Link to this sectionمقارنة بين YOLO11 و YOLOv8#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة مع التطور المستمر لهياكل اكتشاف الكائنات. عند تقييم النماذج للنشر في العالم الحقيقي، غالبًا ما يقارن المطورون بين نقاط القوة في Ultralytics YOLO11 وسابقه الناجح للغاية، Ultralytics YOLOv8. لقد وضع كلا النموذجين معايير الصناعة للسرعة والدقة وتجربة المطور، لكنهما يلبيان احتياجات دورات حياة المشاريع وحدود الأداء المختلفة قليلاً.

يقدم هذا الدليل تحليلاً متعمقاً لهياكل هذه النماذج، ومنهجيات التدريب، وحالات الاستخدام المثالية لمساعدتك في اختيار الحل الأفضل لمبادرات الذكاء الاصطناعي الخاصة بك.

Link to this sectionالابتكارات المعمارية#

أدى الانتقال من YOLOv8 إلى YOLO11 إلى إدخال العديد من التحسينات الهيكلية الرئيسية التي تهدف إلى زيادة كفاءة استخراج الميزات إلى أقصى حد مع تقليل العبء الحسابي.

Link to this sectionبنية YOLO11#

يمثل YOLO11 قفزة كبيرة إلى الأمام في تحسين استخدام المعلمات. فهو يستبدل وحدات C2f التقليدية بكتل C3k2 المتقدمة، والتي تعزز معالجة الميزات المكانية دون زيادة عدد المعلمات. بالإضافة إلى ذلك، يقدم YOLO11 وحدة C2PSA (Cross-Stage Partial Spatial Attention) داخل هيكله الأساسي (backbone). تسمح آلية الانتباه هذه للنموذج بالتركيز على مناطق الاهتمام الحرجة، مما يحسن بشكل كبير من اكتشاف الكائنات الصغيرة والتعامل مع الانسدادات المعقدة.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: مستودع Ultralytics
• التوثيق: YOLO11 Docs

تعرف على المزيد حول YOLO11

Link to this sectionهيكل YOLOv8#

تم إطلاق YOLOv8 قبل عام واحد، وكان رائداً في الانتقال إلى رأس اكتشاف لا يعتمد على نقاط الارتكاز (anchor-free)، مما ألغى الحاجة إلى ضبط مربعات الارتكاز يدوياً وبسّط صياغة الخسارة. يعتمد هيكله بشكل كبير على كتلة C2f، وهو تصميم نجح في موازنة عمق الشبكة وتدفق التدرج، مما جعله قوياً للغاية عبر مجموعة واسعة من تطبيقات الرؤية الحاسوبية.

• المؤلفون: Glenn Jocher، وAyush Chaurasia، وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: مستودع Ultralytics
• التوثيق: YOLOv8 Docs

تعرف على المزيد حول YOLOv8

Link to this sectionالأداء والمعايير القياسية#

عند نشر النماذج على الأجهزة الطرفية مثل Raspberry Pi أو الخوادم عالية الأداء التي تعمل بنظام NVIDIA TensorRT، فإن فهم المقايضة بين السرعة والدقة يعد أمراً بالغ الأهمية. يوضح الجدول أدناه كيف يتفوق YOLO11 باستمرار على YOLOv8 عبر جميع متغيرات الحجم.

Link to this sectionتحليل المقاييس#

يحقق YOLO11 متوسط دقة (mAP) أعلى بشكل ملحوظ مع تقليل كل من عدد المعلمات وعمليات الفاصلة العائمة (FLOPs). على سبيل المثال، يتطلب نموذج YOLO11m معلمات أقل بنسبة 22% من YOLOv8m ولكنه يوفر mAP أعلى بنسبة 1.3% على مجموعة بيانات COCO. علاوة على ذلك، تُظهر سرعات الاستدلال على وحدة المعالجة المركزية عند التصدير إلى تنسيق ONNX أن YOLO11 أسرع بشكل كبير، مما يجعله مرشحاً ممتازاً لعمليات النشر التي تفتقر إلى تسريع GPU مخصص.

Link to this sectionميزة نظام Ultralytics البيئي#

بغض النظر عما إذا كنت تختار YOLO11 أو YOLOv8، يستفيد كلا النموذجين من نظام Ultralytics الشامل، الذي يبسط دورة حياة التعلم الآلي بشكل كبير.

Link to this sectionسهولة الاستخدام وواجهة برمجة التطبيقات (API) البسيطة#

توفر حزمة ultralytics بلغة Python واجهة برمجة تطبيقات مبسطة تسمح للمهندسين والباحثين بتدريب النماذج والتحقق منها وتصديرها ببضعة أسطر من التعليمات البرمجية. هذا يلخص التعقيدات المعتادة المرتبطة بإعداد بيئات التعلم العميق في PyTorch.

Link to this sectionكفاءة التدريب ومتطلبات الذاكرة#

على عكس Vision Transformers الثقيلة (مثل RT-DETR)، تشتهر نماذج Ultralytics YOLO باستهلاكها المنخفض للذاكرة أثناء التدريب. تتيح كفاءة الذاكرة هذه للمطورين تدريب شبكات متطورة على وحدات GPU المخصصة للمستهلكين أو بيئات سحابية مثل Google Colab دون مواجهة أخطاء نفاد الذاكرة.

Link to this sectionتعدد الاستخدامات عبر مهام الرؤية#

يعتبر كل من YOLO11 و YOLOv8 متعلمين متعددي المهام بشكل حقيقي. فإلى جانب اكتشاف الكائنات بالمربعات المحيطة القياسية، فهما يدعمان أصلياً تجزئة المثيلات، وتصنيف الصور، وتقدير وضعية الإنسان، والمربعات المحيطة الموجهة (OBB) للصور الجوية.

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 و YOLOv8 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار YOLO11#

يعد YOLO11 خياراً قوياً لـ:

• نشر الإنتاج عند الحافة: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون الموثوقية والصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب اكتشافاً، وتجزئة، وتقدير وضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى التحرك بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API الانسيابي.

Link to this sectionمتى تختار YOLOv8#

يوصى بـ YOLOv8 لـ:

• النشر متعدد المهام المتنوع: المشاريع التي تتطلب نموذجاً ثابتاً لـ الكشف، والتجزئة، والتصنيف، وتقدير الوضعية داخل نظام Ultralytics البيئي.
• أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8 مع خطوط أنابيب نشر مستقرة ومختبرة جيداً.
• دعم مجتمعي ونظام بيئي واسع: التطبيقات التي تستفيد من دروس YOLOv8 الواسعة، والتكاملات مع أطراف ثالثة، وموارد المجتمع النشطة.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionمثال على التعليمات البرمجية: البدء#

يعد نشر وتدريب نموذج Ultralytics أمراً بديهياً للغاية. يوضح المثال التالي كيفية تحميل نموذج YOLO11 مُدرب مسبقاً، وضبطه بدقة على مجموعة بيانات مخصصة، وتصديره للنشر على الأجهزة الطرفية باستخدام Apple CoreML:

from ultralytics import YOLO

# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently with optimized memory requirements
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Evaluate the validation performance
metrics = model.val()

# Run real-time inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to CoreML for fast mobile deployment
export_path = model.export(format="coreml")

Link to this sectionنتطلع للمستقبل: قمة الذكاء الاصطناعي الطرفي مع YOLO26#

بينما يمثل YOLO11 بنية ناضجة وعالية الكفاءة، فإن وتيرة ابتكار الذكاء الاصطناعي مستمرة. بالنسبة للمطورين الذين يبدأون مشاريع جديدة ويحتاجون إلى أحدث ما توصلت إليه التكنولوجيا من حيث الأداء، فإن Ultralytics YOLO26 (الذي تم إصداره في يناير 2026) هو التوصية النهائية.

يدفع YOLO26 حدود الرؤية الحاسوبية بفضل العديد من الميزات الرائدة:

• تصميم من طرف إلى طرف بدون NMS: بناءً على المفاهيم المستكشفة في YOLOv10، يلغي YOLO26 محلياً المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، مما يؤدي إلى زمن انتقال أقل وأكثر قابلية للتنبؤ عبر جميع أجهزة النشر.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية: من خلال إزالة فرع Distribution Focal Loss (DFL) تماماً، تم تحسين YOLO26 خصيصاً لـ أجهزة الحوسبة الطرفية التي تفتقر إلى وحدات GPU قوية.
• محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (LLM)، يستخدم YOLO26 محسن MuSGD هجيناً، مما يضمن تقارب تدريب مستقر وسريع بشكل ملحوظ.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة والمسدودة بشدة، وهو أمر ضروري للروبوتات المستقلة والتحليلات المعتمدة على الطائرات بدون طيار.

سواء كنت تعتمد على الموثوقية المثبتة لـ YOLOv8، أو البنية المحسنة لـ YOLO11، أو قدرات الجيل التالي لـ YOLO26، فإن Ultralytics Platform تضمن امتلاكك للأدوات اللازمة لنقل تطبيقات رؤية الذكاء الاصطناعي الخاصة بك من المفهوم إلى الإنتاج بسلاسة. تأكد من استكشاف التكاملات الواسعة المتاحة لربط نماذجك بسير عمل المؤسسات ولوحات تحكم التحليلات.