YOLO11 مقابل YOLOv5#

يُعد اختيار بنية الشبكة العصبية المناسبة قرارًا محوريًا لأي مبادرة في الرؤية الحاسوبية. ومع تطور مجال الذكاء الاصطناعي، تتطور أيضًا الأدوات المتاحة للمطورين والباحثين. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين نموذجين بارزين ضمن منظومة Ultralytics: YOLOv5 الذي حظي بإشادة واسعة، وYOLO11 المتقدم.

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 التزام Ultralytics بالتعاون مفتوح المصدر والأداء القوي وسهولة الاستخدام الاستثنائية، ما يجعلهما من الخيارات المفضلة لدى مجتمع تعلّم الآلة حول العالم.

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#

ينطوي التطور من YOLOv5 إلى YOLO11 على تحولات معمارية جوهرية صُممت لتحسين الدقة وكفاءة المعلمات.

كان YOLOv5 رائدًا في منظومة PyTorch، إذ قدّم بنية CSPNet أساسية محسّنة بدرجة عالية (شبكة المراحل الجزئية المتقاطعة) وعنقًا من نوع PANet (شبكة تجميع المسارات). واعتمد الكشف القائم على المراسي، الذي يتطلب تحديد مربعات المراسي مسبقًا للتنبؤ بحدود الأجسام. وعلى الرغم من فعاليته الكبيرة، قد يكون ضبط هذه المراسي لمجموعات بيانات الرؤية الحاسوبية المخصصة مرهقًا.

على النقيض من ذلك، ينتقل YOLO11 إلى نهج أحدث للكشف الخالي من المراسي. وهذا يلغي الحاجة إلى ضبط مربعات المراسي يدويًا، ويسهّل عملية التدريب ويحسّن التعميم عبر مجموعات البيانات المتنوعة مثل مجموعة بيانات COCO. كما يتميز YOLO11 برأس مفصول، أي إن مهام التصنيف وانحدار مربعات الإحاطة تُعالَج في فرعين منفصلين. ويحسّن هذا الفصل سرعة التقارب ومتوسط الدقة (mAP) بدرجة كبيرة، لا سيما في سيناريوهات كشف الأجسام المعقدة.

مقاييس الأداء والمعايير المرجعية#

يقارن الجدول أدناه المقاييس الرئيسية لأحجام النماذج المختلفة. وتشتهر نماذج Ultralytics بمتطلباتها المنخفضة للذاكرة؛ إذ تستهلك عادةً ذاكرة CUDA أقل أثناء التدريب مقارنةً بالبدائل الثقيلة القائمة على Transformer، ما يخفض بدرجة كبيرة الحاجز المادي أمام البدء.

كما يتضح، يحقق YOLO11 توازنًا ملائمًا للغاية بين الأداء، ويقدم باستمرار درجات mAP أعلى مع عدد معلمات مماثل لنظيرات YOLOv5.

منهجيات التدريب وسهولة الاستخدام#

من المبادئ الأساسية لفلسفة Ultralytics سهولة الاستخدام الاستثنائية، مدعومةً بمنظومة تتم صيانتها جيدًا ودعم مجتمعي واسع.

اعتمد YOLOv5 تاريخيًا على نصوص واجهة سطر الأوامر القوية (CLI) (train.py, detect.py) للتشغيل. ورغم قوتها، كان دمج هذه النصوص مباشرةً في تطبيقات Python المخصصة 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.

مقارنة الشيفرة#

يتسم تدريب نموذج Ultralytics اليوم بكفاءة عالية. إليك طريقة تدريب YOLO11 باستخدام واجهة Python الأصلية:

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 YOLOv5، يكون التدريب عبر CLI على النحو التالي:

# 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#

لكل من النموذجين نقاط قوة مميزة تناسب بيئات تشغيل مختلفة.

متى تستخدم YOLOv5#

رغم ظهور جيل أحدث، لا يزال YOLOv5 نموذجًا قويًا. ويوصى به بشدة في الحالات التالية:

• 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#

يمثل YOLO11 الخيار المثالي لمسارات الإنتاج الحديثة بفضل تعدد استخداماته الاستثنائي:

• البيئات متعددة المهام: على خلاف YOLOv5، الذي يُستخدم أساسًا للكشف (مع إضافات لاحقة للتجزئة)، يدعم YOLO11 أصليًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات وكشف مربعات الإحاطة الموجّهة (OBB) دون الحاجة إلى إعداد إضافي.
• تحليلات الفيديو عالي الكثافة: مثالي لأنظمة المرور الذكية أو إدارة مخزون البيع بالتجزئة، حيث يكون استخلاص أعلى دقة ممكنة من المشاهد المعقدة أمرًا بالغ الأهمية.

نظرة إلى المستقبل: بنية YOLO26#

مع أن YOLO11 يُعد معيارًا استثنائيًا، فإن حدود الرؤية الحاسوبية تواصل التقدم بسرعة. وينبغي للمطورين الساعين إلى أعلى مستويات الكفاءة النظر أيضًا في أحدث إصدار، Ultralytics YOLO26 (صدر في يناير 2026).

يمثل YOLO26 قفزة كبيرة إلى الأمام، إذ صُمم خصيصًا للتحسين للأجهزة الطرفية وللتوسع إلى مستوى المؤسسات. وتشمل ابتكاراته الرئيسية:

• تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل الأصلي، متجاوزًا المعالجة اللاحقة لـكبت غير الأعظمية (NMS) باستخدام nms=False لنشر أسرع وأبسط.
• إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط تصدير النماذج وتحسين التوافق مع الأجهزة منخفضة الطاقة.
• مُحسِّن MuSGD: مزيج هجين رائد من SGD وMuon، ينقل استقرار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية لتحقيق تقارب أسرع.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: جرى تحسينه بدرجة كبيرة لنشر إنترنت الأشياء وللأجهزة التي لا تحتوي على وحدات GPU مخصصة.
• ProgLoss + STAL: دوال خسارة محسّنة بدرجة كبيرة تحقق تحسنًا ملحوظًا في التعرّف على الأجسام الصغيرة، وهو أمر ضروري لصور الطائرات المسيّرة الجوية.

الملخص#

يعتمد الاختيار بين YOLO11 وYOLOv5 في نهاية المطاف على مرحلة دورة حياة مشروعك. ولا يمكن إنكار إرث YOLOv5، إذ يوفر استقرارًا بالغًا ودعمًا مجتمعيًا واسعًا. ومع ذلك، يُوصى بشدة باختيار YOLO11 على الأجيال الأقدم لأي مشروع جديد. فهو يجمع بين دقة متطورة وواجهة Python أنيقة للغاية واستهلاك أقل للذاكرة أثناء التدريب، ما يعزز مكانة Ultralytics في طليعة ابتكارات الذكاء الاصطناعي. ولمن يسعون إلى تجاوز الحدود أكثر، فإن استكشاف YOLO26 المتطور على منصة Ultralytics يحقق نتائج استثنائية.