مقارنة بين YOLO11 و YOLOv8#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة مع التطور المستمر لهندسات اكتشاف الأجسام. عند تقييم النماذج لل نشر في العالم الحقيقي، غالباً ما يقارن المطورون بين نقاط قوة Ultralytics YOLO11 وسابقتها الناجحة جداً، Ultralytics YOLOv8. لقد وضعت كلا النموذجين معايير صناعية للسرعة والدقة وتجربة المطورين، ولكنهما يلبيان دورات حياة المشاريع وعتبات الأداء المختلفة قليلاً.

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

الابتكارات 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.

بنية YOLO11#

يمثل YOLO11 قفزة نوعية كبيرة في تحسين استخدام المعلمات. فهو يستبدل وحدات C2f التقليدية بكتل C3k2 متقدمة، والتي تعزز معالجة الميزات المكانية دون تضخم عدد المعلمات. بالإضافة إلى ذلك، يقدم YOLO11 وحدة C2PSA (الانتباه المكاني الجزئي عبر المراحل) داخل هيكلها الأساسي. تتيح آلية الانتباه هذه للنموذج التركيز على مناطق الاهتمام الحرجة، مما يحسن بشكل كبير اكتشاف الأجسام 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

هيكل YOLOv8#

تم إطلاق YOLOv8 قبل عام، وكان رائداً في الانتقال إلى رأس اكتشاف خالٍ من المراسي (anchor-free)، مما أدى إلى إلغاء الحاجة إلى ضبط صناديق المراسي يدوياً وتبسيط صيغة الخسارة. تعتمد هندسته بشكل كبير على كتلة C2f، وهو تصميم نجح في موازنة عمق الشبكة وتدفق التدرج، مما يجعله قوياً بشكل لا يصدق 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

الأداء والمعايير القياسية#

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

تحليل المقاييس#

يحقق YOLO11 دقة متوسطة أعلى ملحوظة (mAP) مع تقليل كل من عدد المعلمات وعمليات الفاصلة العائمة (FLOPs) في نفس الوقت. على سبيل المثال، يتطلب نموذج YOLO11m معلمات أقل بنسبة 22% من YOLOv8m ولكنه يقدم mAP أعلى بنسبة 1.3% على مجموعة بيانات COCO. علاوة على ذلك، تُظهر سرعات الاستدلال على وحدة المعالجة المركزية (CPU) عند التصدير إلى صيغة ONNX أن YOLO11 أسرع بكثير، مما يجعله مرشحاً ممتازاً عمليات النشر التي تفتقر إلى تسريع وحدة معالجة الرسوميات (GPU) المخصصة.

ميزة 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.

سهولة الاستخدام وواجهة برمجة التطبيقات (API) البسيطة#

توفر حزمة بايثون ultralytics واجهة برمجة تطبيقات (API) مبسطة تتيح للمهندسين والباحثين تدريب النماذج والتحقق من صحتها وتصديرها بأسطر قليلة فقط من الكود. يؤدي هذا إلى تجريد التعقيدات النموذجية المرتبطة بإعداد بيئات التعلم العميق في PyTorch.

كفاءة التدريب ومتطلبات الذاكرة#

على عكس محولات الرؤية (Vision Transformers) الثقيلة (مثل RT-DETR)، تشتهر نماذج Ultralytics YOLO بانخفاض استهلاكها للذاكرة أثناء التدريب. تمكن كفاءة الذاكرة هذه المطورين من تدريب شبكات حديثة على وحدات معالجة رسوميات استهلاكية أو بيئات سحابية مثل Google Colab دون مواجهة أخطاء نفاد الذاكرة.

تعدد الاستخدامات عبر مهام الرؤية#

يُعد كل من YOLO11 و YOLOv8 متعلمين متعددي المهام حقاً. بالإضافة إلى اكتشاف الأجسام عبر صناديق الإحاطة القياسية، فهما يدعمان أصلاً تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية البشرية، والصناديق المحيطة الموجهة (OBB) للصور الجوية.

حالات الاستخدام والتوصيات#

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

متى تختار YOLO11#

يعد YOLO11 خياراً قوياً لـ:

• نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.

متى تختار YOLOv8#

يوصى بـ YOLOv8 لـ:

• نشر متعدد المهام متعدد الاستخدامات: المشاريع التي تتطلب نموذجاً مثبتًا لـ الاكتشاف، والتقسيم، والتصنيف، وتقدير الوضع ضمن 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.

متى تختار Ultralytics (YOLO26)#

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

• 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.
• الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

مثال على التعليمات البرمجية: البدء#

إن نشر وتدريب نموذج Ultralytics أمر بديحي بشكل لا يصدق. يوضح المثال التالي كيفية تحميل نموذج YOLO11 مدرب 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")

نتطلع للمستقبل: قمة الذكاء الاصطناعي الطرفي مع YOLO26#

بينما يمثل YOLO11 هندسة ناضجة وقادرة جداً، فإن وتيرة الابتكار السريعة في الذكاء الاصطناعي مستمرة. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة ويتطلبون أحدث ما توصلت إليه التكنولوجيا في الأداء، فإن Ultralytics YOLO26 (الذي تم إصداره في يناير 2026) هو التوصية النهائية.

يدفع YOLO26 حدود الرؤية الحاسوبية بفضل العديد من الميزات الرائدة:

• تصميم خالٍ من NMS من البداية إلى النهاية: بناءً على المفاهيم المستكشفة في YOLOv10، يلغي YOLO26 أصلًا معالجة ما بعد القمع غير الأقصى (NMS)، مما ينتج عنه زمن انتقال أقل وأكثر قابلية للتنبؤ عبر جميع أجهزة النشر.
• استدلال أسرع على وحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43%: من خلال إزالة فرع خسارة بؤرة التوزيع (DFL) تماماً، تم تحسين YOLO26 خصخصيًّا لأجهزة الحوسبة الطرفية التي تفتقر إلى وحدات معالجة رسوميات 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 موثوقية YOLOv8 المثبتة، أو الهندسة المحسنة لـ YOLO11، أو إمكانيات الجيل التالي لـ YOLO26، فإن منصة Ultralytics تضمن لك امتلاك الأدوات اللازمة لنقل تطبيقات رؤية الذكاء الاصطناعي الخاصة بك من الفكرة إلى الإنتاج بسلاسة. تأكد من استكشاف العمليات المتكاملة الواسعة المتاحة لربط نماذجك بسير عمل المؤسسات لوحات معلومات التحليلات.