Link to this sectionYOLO11 مقابل YOLOv5: مقارنة تقنية شاملة لمعماريات Ultralytics#

يعد اختيار معمارية الشبكة العصبية الصحيحة قراراً محورياً لأي مبادرة في رؤية الحاسوب. مع 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 ونموذج YOLO11 المتقدم.

سواء كنت تقوم بنشر نماذج خفيفة الوزن لتطبيقات الذكاء الاصطناعي على الحافة أو معالجة تدفقات الفيديو عالية الدقة على وحدات معالجة الرسومات (GPUs) السحابية، فإن فهم الفروق الدقيقة في المعمارية، ومقاييس الأداء، وحالات الاستخدام المثالية لهذه النماذج سيضمن لك اتخاذ خيار قائم على البيانات لقيود النشر الخاصة بك.

Link to this sectionسلالة 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.

Link to this sectionتفاصيل YOLO11#

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 27-09-2024
• GitHub: ultralytics/ultralytics
• التوثيق: توثيق YOLO11

تعرف على المزيد حول YOLO11

Link to this sectionتفاصيل YOLOv5#

• المؤلف: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 26-06-2020
• GitHub: ultralytics/yolov5
• التوثيق: توثيق YOLOv5

اعرف المزيد عن YOLOv5

Link to this sectionالاختلافات المعمارية#

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

كان YOLOv5 رائداً في نظام PyTorch، حيث قدم backbone من نوع CSPNet (Cross Stage Partial Network) عالي التحسين و neck من نوع PANet (Path Aggregation Network). اعتمد النموذج على الكشف المستند إلى المراسي، والذي تطلب صناديق مراسي محددة مسبقاً للتنبؤ بحدود الكائنات. على الرغم من فاعليته العالية، إلا أن ضبط هذه المراسي لمجموعات بيانات رؤية الحاسوب المخصصة قد يكون أمراً مرهقاً.

في المقابل، ينتقل YOLO11 إلى نموذج كشف أكثر حداثة وخالٍ من المراسي. هذا يلغي الحاجة إلى ضبط صناديق المراسي يدوياً، مما يبسط عملية التدريب ويحسن التعميم عبر مجموعات بيانات متنوعة مثل مجموعة بيانات COCO. بالإضافة إلى ذلك، يتميز YOLO11 برأس مفصول (decoupled head)، مما يعني أن مهام التصنيف وانحدار صناديق التحديد تتم معالجتها في فروع منفصلة. هذا الفصل يحسن بشكل كبير سرعة التقارب ومتوسط دقة التحديد (mAP)، خاصة في سيناريوهات كشف الأشياء المعقدة.

Link to this sectionمقاييس 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.

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

Link to this sectionمنهجيات التدريب وسهولة الاستخدام#

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

اعتمد YOLOv5 تاريخياً على برامج نصية قوية لواجهة سطر الأوامر (CLI) (train.py, detect.py) للتنفيذ. على الرغم من قوتها، إلا أن دمج هذه البرامج النصية مباشرة في تطبيقات Python مخصصة كان يتطلب غالباً حلولاً بديلة.

أحدث YOLO11 ثورة في هذا الأمر من خلال تقديم حزمة ultralytics المبسطة لـ Python. تتعامل واجهة برمجة التطبيقات (API) الموحدة هذه مع كل شيء بدءاً من التدريب وحتى تصدير النماذج بتنسيقات مثل ONNX و OpenVINO و TensorRT محلياً.

Link to this sectionمقارنة 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

Link to this sectionحالات الاستخدام المثالية والتطبيقات الواقعية#

يمتلك كلا النموذجين نقاط قوة مميزة مصممة لبيئات تشغيل مختلفة.

Link to this sectionمتى 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.
• المراجع الأكاديمية: الباحثون الذين يحتاجون إلى مراجع ثابتة وطويلة الأمد لدراسات أكاديمية قابلة للتكرار في تحليل الصور الطبية.

Link to this sectionمتى تستخدم YOLO11#

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

• بيئات المهام المتعددة: على عكس YOLOv5، الذي يُعد في الأساس كاشفاً (مع إضافات لاحقة للتجزئة)، يدعم YOLO11 محلياً تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، والكشف عن صندوق التحديد الموجه (OBB) خارج الصندوق.
• تحليلات الفيديو عالية الكثافة: مثالي لأنظمة المرور الذكية أو إدارة مخزون التجزئة حيث يكون استخراج أقصى قدر من الدقة من المشاهد المعقدة أمراً بالغ الأهمية.

Link to this sectionنتطلع إلى الأمام: معمارية YOLO26#

بينما يمثل YOLO11 معياراً استثنائياً، فإن حدود رؤية الحاسوب تواصل التقدم بسرعة. يجب على المطورين الذين يبحثون عن ذروة الكفاءة المطلقة التفكير أيضاً في أحدث 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 من البداية إلى النهاية بدون NMS: YOLO26 هو نموذج متكامل محلياً، مما يلغي المعالجة اللاحقة للقمع غير الأقصى (NMS) لنشر 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 CPU أسرع بنسبة تصل إلى 43%: محسن بشكل كبير لعمليات نشر إنترنت الأشياء (IoT) والأجهزة بدون 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

Link to this sectionملخص#

يعتمد الاختيار بين YOLO11 و YOLOv5 في النهاية على مرحلة دورة حياة مشروعك. إرث YOLOv5 لا يمكن إنكاره، حيث يوفر استقراراً فائقاً ودعماً مجتمعياً هائلاً. ومع ذلك، لأي مشروع جديد، يوصى بشدة بـ YOLO11 فوق الأجيال الأقدم. فهو يجمع بين الدقة المتطورة، وواجهة برمجة تطبيقات Python الأنيقة بشكل استثنائي، وانخفاض استهلاك ذاكرة التدريب، مما يرسخ مكانة Ultralytics في طليعة ابتكارات الذكاء الاصطناعي. بالنسبة لأولئك الذين يدفعون الحدود بشكل أكبر، فإن استكشاف YOLO26 المتطور على منصة Ultralytics سيحقق نتائج لا مثيل لها.