YOLO11 YOLOv8: تطور الكشف عن الكائنات في الوقت الفعلي

أدى تطور بنية YOLO You Only Look Once) إلى إعادة تعريف حدود الرؤية الحاسوبية بشكل مستمر. YOLO11، التي تم إصدارها في أواخر عام 2024، على الأساس المتين الذي أرسته YOLOv8 لتوفير كفاءة ودقة محسّنتين. يستكشف هذا التحليل التغييرات المعمارية ومقاييس الأداء واعتبارات النشر العملي لكلا النموذجين، مما يوجه المطورين نحو الاختيار الأمثل لتطبيقاتهم المحددة.

نظرة عامة على مقاييس الأداء

يوضح الجدول التالي تحسينات الأداء في YOLO11 YOLOv8 مختلف أحجام النماذج. يوفر YOLO11 متوسط دقة أعلى (mAP) مع الحفاظ على سرعات استدلال تنافسية، لا سيما عند تحسينه CPU .

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(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	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

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	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

نظرة عامة معمارية

كلا النموذجين مستمدان من Ultralytics للتصميم المتمركز حول المستخدم، والتي تعطي الأولوية لسهولة الاستخدام دون التضحية بالقوة. ومع ذلك، فإن التحسينات المعمارية في YOLO11 قدرات أكبر لاستخراج الميزات باستخدام معلمات أقل.

YOLO11: كفاءة محسّنة

المؤلفون: جلين جوشر، جينغ تشيو
المنظمة:Ultralytics
التاريخ: 2024-09-27
GitHub:ultralytics
الوثائق:YOLO11

YOLO11 بنية أساسية وعنق محدثة تعزز تكامل الميزات. من خلال تحسين كتل Cross Stage Partial (CSP) ، YOLO11 انخفاضًا كبيرًا في FLOPs (عمليات النقطة العائمة في الثانية) مع تعزيز mAP. هذه الكفاءة تجعله مناسبًا بشكل خاص للبيئات المقيدة مثل أجهزة الحوسبة الطرفية.

تعرف على المزيد حول YOLO11

YOLOv8: المعيار الموثوق

المؤلفون: جلين جوشر، أيوش شوراسيا، جينغ تشيو
المنظمة:Ultralytics
التاريخ: 2023-01-10
GitHub:ultralytics
YOLOv8 :YOLOv8

YOLOv8 نموذجًا قويًا ومتعدد الاستخدامات. فقد كان رائدًا في مجال رؤوس الكشف الخالية من المراسي في Ultralytics مما سهّل عملية التدريب من خلال التخلص من الحاجة إلى الحسابات اليدوية لمربعات المراسي. إن track في مختلف الصناعات، من الزراعة إلى التصنيع، يجعله خيارًا آمنًا وموثوقًا للأنظمة القديمة.

تعرف على المزيد حول YOLOv8

توافق الهندسة المعمارية

YOLOv8 دعم كل من YOLO11 YOLOv8 بشكل أساسي بواسطة ultralytics Python . غالبًا ما يكون التبديل بينهما بسيطًا مثل تغيير سلسلة اسم النموذج (على سبيل المثال، من yolov8n.pt إلى yolo11n.pt) في الكود الخاص بك، مع الحفاظ على تكوين مجموعة البيانات وخطوط الأنابيب للتدريب.

المزايا الرئيسية لنماذج Ultralytics

بغض النظر عن الإصدار المحدد، فإن اختيار Ultralytics يوفر مزايا واضحة مقارنة بالأطر الأخرى.

نظام بيئي جيد الصيانة: يستفيد كلا النموذجين من التطوير النشط ودعم المجتمع. تضمن التحديثات المنتظمة التوافق مع أحدث إصدارات PyTorch و CUDA ، مما يقلل من الديون التقنية.
متطلبات الذاكرة: Ultralytics نماذجها بحيث تكون فعالة من حيث الذاكرة. مقارنةً بأجهزة الكشف الضخمة القائمة على المحولات، تتطلب YOLO GPU (VRAM) أقل بكثير أثناء التدريب، مما يجعلها في متناول المطورين الذين يستخدمون أجهزة من فئة المستهلكين.
تعدد الاستخدامات: بالإضافة إلى المربعات المحددة البسيطة، تدعم كلتا البنيتين تقسيم الحالات، وتقدير الوضع، و OBB (المربع المحدد الموجه)، والتصنيف.
كفاءة التدريب: الأوزان المدربة مسبقًا متاحة بسهولة، مما يسمح بالتعلم النقلي الذي يقلل بشكل كبير من وقت التدريب واستهلاك الطاقة.

حالات الاستخدام في العالم الحقيقي

YOLOv8 يعتمد الاختيار بين YOLO11 YOLOv8 على القيود المحددة لبيئة النشر.

أين يتفوق YOLO11

YOLO11 الخيار الأمثل للتطبيقات الحساسة للكمون. إن عدد المعلمات المخفض وعمليات FLOPs الأقل تعني استنتاجات أسرع على وحدات المعالجة المركزية والمعالجات المحمولة.

التجزئة الذكية: لتحليل سلوك العملاء في الوقت الفعلي على خوادم المتاجر دون الحاجة إلى وحدات معالجة رسومات مخصصة.
صور الطائرات بدون طيار: معالجة لقطات جوية عالية الدقة حيث كل مللي ثانية من عمر البطارية مهمة. يعد تحسين اكتشاف الأجسام الصغيرة أمرًا بالغ الأهمية هنا.
تطبيقات الهاتف المحمول: النشر عبر CoreML أو TFLite على Android iOS Android يستفيد من البنية الأخف وزناً.

حيث YOLOv8 قوياً

YOLOv8 مثالي لسير العمل الراسخ حيث الاتساق أمر بالغ الأهمية.

الأتمتة الصناعية: في المصانع التي تم توحيدها بالفعل على YOLOv8 لمراقبة الجودة، فإن الاستمرار في استخدام v8 يتجنب الحاجة إلى إعادة التحقق من صحة خط الإنتاج بأكمله.
البحث الأكاديمي: باعتباره أساسًا مرجعيًا شائع الاستخدام، YOLOv8 نقطة مرجعية ممتازة لمقارنة الابتكارات المعمارية الجديدة.

سهولة الاستخدام والتنفيذ

إحدى السمات المميزة لنظام Ultralytics هي واجهة برمجة التطبيقات الموحدة. يمكن للمطورين تدريب أي من النموذجين والتحقق من صحته ونشره باستخدام صيغة متطابقة.

from ultralytics import YOLO

# Load a model (switch 'yolo11n.pt' to 'yolov8n.pt' to use v8)
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a local image
results = model("path/to/image.jpg")

# Export to ONNX for deployment
path = model.export(format="onnx")

تمتد هذه البساطة إلى واجهة سطر الأوامر (CLI)، مما يتيح إنشاء نماذج أولية سريعة دون كتابة سطر واحد من Python.

# Train YOLO11n
yolo train model=yolo11n.pt data=coco8.yaml epochs=50 imgsz=640

# Train YOLOv8n
yolo train model=yolov8n.pt data=coco8.yaml epochs=50 imgsz=640

الخلاصة

كلاهما YOLO11 و YOLOv8 يمثلان قمة التكنولوجيا في مجال الكشف عن الأجسام في الوقت الفعلي. YOLOv8 لا يزال أداة موثوقة ومتعددة الاستخدامات، ومثالية للتطبيقات العامة. ومع ذلك، فإن YOLO11 تتجاوز الحدود مع كفاءة محسّنة، مما يجعلها نقطة البداية الموصى بها للمشاريع الجديدة — خاصة تلك التي تستهدف الأجهزة المتطورة أو تتطلب أعلى نسبة دقة إلى حساب ممكنة.

بالنسبة للمطورين الذين يبحثون عن أحدث ما توصلت إليه التكنولوجيا في الأداء والهندسة المعمارية NMS، نوصي أيضًا باستكشاف الإصدار الجديد YOLO26. فهو يجمع بين أفضل ميزات الأجيال السابقة وتصميم شامل يبسط عملية النشر بشكل أكبر.

استكشف نماذج أخرى

YOLO26: أحدث نموذج متطور يتميز بالكشف الشامل NMS CPU أسرع بنسبة 43٪.
RT-DETR: نموذج قائم على المحولات يوفر دقة عالية، وهو مثالي عندما تكون سرعة الاستدلال ثانوية بالنسبة للدقة.
SAM : نموذج Meta's Segment Anything Model، مثالي لمهام التجزئة بدون تدريب حيث تكون بيانات التدريب نادرة.