YOLO11 مقابل YOLOv10#

يتطور مجال الرؤية الحاسوبية الآنية باستمرار، مع بنيات جديدة تدفع حدود الإمكانات على الأجهزة الطرفية والبنية التحتية السحابية. في هذا التحليل التقني المفصل، نستكشف الفروق الدقيقة بين نموذجين محوريين في المجال: Ultralytics YOLO11 وYOLOv10. ويمثل كلاهما قفزات كبيرة في قدرات اكتشاف الأجسام، لكنهما يتبنيان فلسفتين معماريتين مختلفتين جوهريًا لتحقيق أدائهما.

تحليل بنية YOLO11#

تفاصيل YOLO11:

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: https://docs.ultralytics.com/models/yolo11

طُرح YOLO11 بوصفه نموذجًا قويًا متعدد الاستخدامات، وهو يستند إلى سنوات من الأبحاث التأسيسية في الرؤية الحاسوبية والذكاء الاصطناعي. وتتمحور فلسفة تصميم YOLO11 حول ثراء السمات وتعدد الاستخدامات بدرجة كبيرة عبر مهام الرؤية الحاسوبية.

من أبرز التحسينات في YOLO11 تطبيق كتلة C3k2. وتحسّن وحدة عنق الزجاجة المصقولة هذه تدفق التدرج عبر الشبكة، فترفع كفاءة المعلمات بدرجة كبيرة مع الحفاظ على الدقة. كما يستخدم YOLO11 آلية محسّنة للانتباه المكاني، وهي أساسية للتعرف على العناصر الصغيرة أو المحجوبة جزئيًا. وهذا يجعله خيارًا استثنائيًا لحالات استخدام الصور الجوية وتحليل الصور الطبية التفصيلي.

يستخدم YOLO11 تصميمًا خاليًا من المراسي يقلل تعقيد ضبط المعلمات الفائقة، ما يتيح تعميمًا قويًا على مجموعة واسعة من مجموعات البيانات المخصصة. كما أن متطلبات الذاكرة أثناء التدريب أقل بكثير مقارنة بالبنى القائمة على Transformer، ما يمكّن الباحثين من تدريب نماذج كبيرة بكفاءة على عتاد استهلاكي قياسي.

استكشاف بنية YOLOv10#

تفاصيل YOLOv10:

• المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
• المؤسسة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• الوثائق: https://docs.ultralytics.com/models/yolov10

طوّره باحثون في جامعة تسينغهوا، وأحدث YOLOv10 ضجةً بوصفه نموذجًا رائدًا شاملًا من البداية إلى النهاية ضمن عائلة YOLO. وتتمثل السمة الأبرز في YOLOv10 في منهجية التدريب الخالي من NMS. فمن خلال استخدام إسناد مزدوج متسق أثناء مرحلة التدريب، يتنبأ النموذج طبيعيًا بصندوق إحاطة واحد بالضبط لكل كائن. ويزيل هذا الإنجاز تمامًا الحاجة إلى كبت غير الأعظميات (NMS) أثناء الاستدلال، وهي خطوة معالجة لاحقة كانت تُسبب تاريخيًا اختناقات في زمن الاستجابة ضمن مسارات النشر.

تقدم البنية أيضًا استراتيجية تصميم شاملة توازن بين الكفاءة والدقة. وهي تدمج خفضًا لأخذ العينات يفصل بين البعدين المكاني والقنوي، وتصميمات للكتل موجّهة بالرتبة تقلل التكرار انتقائيًا في مراحل الشبكة. وينتج عن ذلك عدد أقل من عمليات الفاصلة العائمة (FLOPs) وانخفاض في الحمل الحسابي، دون التضحية بدرجة كبيرة بـمتوسط الدقة (mAP). وفي التطبيقات الآنية التي تُحسب فيها كل ميلي ثانية، توفر إزالة NMS مخطط استدلال حتميًا ملائمًا للغاية لـأجهزة الذكاء الاصطناعي الطرفية.

تعرّف على المزيد حول YOLOv10

مقاييس الأداء والمعايير المرجعية#

عند تقييم هذين النموذجين، ننظر إلى التوازن بين الدقة وعدد المعلمات والسرعة. يوضح الجدول التالي كيفية المقارنة بينهما عبر مقاييس متنوعة على مجموعة بيانات COCO.

كما يتضح من مقاييس أداء YOLO، يحقق YOLO11 درجات mAP أعلى قليلًا عبر جميع إصداراته. ويضمن التصميم الخالي من NMS في YOLOv10 استقرارًا كبيرًا لأزمنة الاستدلال الشاملة من البداية إلى النهاية، لكن YOLO11 يحقق أيضًا معدل إنتاجية استثنائيًا عند تحسينه باستخدام TensorRT على أجهزة NVIDIA.

ميزة منظومة Ultralytics#

على الرغم من أهمية مقاييس الأداء المستقلة، فإن إطار العمل المحيط هو ما يحدد النجاح العملي لمشروع تعلّم آلي. وهنا يتألق YOLO11 حقًا بصفته مكوّنًا أصيلًا في منظومة Ultralytics.

توفر منصة Ultralytics تجربة استخدام مبسطة للغاية. وباستخدام واجهة Python البرمجية (API) موحدة وبسيطة، يمكن للمطورين تنفيذ مهام تتجاوز صناديق الإحاطة الأساسية. يدعم YOLO11 أصليًا تقسيم الكائنات، وتقدير الوضعية، وتصنيف الصور، واكتشاف صناديق الإحاطة الموجّهة (OBB)، دون الحاجة إلى إعدادات إضافية. وغالبًا ما تفتقر مستودعات الأبحاث المتخصصة إلى هذا القدر من التنوع.

وفضلًا عن ذلك، تستند المنظومة إلى وثائق موسعة ودعم نشط من المجتمع. وتتوفر عمليات التكامل مع أدوات مثل Weights & Biases لتتبع التجارب وOpenVINO لتحسين الأداء على أجهزة Intel ضمن المكتبة مباشرةً. ويتطلب تدريب النموذج الحد الأدنى من الشيفرة التمهيدية، ويستفيد من عمليات تدريب عالية الكفاءة تحتاج إلى ذاكرة CUDA أقل من نماذج Transformer الضخمة مثل RT-DETR.

مثال عملي على الشيفرة#

صُمم التدريب وإجراء الاستدلال باستخدام Ultralytics ليكونا سهلين قدر الإمكان. وتتعامل واجهة API نفسها بسلاسة مع كل من YOLO11 وYOLOv10.

from ultralytics import YOLO

# ⁨تهيئة النموذج (YOLO11n أو YOLOv10n)⁩
model = YOLO("yolo11n.pt")

# ⁨تدريب النموذج بكفاءة على مجموعة بيانات مخصصة⁩
# ⁨يتولى Ultralytics تلقائيًا معالجة المعلمات الفائقة وتحسين الذاكرة⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# ⁨تشغيل الاستدلال على صورة⁩
inference_results = model("https://ultralytics.com/images/bus.jpg")

# ⁨عرض الكائنات المكتشفة⁩
inference_results[0].show()

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.

متى تختار YOLO11#

يُعد YOLO11 خيارًا قويًا في الحالات التالية:

• النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
• النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.

متى تختار YOLOv10#

يوصى بـ YOLOv10 في الحالات التالية:

• الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
• موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
• التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

الجيل التالي: YOLO26#

في حين قدم YOLOv10 النهج الثوري الخالي من NMS، وطوّر YOLO11 التنوع متعدد المهام، يتطور مجال الذكاء الاصطناعي بسرعة. ونوصي بشدة المطورين الذين يبدأون عمليات نشر إنتاجية جديدة اليوم باستكشاف Ultralytics YOLO26.

صدر YOLO26 في يناير 2026، ويدمج أفضل ما في كلا النهجين. فهو يقدم تصميمًا شاملًا من البداية إلى النهاية وخاليًا من NMS، استُهلّ مع YOLOv10، كرأس اختياري أحادي المطابقة (nms=False)، ما يبسط مسار النشر بدرجة كبيرة ويضمن زمن استجابة متسقًا. علاوة على ذلك، يدمج YOLO26 تحسينات متخصصة للحوسبة الطرفية. ومن خلال تنفيذ إزالة DFL (إزالة خسارة البؤرة للتوزيع)، تضمن البنية سهولة أكبر في التصدير، وتحقق استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنةً بالنماذج السابقة، ما يجعلها الخيار الأمثل لأجهزة إنترنت الأشياء منخفضة الطاقة وتطبيقات الأجهزة المحمولة.

يحقق YOLO26 أيضًا استقرار تدريب نماذج اللغة الكبيرة (LLM) في مجال الرؤية الحاسوبية عبر محسّن MuSGD المبتكر، وهو نموذج هجين مستوحى من أحدث أبحاث الذكاء الاصطناعي. وبالاقتران مع دوال الخسارة ProgLoss + STAL، يقدم YOLO26 دقة لا مثيل لها في اكتشاف الكائنات الصغيرة، وهو أمر أساسي لـاكتشاف حركة المرور في مقاطع الفيديو والأتمتة الروبوتية المعقدة.

الخلاصة#

يعتمد اختيار نموذج الرؤية المناسب على قيودك التشغيلية المحددة. ويمثل YOLOv10 محطة مهمة في الأوساط الأكاديمية، إذ يثبت إمكانية إزالة NMS بفعالية من مسار الكشف. ومع ذلك، يقدم YOLO11 حلًا قويًا جاهزًا للمؤسسات، لتحقيقه توازنًا أفضل بين الأداء والتنوع الشامل للمهام وأدوات النشر السلسة.

للمهندسين الذين يسعون إلى أحدث التقنيات على الإطلاق، عبر الجمع بين بساطة المعالجة الشاملة من البداية إلى النهاية والأداء فائق السرعة على الأجهزة الطرفية، فإن الانتقال إلى أحدث إصدار من YOLO26 هو التوصية المثلى. وبالاستفادة من منصة Ultralytics الشاملة، تضمن بناء مشاريعك على أساس يخضع لصيانة جيدة، وعالي الكفاءة، ومهيأ للمستقبل.