً خالياً من NMS وقام YOLO11 بإتقان تعدد المهام، فإن مجال الذكاء الاصطناعي يتحرك بسرعة. بالنسبة للمطورين الذين يبدأون عمليات نشر إنتاجية جديدة اليوم، نوصي بشدة باكتشاف Ultralytics YOLO26.
تم إصدار YOLO26 في يناير 2026، وهو يدمج أفضل ما في العالمين. فهو يتبنى أصلاً تصميم NMS-Free من البداية إلى النهاية الذي ابتكره YOLOv10، مما يبسط خط أنابيب النشر بشكل جذري ويضمن زمن وصول متسق. علاوة على ذلك، يدمج YOLO26 تحسينات متخصصة للحوسبة الطرفية. من خلال تنفيذ إزالة DFL (إزالة Distribution Focal Loss)، تضمن البنية سهولة أكبر في التصدير وتحقق سرعة استدلال على وحدة المعالجة المركزية أسرع بنسبة تصل إلى 43% مقارنة بالنماذج القديمة، مما يجعله الخيار الأول لأجهزة إنترنت الأشياء ذات الطاقة المنخفضة وتطبيقات الهاتف المحمول.
يجلب YOLO26 أيضاً استقرار تدريب نموذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية عبر MuSGD Optimizer المبتكر، وهو هجين مستوحى من أبحاث الذكاء الاصطناعي المتطورة. إلى جانب وظائف الخسارة ProgLoss + STAL، يوفر YOLO26 دقة لا مثيل لها على الكائنات الصغيرة، وهو أمر ضروري لاكتشاف فيديو المرور المفصل والأتمتة الروبوتية المعقدة.
الخلاصة#
يعتمد اختيار نموذج الرؤية المناسب على قيودك التشغيلية المحددة. يقف YOLOv10 كمعلم مهم في الأوساط الأكاديمية، مما يثبت أنه يمكن القضاء على NMS بفعالية من خط أنابيب الاكتشاف. ومع ذلك، للحصول على توازن متفوق بين الأداء، وتعدد المهام الشامل، وأدوات النشر السلسة، يقدم YOLO11 حلاً قوياً وجاهزاً للمؤسسات.
للمهندسين الذين يريدون التقنية الأحدث على الإطلاق - التي تجمع بين البساطة من البداية إلى النهاية وأداء الحافة فائق السرعة - فإن الهجرة إلى أحدث YOLO26 هي التوصية النهائية. من خلال الاستفادة من منصة Ultralytics الشاملة، تضمن أن مشاريعك مبنية على أساس مُصان جيداً، وعالي الكفاءة، ومقاوم للمستقبل.