ابدأ

YOLO11 مقابل YOLOv8

تواصل بنيات كشف الكائنات تطورها. وعند تقييم النماذج للنشر الواقعي، كثيرًا ما يقارن المطورون بين Ultralytics YOLO11 وسلفه واسع الاعتماد، Ultralytics YOLOv8. ويشتهر كلا النموذجين بالسرعة والدقة وتجربة المطور، لكنهما يناسبان مراحل مختلفة قليلًا من دورة حياة المشروع وأهداف الأداء.

يحلل هذا الدليل بنيتيهما ومنهجيات تدريبهما وحالات الاستخدام المثالية لمساعدتك على اختيار النموذج المناسب لمشاريع الذكاء الاصطناعي الخاصة بك.

ابتكارات البنية#

أدخل الانتقال من YOLOv8 إلى YOLO11 عدة تحسينات معمارية ترفع كفاءة استخراج السمات وتقلل العبء الحاسوبي.

بنية YOLO11#

يركز YOLO11 على كفاءة المعلمات. فهو يستبدل وحدات C2f بكتل C3k2، التي تحسّن معالجة السمات المكانية دون زيادة عدد المعلمات. كما يقدم YOLO11 وحدة C2PSA (الانتباه المكاني الجزئي عبر المراحل) ضمن العمود الفقري للنموذج. وتساعد آلية الانتباه هذه النموذج على التركيز على مناطق الاهتمام المهمة، ما يحسّن كشف الكائنات الصغيرة والتعامل مع حالات الحجب المعقدة.

بنية YOLOv8#

قدم YOLOv8، الذي أُطلق قبل ذلك بعام، رأس كشف خاليًا من المراسي إلى Ultralytics YOLO، ما ألغى الحاجة إلى ضبط الصناديق المرجعية يدويًا وبسّط صياغة الخسارة. وتعتمد بنيته على كتلة C2f، وهي تصميم يوازن بين عمق الشبكة وتدفق التدرجات، ما يجعله موثوقًا عبر نطاق واسع من تطبيقات الرؤية الحاسوبية.

فلسفة التصميم

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 تشغّل NVIDIA TensorRT، من الضروري فهم المفاضلة بين السرعة والدقة. ويوضح الجدول أدناه أن YOLO11 أدق من YOLOv8 عند كل أحجام النماذج.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

تحليل المقاييس#

يحقق YOLO11 متوسط دقة (mAP) أعلى، مع خفض عدد المعلمات وعمليات الفاصلة العائمة (FLOPs) معًا. فعلى سبيل المثال، يتطلب نموذج YOLO11m معلمات أقل بنسبة 22% من YOLOv8m، لكنه يحقق mAP أعلى بمقدار 1.3 نقطة على مجموعة بيانات COCO. وإضافة إلى ذلك، تُظهر سرعات استدلال CPU عند التصدير إلى تنسيق ONNX أن YOLO11 أسرع عند كل الأحجام (56.1 مللي ثانية مقابل 80.4 مللي ثانية لنماذج nano)، ما يجعله خيارًا مناسبًا لعمليات النشر التي لا تستخدم تسريع GPU مخصصًا.

ميزة منظومة Ultralytics#

سواء اخترت YOLO11 أم YOLOv8، يستفيد كلا النموذجين من منظومة Ultralytics التي تبسّط دورة حياة تعلّم الآلة.

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 محولات الرؤية الثقيلة (مثل RT-DETR)، تشتهر نماذج Ultralytics YOLO باستهلاكها المنخفض للذاكرة أثناء التدريب. تتيح كفاءة الذاكرة هذه للمطورين تدريب شبكات دقيقة باستخدام وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين أو في بيئات سحابية مثل Google Colab، من دون مواجهة أخطاء نفاد الذاكرة.

تعدد الاستخدامات عبر مهام الرؤية#

كل من YOLO11 وYOLOv8 نموذجان متعددا المهام. فإلى جانب كشف الكائنات بصناديق الإحاطة القياسية، يدعمان أصليًا تجزئة المثيلات وتصنيف الصور وتقدير وضعية الإنسان وصناديق الإحاطة الموجّهة (OBB) للصور الجوية.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 وYOLOv8 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

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 والتجزئة والتصنيف 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: المشاريع التي تتطلب نموذجًا مجرّبًا للكشف والتجزئة والتصنيف وتقدير الوضعية وOBB 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 تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
  • اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.

مثال على الشيفرة: البدء#

يتطلب تدريب نموذج Ultralytics ونشره بضعة أسطر من التعليمات البرمجية. يوضح المثال التالي كيفية تحميل نموذج YOLO11 مدرّب مسبقًا، 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")
ترقيات سهلة

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 مستقبلية: الذكاء الاصطناعي الطرفي مع YOLO26#

YOLO11 بنية ناضجة وقادرة، لكن بالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة، فإن Ultralytics YOLO26 (الصادر في يناير 2026) هو النموذج الموصى به.

يضيف YOLO26 عدة ميزات جديدة:

  • تصميم شامل خالٍ من NMS: استنادًا إلى المفاهيم المستكشفة في YOLOv10، يقدم YOLO26 رأسًا اختياريًا أحادي المطابقة (nms=False) يتجاوز المعالجة اللاحقة لـالقمع غير الأقصى (NMS)، ما يؤدي إلى زمن استجابة أقل وأكثر قابلية للتوقع عبر عتاد النشر.
  • استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد إزالة فرع خسارة البؤرة التوزيعية (DFL)، يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n على CPU، ما يجعله مناسبًا لـأجهزة الحوسبة الطرفية التي تفتقر إلى وحدات معالجة رسومات قوية.
  • مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon، لتحقيق تقارب مستقر وسريع أثناء التدريب.
  • ProgLoss + STAL: تعمل الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) على تحسين التعرّف على الكائنات الصغيرة والمحجوبة، وهو أمر أساسي للروبوتات ذاتية التشغيل والتحليلات المعتمدة على الطائرات المسيّرة.

سواء أكنت تعتمد على موثوقية YOLOv8 المجربة، أو البنية المحسّنة لـYOLO11، أو إمكانات الجيل التالي في YOLO26، توفر منصة Ultralytics الأدوات اللازمة لنقل تطبيقات ذكاء الرؤية لديك من مرحلة التصور إلى الإنتاج. وتربط تكاملات Ultralytics نماذجك بسير عمل المؤسسات ولوحات التحليلات.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.