رؤية YOLO 2026:

YOLO11 مقابل YOLOv5#

يعد اختيار بنية الشبكة العصبية المناسبة قراراً محوريّاً لأي مبادرة في مجال رؤية الكمبيوتر. ومع تطور مشهد الذكاء الاصطناعي، تتطور أيضاً الأدوات المتاحة للمطورين والباحثين. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين نموذجين بارزين من نظام Ultralytics: نموذج YOLOv5 الشهير للغاية وننموذج YOLO11 المتقدم.

سواء كنت تنشر نماذج خفيفة الوزن لتطبيقات الذكاء الاصطناعي على الحافة أو تعالج تدفقات فيديو عالية الدقة على وحدات معالجة الرسومات السحابية، فإن فهم الفروق الدقيقة المعمارية، ومقاييس الأداء، وحالات الاستخدام المثالية لهذه النماذج سيضمن اتخاذك لقرار يعتمد على البيانات لقيود نشرك المحددة.

سلالة النموذج والتفاصيل التقنية#

يعكس كلا النموذجين التزام Ultralytics بالتعاون مفتوح المصدر، والأداء القوي، وسهولة الاستخدام التي لا مثيل لها، مما يجعلهما مفضلين للغاية من قبل مجتمع تعلم الآلة العالمي.

تفاصيل YOLO11#

تعرف على المزيد حول YOLO11

تفاصيل YOLOv5#

اعرف المزيد عن YOLOv5

الاختلافات المعمارية#

يقدم الانتقال من YOLOv5 إلى YOLO11 العديد من التحولات المعمارية العميقة المصممة لتحسين الدقة وكفاءة المعلمات.

كان نموذج YOLOv5 رائداً في بيئة عمل PyTorch، حيث قدم بنية أساسية من نوع CSPNet (Cross Stage Partial Network) محسنة للغاية وعنقاً من نوع PANet (Path Aggregation Network). وقد اعتمد على الكشف القائم على المراسي، والذي تطلب صناديق مرساة محددة مسبقاً للتنبؤ بحدود الكائنات. على الرغم من فعاليته العالية، فإن ضبط هذه المراسي لمجموعات بيانات رؤية الكمبيوتر المخصصة قد يكون أمراً معقداً ومملًا.

في المقابل، ينتقل YOLO11 إلى نموذج كشف أكثر حداثة وخالٍ من المراسي. وهذا يلغي الحاجة إلى الضبط اليدوي لصناديق المرساة، مما يبسط عملية التدريب ويحسن التعميم عبر مجموعات بيانات متنوعة مثل مجموعة بيانات COCO. بالإضافة إلى ذلك، يتميز YOLO11 برأس مفصول، مما يعني أنه يتم معالجة مهام التصنيف والانحدار لصناديق الإحاطة في فروع منفصلة. يؤدي هذا الفصل إلى تحسين سرعة التقارب ومتوسط الدقة (mAP) بشكل ملحوظ، لا سيما في سيناريوهات اكتشاف الكائنات المعقدة.

مقاييس الأداء والمعايير#

يقارن الجدول أدناه المقاييس الرئيسية عبر أحجام النماذج المختلفة. تشتهر نماذج Ultralytics بمتطلبات الذاكرة الخاصة بها، حيث تستهلك عادةً ذاكرة CUDA أقل أثناء التدريب مقارنة بالبدائل الثقيلة القائمة على Transformer، مما يقلل بشكل كبير من حاجز الدخول للأجهزة.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(M)		FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

كما لوحظ، يحقق YOLO11 توازناً ممتازاً في الأداء، حيث يقدم باستمرار نتائج mAP أعلى مع أعداد معلمات مقارنة بنظيراتها من YOLOv5.

منهجيات التدريب وسهولة الاستخدام#

أحد المبادئ الأساسية لفلسفة Ultralytics هو سهولة الاستخدام الاستثنائية، المدعومة بنظام بيئي مُصان جيداً ودعم مجتمعي واسع.

اعتمد YOLOv5 تاريخياً على نصوص واجهة سطر الأوامر (CLI) القوية (train.py، detect.py) للتنفيذ. ورغم قوتها، فإن دمج هذه النصوص البرمجية مباشرة في تطبيقات Python المخصصة كان يتطلب غالباً حلولاً بديلة.

أحدث YOLO11 ثورة في هذا المجال من خلال تقديم حزمة Python المبسطة ultralytics. تتعامل هذه الواجهة البرمجية الموحدة (API) مع كل شيء بدءاً من التدريب وحتى تصدير نماذج بتنسيقات مثل ONNX، وOpenVINO، وTensorRT بشكل أصلي.

نشر مبسط باستخدام منصة Ultralytics

للحصول على تجربة خالية تماماً من الكود، يمكن للمطورين الاستفادة من منصة Ultralytics لتعليق البيانات، وتدريب النماذج في السحاب، ونشرها على أجهزة الحافة بسلاسة.

مقارنة الكود#

تدريب نموذج Ultralytics اليوم فعال للغاية. إليك كيف يمكنك تدريب YOLO11 باستخدام واجهة برمجة تطبيقات Python الأصلية الخاصة به:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

بالنسبة للأنظمة القديمة التي تستخدم YOLOv5، يبدو التدريب عبر CLI كالتالي:

# 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.pt

حالات الاستخدام المثالية والتطبيقات الواقعية#

يمتلك كلا النموذجين نقاط قوة مميزة مصممة لبيئات تشغيل مختلفة.

متى تستخدم YOLOv5#

على الرغم من الجيل الأحدث، يظل YOLOv5 قوة لا يستهان بها. يوصى به بشدة من أجل:

  • تكامل الأنظمة القديمة: البيئات المتكاملة بعمق مع هياكل موتر (tensor) محددة لـ YOLOv5 أو خطوط أنابيب النشر التي لا يمكن إعادة هيكلتها بسهولة.
  • الأساسيات الأكاديمية: الباحثون الذين يحتاجون إلى أساسيات راسخة وطويلة الأمد لدراسات أكاديمية قابلة للتكرار في تحليل الصور الطبية.

متى تستخدم YOLO11#

يمثل YOLO11 الخيار الأمثل لخطوط إنتاج الإنتاج الحديثة نظراً لتعدد استخداماته المذهل:

نتطلع إلى الأمام: معمارية YOLO26#

بينما يمثل YOLO11 معياراً استثنائياً، فإن حدود رؤية الكمبيوتر تستمر في التطور بسرعة. يجب على المطورين الساعين إلى تحقيق ذروة الكفاءة المطلقة أن يفكروا أيضاً في أحدث إصدار Ultralytics YOLO26 (الذي تم إصداره في يناير 2026).

يمثل YOLO26 قفزة هائلة إلى الأمام، مصمماً خصيصاً لكل من تحسين الحافة ونطاق المؤسسة. تشمل الابتكارات الرئيسية ما يلي:

  • تصميم متكامل خالٍ من NMS: يتميز YOLO26 بأنه متكامل تماماً من النهاية إلى النهاية، مما يلغي معالجة ما بعد الكشف القمع غير الأعظمي (NMS) من أجل نشر أسرع وأبسط.
  • إزالة DFL: تمت إزالة Distribution Focal Loss لتبسيط تصدير النماذج وتعزيز التوافق مع الأجهزة منخفضة الطاقة.
  • مُحسِّن MuSGD: مزيج ثوري من SGD و Muon، مما يجلب استقرار تدريب LLM إلى رؤية الحاسوب من أجل تقارب أسرع.
  • استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية: مُحسَّن بشكل كبير لتطبيقات إنترنت الأشياء والأجهزة التي لا تحتوي على وحدات معالجة رسومات (GPUs) مخصصة.
  • ProgLoss + STAL: وظائف فقدان (loss functions) محسنة بشكل كبير تؤدي إلى تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر حيوي لصور الطائرات بدون طيار.

تعرف على المزيد حول YOLO26

ملخص#

يعتمد الاختيار بين YOLO11 وYOLOv5 في النهاية على مرحلة دورة حياة مشروعك. إرث YOLOv5 لا شك فيه، فهو يقدم استقراراً فائقاَ ودعماً هائلاً من المجتمع. ومع ذلك، لأي مشروع جديد، يُنصح بشدة باستخدام YOLO11 على الأجيال القديمة. فهو يجمع بين الدقة المتطورة، وواجهة Python أنيقة بشكل استثنائي، وانخفاض عبء الذاكرة أثناء التدريب، مما يعزز مكانة Ultralytics في طليعة ابتكارات الذكاء الاصطناعي. بالنسبة لأولئك الذين يدفعون الحدود إلى أبعد من ذلك، فإن استكشاف الأحدث في هذا المجال YOLO26 على منصة Ultralytics سيحقق نتائج لا مثيل لها.

المساهمون
GLglenn-jocher15PDpderrenger1

التعليقات