YOLO11 مقابل YOLOv5
يُعد اختيار بنية الشبكة العصبية المناسبة قرارًا أساسيًا لأي مشروع في الرؤية الحاسوبية. ومع تطور الذكاء الاصطناعي، تتطور الأدوات المتاحة للمطورين والباحثين أيضًا. يقدم هذا الدليل مقارنة تقنية بين نموذجين مستخدمين على نطاق واسع من منظومة Ultralytics: YOLOv5 الراسخ منذ فترة طويلة وYOLO11 الأحدث.
سواء أكنت تنشر نماذج خفيفة لتطبيقات الذكاء الاصطناعي الطرفي أم تعالج تدفقات فيديو عالية الدقة على وحدات GPU سحابية، فإن فهم الفروق الدقيقة بين بنى هذه النماذج ومقاييس أدائها وحالات استخدامها المثالية يضمن اتخاذ قرار مستند إلى البيانات ويراعي قيود النشر الخاصة بك.
سلالة النماذج والتفاصيل التقنية#
يعكس كلا النموذجين تركيز Ultralytics على التعاون مفتوح المصدر والأداء الموثوق وسهولة الاستخدام، كما يحظيان باعتماد واسع في مجتمع التعلم الآلي.
تفاصيل YOLO11#
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: ultralytics/ultralytics
- الوثائق: وثائق YOLO11
تفاصيل YOLOv5#
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: ultralytics/yolov5
- الوثائق: وثائق YOLOv5
الاختلافات المعمارية#
أدى التطور من YOLOv5 إلى YOLO11 إلى إدخال عدة تغييرات بنيوية تحسن الدقة وكفاءة المعلمات.
كان YOLOv5 نموذجًا مبكرًا من YOLO بُني أصليًا باستخدام PyTorch، مع عمود فقري CSPNet (شبكة المراحل الجزئية المتقاطعة) وعنق PANet (شبكة تجميع المسارات). واعتمد على الكشف القائم على المراسي، الذي يتطلب صناديق مراسي محددة مسبقًا للتنبؤ بحدود الكائنات. ورغم فعاليته الكبيرة، كان ضبط هذه المراسي على مجموعات بيانات الرؤية الحاسوبية المخصصة أمرًا مرهقًا.
في المقابل، يستخدم YOLO11 نهجًا للكشف الخالي من المراسي. وهذا يلغي الحاجة إلى الضبط اليدوي لصناديق المراسي، ويبسط عملية التدريب ويحسن التعميم عبر مجموعات بيانات متنوعة مثل مجموعة بيانات COCO. إضافةً إلى ذلك، يتميز YOLO11 برأس منفصل، أي إن مهام التصنيف وانحدار صناديق الإحاطة تُعالَج في فرعين منفصلين. ويحسن هذا الفصل سرعة التقارب ومتوسط الدقة (mAP)، ولا سيما في سيناريوهات كشف الكائنات المعقدة.
مقاييس الأداء والمعايير المرجعية#
يقارن الجدول أدناه المقاييس الرئيسية عبر أحجام نماذج مختلفة. كلاهما من نماذج Ultralytics ذات متطلبات الذاكرة المنخفضة، ويستهلكان عادةً قدرًا أقل من ذاكرة CUDA أثناء التدريب مقارنة بالبدائل القائمة على المحولات، ما يخفض عتبة الدخول من حيث العتاد.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
يحقق YOLO11 قيمة mAP أعلى في كل مقياس. فعلى سبيل المثال، يحقق YOLO11m قيمة 51.5 mAP مع 20.1M معلمة، مقابل 45.4 mAP مع 21.2M معلمة في YOLOv5m. ويكون YOLOv5n وYOLOv5s وYOLOv5m أسرع قليلًا على T4 TensorRT، لكن بدقة أقل بكثير.
منهجيات التدريب وسهولة الاستخدام#
من المبادئ الأساسية لدى Ultralytics سهولة الاستخدام، بدعم من منظومة تحظى بصيانة جيدة ومساندة واسعة من المجتمع.
اعتمد YOLOv5 تاريخيًا على نصوص واجهة سطر الأوامر (CLI) (train.py، detect.py) للتنفيذ. ورغم قوتها، كان دمج هذه النصوص مباشرةً في تطبيقات Python مخصصة يتطلب غالبًا حلولًا التفافية.
بُني YOLO11 على حزمة Python المبسطة ultralytics (التي طُرحت مع YOLOv8). وتتعامل واجهة API الموحدة هذه مع كل شيء، بدءًا من التدريب وصولًا إلى تصدير النماذج إلى تنسيقات مثل ONNX وOpenVINO وTensorRT مباشرةً.
لسير عمل لا يتطلب كتابة الشيفرات، يمكن للمطورين استخدام منصة Ultralytics لوسم البيانات وتدريب النماذج سحابيًا ونشرها على الأجهزة الطرفية.
مقارنة الشيفرة#
إليك طريقة تدريب YOLO11 باستخدام Python API:
from ultralytics import YOLO
# تحميل نموذج YOLO11 صغير مدرّب مسبقاً
model = YOLO("yolo11s.pt")
# درّب النموذج على بيانات مخصصة
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# صدّر النموذج إلى ONNX لنشره
model.export(format="onnx")بالنسبة إلى الأنظمة القديمة التي تستخدم مستودع YOLOv5، يبدو التدريب عبر CLI كما يلي:
# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt
python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.ptحالات الاستخدام المثالية والتطبيقات الواقعية#
لكل من النموذجين نقاط قوة مميزة تناسب بيئات تشغيل مختلفة.
متى تستخدم YOLOv5#
على الرغم من ظهور جيل أحدث، يظل YOLOv5 خيارًا موثوقًا من أجل:
- تكامل الأنظمة القديمة: البيئات المدمجة بعمق مع بُنى الموترات الخاصة بـ YOLOv5 أو مسارات النشر التي يصعب إعادة هيكلتها.
- خطوط الأساس الأكاديمية: يحتاج الباحثون إلى خطوط أساس راسخة ومعتمدة منذ زمن لإجراء دراسات أكاديمية قابلة لإعادة الإنتاج في تحليل الصور الطبية.
متى تستخدم YOLO11#
يُعد YOLO11 الخيار الأفضل لخطوط الإنتاج الحديثة بفضل تعدد استخداماته:
- بيئات متعددة المهام: أضاف YOLOv5 تجزئة المثيلات وتصنيف الصور في إصدارات لاحقة، بينما يدعم YOLO11 جاهزًا للاستخدام كشف الكائنات والتجزئة والتصنيف وتقدير الوضعية وكشف صناديق الإحاطة الموجّهة (OBB).
- تحليلات الفيديو عالية الكثافة: مثالي لأنظمة المرور الذكية أو إدارة مخزون متاجر التجزئة، حيث تكون الدقة العالية في المشاهد المعقدة أمرًا حاسمًا.
نظرة إلى المستقبل: بنية YOLO26#
يظل YOLO11 معيارًا قويًا، لكن الرؤية الحاسوبية تواصل التقدم. وينبغي للمطورين الذين يبدؤون مشاريع جديدة التفكير أيضًا في Ultralytics YOLO26 (الصادر في يناير 2026)، وهو النموذج الموصى به حاليًا.
صُمم YOLO26 للتحسين للأجهزة الطرفية وللتوسع على مستوى المؤسسات. وتشمل أبرز التغييرات:
- تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل الأصلي، متجاوزًا المعالجة اللاحقة لـكبت غير الأعظمية (NMS) باستخدام
nms=Falseلنشر أسرع وأبسط. - إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط تصدير النماذج وتحسين التوافق مع الأجهزة منخفضة الطاقة.
- مُحسِّن MuSGD: مزيج من SGD وMuon ينقل استقرار تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية لتحقيق تقارب أسرع.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n على CPU، ما يجعله مناسبًا لعمليات نشر إنترنت الأشياء والأجهزة التي لا تحتوي على وحدات معالجة رسومات مخصصة.
- ProgLoss + STAL: تعمل الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) على تحسين التعرّف على الأجسام الصغيرة، وهو أمر حيوي للصور الجوية الملتقطة بالطائرات المسيّرة.
الملخص#
يعتمد الاختيار بين YOLO11 وYOLOv5 في نهاية المطاف على مرحلة دورة حياة مشروعك. يوفر YOLOv5 استقرارًا مثبتًا ومجتمعًا كبيرًا. وبين النموذجين، YOLO11 هو الخيار الأفضل للأعمال الجديدة، إذ يجمع بين دقة أعلى وPython API أبسط ودعم مزيد من المهام. وللحصول على أفضل دقة وسرعة CPU اليوم، ابدأ باستخدام YOLO26، الذي يمكنك أيضًا تدريبه ونشره على منصة Ultralytics.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.