YOLO11 مقابل YOLOv10
تواصل بنيات الرؤية الحاسوبية الآنية تحسّنها على الأجهزة الطرفية والبنى التحتية السحابية. يقارن هذا التحليل التقني بين نموذجين مؤثرين: Ultralytics YOLO11 وYOLOv10. وقد حقق كلاهما تقدمًا في كشف الكائنات خلال عام 2024، لكنهما يتبعان نهجين معماريين مختلفين 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
يستند YOLO11 إلى سنوات من الأبحاث في الرؤية الحاسوبية والذكاء الاصطناعي. ويركز تصميمه على ثراء السمات وتعدد الاستخدامات عبر مجموعة من مهام الرؤية الحاسوبية.
من أبرز تحسينات YOLO11 تطبيق كتلة C3k2. تحسّن وحدة عنق الزجاجة المنقحة هذه تدفق التدرجات عبر الشبكة وكفاءة المعلمات، مع الحفاظ على دقة عالية. كما يستخدم YOLO11 آلية محسّنة للانتباه المكاني تساعد على تحديد العناصر الصغيرة أو المحجوبة جزئيًا. وهذا يجعله خيارًا مناسبًا لحالات استخدام الصور الجوية وتحليل الصور الطبية المفصل.
يستخدم YOLO11 تصميمًا خاليًا من المراسي يقلل ضبط المعلمات الفائقة ويعمم جيدًا على نطاق واسع من مجموعات البيانات المخصصة. كما أن متطلبات الذاكرة أثناء التدريب أقل من متطلبات البنيات القائمة على المحولات، ما يتيح للباحثين تدريب نماذج كبيرة بكفاءة على العتاد الاستهلاكي القياسي.
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
طوّر باحثون في جامعة تسينغهوا YOLOv10، وهو أول نموذج شامل من البداية إلى النهاية في عائلة YOLO. وتتمثل ميزته الأساسية في التدريب الخالي من NMS: إذ يتعلم النموذج، عبر استخدام تعيينات مزدوجة متسقة أثناء التدريب، التنبؤ بصندوق محيط واحد لكل كائن عند الاستدلال. ويلغي ذلك الحاجة إلى كبت غير الأعظميات (NMS) أثناء الاستدلال، وهي خطوة معالجة لاحقة تسببت تاريخيًا في اختناقات زمن الاستجابة ضمن خطوط النشر.
كما تقدم البنية استراتيجية تصميم شاملة لتحقيق الكفاءة والدقة. وهي تتضمن خفضًا لأخذ العينات يفصل بين المكاني والقنوي، وتصميمات للكتل تسترشد بالرتبة لتقليل التكرار انتقائيًا في مراحل الشبكة. وينتج عن ذلك انخفاض في FLOPs وتقليل العبء الحاسوبي دون التضحية بدرجة كبيرة بـمتوسط الدقة (mAP). وفي التطبيقات الآنية التي تكتسب فيها كل مللي ثانية أهمية، توفر إزالة NMS رسمًا بيانيًا حتميًا للاستدلال، مناسبًا لـأجهزة الذكاء الاصطناعي الطرفي.
مقاييس الأداء والمعايير المرجعية#
توازن هذه المقارنة بين الدقة وعدد المعلمات والسرعة. ويعرض الجدول التالي مقارنةً بين النموذجين عبر مقاييس مختلفة على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
يحقق YOLO11 mAP أعلى قليلًا عند كل مقياس مماثل (مثلًا، 39.5 مقابل 38.5 لنماذج nano و54.7 مقابل 54.4 لنماذج x)، بينما يستخدم YOLOv10 معلمات أقل عند المقاييس الأكبر (29.5M مقابل 56.9M لنماذج x). ويتشابه زمن الاستجابة على T4 باستخدام TensorRT بين العائلتين.
عند إعداد النماذج للنشر، من المهم تصديرها إلى تنسيقات محسّنة. يمكن تصدير YOLO11 وYOLOv10 إلى تنسيقات مثل ONNX وTensorRT باستخدام إطار عمل Ultralytics. راجع دليلنا حول خيارات نشر النماذج للاطلاع على تعليمات خطوة بخطوة.
ميزة منظومة Ultralytics#
مع أهمية مقاييس الأداء المستقلة، يحدد إطار العمل المحيط النجاح العملي لمشروع تعلّم الآلة. وهنا يبرز YOLO11 بوصفه جزءًا أصيلًا من منظومة Ultralytics.
توفر منصة Ultralytics تجربة استخدام مبسطة. وباستخدام واجهة API موحدة وسهلة لـ Python، يستطيع المطورون تنفيذ مهام تتجاوز الصناديق المحيطة الأساسية. يدعم YOLO11 مباشرةً كشف تجزئة الكائنات الفردية، وتصنيف الصور، وتقدير الوضعية، والصناديق المحيطة الموجّهة (OBB)، بينما يركز YOLOv10 على الكشف. وغالبًا ما يفتقر مستودع الأبحاث المتخصص إلى هذا التنوع.
علاوة على ذلك، تستند المنظومة إلى وثائق وافرة ودعم نشط من المجتمع. وقد أُدرجت عمليات التكامل مع أدوات مثل Weights & Biases لتتبّع التجارب، ومع OpenVINO لتحسين الأداء على أجهزة Intel، مباشرةً في المكتبة. ويتطلب تدريب النموذج الحد الأدنى من الشيفرة النمطية، ويستهلك ذاكرة CUDA أقل من نماذج المحوّلات الأثقل مثل RT-DETR.
مثال عملي على الشيفرة#
يتطلب التدريب وتشغيل الاستدلال باستخدام Ultralytics بضعة أسطر من التعليمات البرمجية، وتتعامل واجهة API نفسها مع 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 وتفضيلات المنظومة.
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 والتجزئة والتصنيف 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 API الخاصة بـ Python 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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.
الجيل التالي: YOLO26#
قدم YOLOv10 كشف YOLO الخالي من NMS، وصقل YOLO11 تعدد المهام. ونوصي بـ Ultralytics YOLO26 للمطورين الذين يبدأون اليوم عمليات نشر إنتاجية جديدة.
أُطلق YOLO26 في يناير 2026، ويجمع بين نقاط القوة في كليهما. ويقدّم التصميم الشامل من البداية إلى النهاية والخالي من NMS الخاص بـ YOLOv10 بوصفه رأسًا اختياريًا واحدًا لواحد (nms=False)، ما يبسّط مسار النشر ويحافظ على اتساق زمن الاستجابة. كما يضيف YOLO26 تحسينات موجهة للأجهزة الطرفية: إذ تسهم إزالة DFL (إزالة خسارة التركيز التوزيعي) في تبسيط التصدير، ويعمل YOLO26n بسرعة تصل إلى 43% أكثر على CPU مقارنةً بـ YOLO11n، ما يجعل YOLO26 خيارًا قويًا لأجهزة IoT منخفضة الطاقة وتطبيقات الأجهزة المحمولة.
يجلب YOLO26 أيضًا استقرار تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية باستخدام مُحسِّن MuSGD، وهو مزيج هجين من SGD وMuon. وإلى جانب ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة)، يحسّن YOLO26 الدقة في الأجسام الصغيرة، وهو أمر ضروري لـكشف حركة المرور في الفيديو والأتمتة الروبوتية المعقدة.
الخلاصة#
يعتمد اختيار نموذج الرؤية المناسب على القيود التشغيلية الخاصة بك. ويُعد YOLOv10 إنجازًا بحثيًا مهمًا، إذ يبيّن إمكانية إزالة NMS من خط أنابيب كشف YOLO. أما لتحقيق توازن أفضل بين الأداء وتعدد المهام وأدوات النشر، فيوفر YOLO11 حلًا موثوقًا وجاهزًا للمؤسسات.
للمهندسين الراغبين في الاستدلال الشامل من البداية إلى النهاية اختياريًا مع أداء سريع على الأجهزة الطرفية، يُوصى بالانتقال إلى YOLO26. ويضمن استخدام منصة Ultralytics استناد المشاريع إلى أساس فعّال ومُصان جيدًا.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.