YOLO11 مقابل YOLOv8#
شهد مجال الرؤية الحاسوبية تطورات ملحوظة مع التطور المستمر لبنى اكتشاف الكائنات. وعند تقييم النماذج للنشر في العالم الحقيقي، غالبًا ما يقارن المطورون بين نقاط قوة Ultralytics YOLO11 وسلفه الناجح للغاية، Ultralytics YOLOv8. وقد وضع كلا النموذجين معايير القطاع للسرعة والدقة وتجربة المطور، لكنهما يلائمان دورات حياة المشاريع وعتبات الأداء المختلفة قليلًا.
يقدم هذا الدليل تحليلًا معمقًا لبنيتيهما ومنهجيات تدريبهما وحالات الاستخدام المثالية، لمساعدتك على اختيار الحل الأفضل لمبادراتك في الذكاء الاصطناعي.
ابتكارات البنية#
أدخل الانتقال من YOLOv8 إلى YOLO11 تحسينات معمارية أساسية عدة، تهدف إلى زيادة كفاءة استخراج السمات إلى أقصى حد مع تقليل الحمل الحسابي.
بنية YOLO11#
يمثل YOLO11 قفزة كبيرة إلى الأمام في تحسين استخدام المعلمات. فهو يستبدل وحدات C2f التقليدية بكتل C3k2 متقدمة، تعزز معالجة السمات المكانية دون زيادة عدد المعلمات بصورة كبيرة. بالإضافة إلى ذلك، يقدم YOLO11 وحدة C2PSA (الانتباه المكاني الجزئي عبر المراحل) ضمن العمود الفقري للنموذج. وتتيح آلية الانتباه هذه للنموذج التركيز على مناطق الاهتمام المهمة، ما يحسن بدرجة كبيرة اكتشاف الكائنات الصغيرة والتعامل مع حالات الحجب المعقدة.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: مستودع Ultralytics
- الوثائق: وثائق YOLO11
بنية YOLOv8#
طُرح YOLOv8 قبل عام، وكان رائدًا في الانتقال إلى رأس كشف خالٍ من المراسي، ما ألغى الحاجة إلى ضبط صناديق المراسي يدويًا وبسّط صياغة دالة الخسارة. وتعتمد بنيته بدرجة كبيرة على كتلة C2f، وهو تصميم وازن بنجاح بين عمق الشبكة وتدفق التدرج، ما جعله قويًا للغاية عبر مجموعة واسعة من تطبيقات الرؤية الحاسوبية.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: مستودع Ultralytics
- الوثائق: وثائق YOLOv8
في حين أرسى YOLOv8 أساس الكشف الخالي من المراسي ضمن منظومة Ultralytics، طوّر YOLO11 هذا النهج بآليات الانتباه المكاني، محققًا دقة أعلى بموارد حسابية أقل.
الأداء ومعايير التقييم#
عند نشر النماذج على أجهزة طرفية مثل Raspberry Pi أو خوادم عالية الأداء تعمل باستخدام NVIDIA TensorRT، يُعد فهم المفاضلة بين السرعة والدقة أمرًا بالغ الأهمية. ويوضح الجدول أدناه تفوق YOLO11 باستمرار على YOLOv8 من حيث الدقة عبر جميع أحجام النماذج.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
تحليل المقاييس#
يحقق YOLO11 متوسط دقة (mAP) أعلى بوضوح، مع خفض عدد المعلمات وعمليات الفاصلة العائمة (FLOPs) في الوقت نفسه. فعلى سبيل المثال، يتطلب نموذج YOLO11m معلمات أقل بنسبة 22% من YOLOv8m، لكنه يحقق mAP أعلى بمقدار 1.3 نقطة على مجموعة بيانات COCO. علاوة على ذلك، تُظهر سرعات استدلال CPU عند التصدير إلى تنسيق ONNX أن YOLO11 أسرع بدرجة كبيرة، ما يجعله خيارًا ممتازًا لعمليات النشر التي تفتقر إلى تسريع GPU مخصص.
ميزة منظومة Ultralytics#
سواء اخترت YOLO11 أو YOLOv8، يستفيد كلا النموذجين من منظومة Ultralytics الشاملة، التي تبسط دورة حياة التعلم الآلي بدرجة كبيرة.
سهولة الاستخدام وواجهة API بسيطة#
توفر حزمة Python ultralytics واجهة API مبسطة تتيح للمهندسين والباحثين تدريب النماذج والتحقق من صحتها وتصديرها باستخدام بضعة أسطر فقط من الشيفرة. وتخفي هذه الحزمة التعقيدات المعتادة المرتبطة بإعداد بيئات التعلم العميق في PyTorch.
كفاءة التدريب ومتطلبات الذاكرة#
على عكس المحوّلات البصرية الثقيلة (مثل RT-DETR)، تشتهر نماذج Ultralytics YOLO بانخفاض استهلاكها للذاكرة أثناء التدريب. تتيح هذه الكفاءة في استخدام الذاكرة للمطورين تدريب شبكات متطورة على وحدات GPU مخصصة للمستهلكين أو في بيئات سحابية مثل Google Colab دون مواجهة أخطاء نفاد الذاكرة.
تعدد الاستخدامات عبر مهام الرؤية#
يُعد كل من YOLO11 وYOLOv8 نموذجَي تعلّم حقيقيين متعددي المهام. فإلى جانب اكتشاف الكائنات القياسي عبر مربعات الإحاطة، يدعمان أصلاً تقسيم المثيلات وتصنيف الصور وتقدير وضعية الإنسان ومربعات الإحاطة الموجّهة (OBB) للصور الجوية.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 وYOLOv8 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للنظام البيئي.
متى تختار YOLO11#
يُعد YOLO11 خيارًا قويًا في الحالات التالية:
- النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.
متى تختار YOLOv8#
يوصى بـYOLOv8 في الحالات التالية:
- نشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مجرّبًا لـالكشف والتقسيم والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
مثال على الشيفرة: البدء#
يتسم نشر نموذج Ultralytics وتدريبه بسهولة كبيرة. يوضّح المثال التالي كيفية تحميل نموذج YOLO11 مدرّب مسبقاً، وضبطه الدقيق على مجموعة بيانات مخصصة، وتصديره للنشر على الأجهزة الطرفية باستخدام Apple CoreML:
from ultralytics import YOLO
# تهيئة نموذج YOLO11 الصغير
model = YOLO("yolo11s.pt")
# تدريب النموذج بكفاءة مع متطلبات ذاكرة محسّنة
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# تقييم أداء التحقق
metrics = model.val()
# تشغيل الاستدلال في الوقت الفعلي على صورة اختبار
predictions = model("https://ultralytics.com/images/bus.jpg")
# التصدير إلى CoreML للنشر السريع على الأجهزة المحمولة
export_path = model.export(format="coreml")بما أن API الخاص بـ Ultralytics موحّد، فإن ترقية مسار عمل قديم من YOLOv8 إلى YOLO11 لا تتطلب عادةً سوى تغيير سلسلة الأوزان من "yolov8n.pt" إلى "yolo11n.pt".
نظرة إلى المستقبل: ذروة الذكاء الاصطناعي الطرفي مع YOLO26#
يمثل YOLO11 بنية ناضجة وعالية القدرات، لكن وتيرة ابتكار الذكاء الاصطناعي السريعة لا تتوقف. ونوصي بشدة بـ Ultralytics YOLO26 (الصادر في يناير 2026) للمطورين الذين يبدأون مشاريع جديدة ويحتاجون إلى أحدث أداء ممكن.
يتجاوز YOLO26 حدود الرؤية الحاسوبية بفضل عدة ميزات رائدة:
- تصميم شامل بلا NMS: استناداً إلى المفاهيم التي استكشفها YOLOv10، يقدم YOLO26 رأساً اختيارياً واحداً لواحد (
nms=False) يتجاوز المعالجة اللاحقة لقمع غير الأقصى (NMS)، ما يؤدي إلى زمن استجابة أقل وأكثر قابلية للتنبؤ على جميع أجهزة النشر. - استدلال أسرع على CPU بنسبة تصل إلى 43%: بإزالة فرع خسارة البؤرة التوزيعية (DFL) بالكامل، جرى تحسين YOLO26 خصيصاً لـأجهزة الحوسبة الطرفية التي لا تتوفر فيها وحدات GPU قوية.
- مُحسِّن MuSGD: استلهاماً من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، يستخدم YOLO26 مُحسِّن MuSGD هجيناً يضمن تقارباً سريعاً ومستقراً للتدريب على نحو ملحوظ.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة والمحجوبة بشدة، وهو أمر أساسي للروبوتات ذاتية التشغيل والتحليلات المعتمدة على الطائرات المسيّرة.
سواء اعتمدت على موثوقية YOLOv8 المثبتة، أو بنية YOLO11 المحسّنة، أو قدرات الجيل التالي في YOLO26، تضمن منصة Ultralytics توفر الأدوات اللازمة لنقل تطبيقات ذكاء الرؤية من مرحلة الفكرة إلى الإنتاج بسلاسة. واحرص على استكشاف عمليات التكامل المتاحة على نطاق واسع لربط نماذجك بسير عمل المؤسسات ولوحات التحليلات.