Link to this sectionYOLO11 مقابل YOLOv10#
يشهد مجال الرؤية الحاسوبية في الوقت الفعلي تطوراً مستمراً، حيث تدفع البنيات الجديدة بحدود ما هو ممكن على أجهزة الحافة والبنية التحتية السحابية على حد سواء. في هذا التحليل الفني المفصل، نستكشف الفروق الدقيقة بين نموذجين محوريين في هذا المجال: Ultralytics YOLO11 و YOLOv10. كلاهما يمثل قفزة نوعية في قدرات اكتشاف الكائنات، ومع ذلك فإنهما يعتمدان فلسفات معمارية مختلفة جذرياً لتحقيق أدائهما.
Link to this sectionاستكشاف 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 كنموذج قوي ومتعدد الاستخدامات، وهو يعتمد على سنوات من الأبحاث التأسيسية في الرؤية الحاسوبية والذكاء الاصطناعي. تتمحور فلسفة التصميم الأساسية لـ YOLO11 حول ثراء الميزات وتعدد الاستخدامات الشديد عبر مهام الرؤية الحاسوبية المتعددة.
أحد التحسينات البارزة في YOLO11 هو تنفيذ C3k2 Block. تعمل هذه الوحدة المطورة على تحسين تدفق التدرج عبر الشبكة، مما يعزز كفاءة المعاملات بشكل كبير مع الحفاظ على الدقة العالية. بالإضافة إلى ذلك، يستخدم YOLO11 آلية انتباه مكاني محسنة، وهي بالغة الأهمية لتحديد العناصر الصغيرة أو المحجوبة جزئياً. وهذا يجعله خياراً استثنائياً لحالات استخدام الصور الجوية وتحليل الصور الطبية المفصل.
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.
Link to this sectionاستكشاف 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 تسينغوا، وقد أحدث ضجة كرائد في المعالجة من البداية إلى النهاية (end-to-end) في عائلة YOLO. العلامة المميزة لـ YOLOv10 هي منهجية التدريب بدون NMS. من خلال توظيف تعيينات مزدوجة متسقة أثناء مرحلة التدريب، يتنبأ النموذج بشكل طبيعي بصندوق إحاطة واحد بالضبط لكل كائن. هذا الاختراق يلغي تماماً الحاجة إلى كبت غير الحد الأقصى (NMS) أثناء الاستدلال، وهي خطوة معالجة لاحقة كانت تاريخياً تسبب اختناقات في زمن الوصول في خطوط النشر.
تُدخل البنية أيضاً استراتيجية تصميم شاملة تركز على كفاءة الدقة. وهي تدمج تقنيات تقليل الأبعاد المفككة للمكان والقناة وتصاميم الكتل الموجهة بالرتبة التي تقلل التكرار بشكل انتقائي في مراحل الشبكة. يؤدي هذا إلى تقليل FLOPs والنفقات الحسابية العامة دون التضحية بشكل كبير بـ متوسط دقة الدقة (mAP). بالنسبة للتطبيقات في الوقت الفعلي حيث يكون كل ميلي ثانية مهماً، يوفر إزالة NMS رسم بيان استدلال حتمي مناسب جداً لأجهزة ذكاء الحافة الاصطناعي.
Link to this sectionمقاييس الأداء والمعايير#
عند تقييم هذين النموذجين، ننظر في التوازن بين الدقة وعدد المعاملات والسرعة. يعرض الجدول التالي كيفية مقارنتهما عبر مقاييس مختلفة 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 نتائج mAP أعلى قليلاً عبر متغيراته، خاصة في النماذج الأكبر. يضمن التصميم الخالي من NMS لـ YOLOv10 أوقات استدلال مستقرة للغاية من البداية إلى النهاية، ولكن لا يزال YOLO11 يدير إنتاجية استثنائية عند تحسينه باستخدام TensorRT على أجهزة NVIDIA.
عند تحضير نماذجك للنشر، يعد التصدير إلى تنسيقات محسنة أمراً بالغ الأهمية. يمكن تصدير كل من YOLO11 و YOLOv10 بسلاسة إلى تنسيقات مثل ONNX و TensorRT باستخدام إطار عمل Ultralytics. راجع دليلنا حول خيارات نشر النماذج للحصول على تعليمات خطوة بخطوة.
Link to this sectionميزة 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.
توفر منصة Ultralytics تجربة مستخدم مبسطة بشكل لا يصدق. من خلال Python API بسيطة وموحدة، يمكن للمطورين التعامل مع مهام تتجاوز صناديق الإحاطة الأساسية. يدعم YOLO11 أصلاً تجزئة المثيلات، تقدير الوضع، تصنيف الصور، واكتشاف صناديق الإحاطة الموجهة (OBB) بشكل جاهز. هذا التنوع الهائل غالباً ما يفتقر إليه مستودعات الأبحاث المتخصصة.
علاوة على ذلك، يتم دعم النظام البيئي بوثائق واسعة ودعم مجتمعي نشط. التكاملات مع أدوات مثل Weights & Biases لتتبع التجارب، و OpenVINO لتحسين أجهزة Intel، مدمجة مباشرة في المكتبة. يتطلب تدريب نموذج حداً أدنى من كود القوالب ويستفيد من عمليات تدريب عالية الكفاءة تتطلب ذاكرة CUDA أقل من نماذج المحولات الثقيلة مثل RT-DETR.
Link to this sectionمثال 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()Link to this sectionحالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 و YOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
Link to this sectionمتى تختار YOLO11#
يعد YOLO11 خياراً قوياً لـ:
- نشر الإنتاج عند الحافة: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون الموثوقية والصيانة النشطة أمراً بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب اكتشافاً، وتجزئة، وتقدير وضعية، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى التحرك بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API الانسيابي.
Link to this sectionمتى 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.
- تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال القابلة للتنبؤ أمراً بالغ الأهمية، مثل الروبوتات أو الأنظمة ذاتية القيادة.
Link to this sectionمتى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- 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.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
Link to this sectionالجيل القادم: YOLO26#
بينما قدم YOLOv10 نموذجاً ثورياً خالياً من NMS وأتقن YOLO11 تعدد المهام، فإن مجال الذكاء الاصطناعي يتحرك بسرعة. للمطورين الذين يبدأون عمليات نشر إنتاجية جديدة اليوم، نوصي بشدة باستكشاف 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 نماذج اللغات الكبيرة (LLM) إلى الرؤية الحاسوبية عبر محسن MuSGD المبتكر، وهو هجين مستوحى من أبحاث الذكاء الاصطناعي المتطورة. إلى جانب وظائف الخسارة ProgLoss + STAL، يقدم YOLO26 دقة لا مثيل لها على الكائنات الصغيرة، وهو أمر ضروري لـ اكتشاف فيديو حركة المرور المفصل والأتمتة الروبوتية المعقدة.
Link to this sectionالخلاصة#
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.
بالنسبة للمهندسين الذين يريدون أحدث التقنيات - التي تجمع بين بساطة الاستخدام من البداية للنهاية والأداء المتفوق على الحافة - فإن الترحيل إلى أحدث إصدار من YOLO26 هو التوصية النهائية. من خلال الاستفادة من منصة Ultralytics الشاملة، تضمن أن مشاريعك مبنية على أساس جيد الصيانة وعالي الكفاءة ومستقبلي.