تخطي إلى المحتوى

YOLO11 مقارنة بـ YOLOv8: مقارنة تفصيلية

عند اختيار نموذج رؤية حاسوبية، خاصةً للكشف عن الكائنات، فإن فهم نقاط القوة والضعف في البنى المختلفة أمر ضروري. تقدم هذه الصفحة مقارنة فنية مفصلة بين Ultralytics YOLO11 و Ultralytics YOLOv8، وهما من أحدث النماذج المصممة للكشف عن الكائنات ومهام الرؤية الأخرى. سنقوم بتحليل الفروق الدقيقة المعمارية ومعايير الأداء والتطبيقات المناسبة لإرشادك في اتخاذ قرار مستنير لمشروع الذكاء الاصطناعي التالي.

Ultralytics YOLO11

المؤلفون: جلين جوتشر، جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolo11/

يمثل Ultralytics YOLO11 أحدث تطور في سلسلة YOLO، وهو مصمم لتحقيق دقة وكفاءة محسّنتين. بالاعتماد على الأساس القوي لنماذج YOLO السابقة، يقدم YOLO11 تحسينات معمارية تهدف إلى تحسين دقة الاكتشاف مع الحفاظ على أداء فائق في الوقت الفعلي. إنه نموذج متعدد الاستخدامات للغاية، يدعم مجموعة واسعة من المهام بما في ذلك تجزئة المثيلات و تصنيف الصور و تقدير الوضعية والمربعات المحيطة الموجهة (OBB).

البنية والميزات الرئيسية

يتضمن YOLO11 تطورات في هيكل الشبكة لتحسين استخلاص الميزات ومعالجتها. يحقق دقة أعلى مع عدد أقل من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs) مقارنة بأسلافه مثل YOLOv8، كما هو موضح في جدول الأداء أدناه. تُترجم هذه الكفاءة إلى سرعات استدلال أسرع وتقليل المتطلبات الحسابية، مما يجعلها مناسبة للنشر عبر منصات متنوعة، من الأجهزة الطرفية إلى البنية التحتية السحابية القوية. إحدى الميزات الرئيسية في YOLO11 هي تكاملها السلس في نظام Ultralytics البيئي الذي تتم صيانته جيدًا، والذي يوفر عمليات تدريب فعالة، وأوزان مُدرَّبة مسبقًا متاحة بسهولة، واستخدامًا أقل للذاكرة مقارنة بالعديد من أنواع النماذج الأخرى.

نقاط القوة

  • دقة فائقة: يحقق أحدث درجات mAP، ويتفوق باستمرار على YOLOv8 بأحجام نماذج مماثلة.
  • استدلال عالي الكفاءة: يوفر سرعات معالجة أسرع بشكل ملحوظ، خاصة على CPU، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي في البيئات ذات الموارد المحدودة.
  • تعدد استخدامات المهام المتعددة: إطار عمل موحد واحد يدعم مهام رؤية الكمبيوتر المتعددة، مما يبسط سير عمل التطوير.
  • محسّن وقابل للتطوير: يعمل بشكل جيد عبر مختلف الأجهزة مع استخدام فعال للذاكرة وبصمة حسابية أصغر.
  • سهولة الاستخدام: يستفيد من واجهة برمجة تطبيقات Ultralytics المبسطة، و توثيق شامل، ودعم مجتمعي نشط على GitHub و Discord.

نقاط الضعف

  • باعتباره نموذجًا أحدث، قد يكون لديه في البداية عدد أقل من عمليات تكامل الطرف الثالث مقارنةً بـ YOLOv8 الأكثر رسوخًا.
  • لا تزال النماذج الأكبر (مثل YOLO11x) تتطلب موارد حسابية كبيرة، وهي سمة شائعة لأجهزة الكشف عالية الدقة.

حالات الاستخدام

إن التوازن الاستثنائي الذي يحققه YOLO11 بين الدقة والكفاءة يجعله الخيار الأمثل للتطبيقات التي تتطلب اكتشافًا دقيقًا وسريعًا للأجسام، مثل:

تعرف على المزيد حول YOLO11

Ultralytics YOLOv8

المؤلفون: جلين جوتشر، أيوش شوراسيا، و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolov8/

وضع Ultralytics YOLOv8 معيارًا جديدًا للكشف عن الأجسام في الوقت الفعلي عند إصداره، وسرعان ما أصبح أحد أكثر نماذج الرؤية شيوعًا في العالم. لقد قدم تغييرات معمارية رئيسية، مثل رأس الكشف الخالي من المرساة ووحدة C2f الخلفية، مما أدى إلى قفزة كبيرة في الأداء مقارنة بالإصدارات السابقة. مثل YOLO11، فإن YOLOv8 هو نموذج متعدد المهام ومتعدد الاستخدامات تم التحقق من صحته على نطاق واسع عبر عدد لا يحصى من التطبيقات الواقعية.

البنية والميزات الرئيسية

يركز تصميم YOLOv8 على تحقيق توازن قوي بين السرعة والدقة. يقلل منهجه الخالي من الـ anchors عدد توقعات الصندوق، مما يبسط خط أنابيب ما بعد المعالجة ويحسن سرعة الاستدلال. النموذج قابل للتطوير بدرجة كبيرة، مع وجود متغيرات تتراوح من إصدار 'n' (nano) خفيف الوزن للأجهزة المحمولة و الذكاء الاصطناعي الطرفي (Edge AI) إلى إصدار 'x' (كبير جدًا) القوي لتحقيق أقصى قدر من الدقة. تم دمج YOLOv8 بالكامل في نظام Ultralytics البيئي، ويستفيد من واجهة برمجة تطبيقات بسيطة وأدلة شاملة وأدوات مثل Ultralytics HUB للتدريب والنشر بدون تعليمات برمجية.

نقاط القوة

  • أداء مثبت: نموذج موثوق به للغاية ومعتمد على نطاق واسع يقدم نتائج قوية عبر جميع المهام المدعومة.
  • موازنة ممتازة بين السرعة والدقة: يوفر توازنًا رائعًا جعله خيارًا مفضلًا لمجموعة واسعة من التطبيقات.
  • نظام بيئي ناضج: يستفيد من دعم المجتمع المكثف والدروس التعليمية وعمليات تكامل الجهات الخارجية التي تم إنشاؤها منذ إصداره.
  • تنوع الاستخدامات: يدعم نفس المجموعة الواسعة من مهام الرؤية مثل YOLO11، مما يجعله حلاً قويًا وشاملاً.

نقاط الضعف

  • في حين أنه لا يزال من أفضل المؤدين، إلا أنه يتم تجاوزه عمومًا بواسطة YOLO11 في كل من الدقة وسرعة استدلال CPU عبر جميع أحجام النماذج.
  • تحتوي النماذج الأكبر على عدد أكبر من المعلمات وعمليات الفاصلة العائمة (FLOPs) مقارنة بنظيراتها في YOLO11، مما يؤدي إلى متطلبات حسابية أكبر.

حالات الاستخدام

لا يزال YOLOv8 نموذجًا هائلاً وذا صلة كبيرة، ويتفوق في التطبيقات التي تم نشره واختباره فيها على نطاق واسع:

تعرف على المزيد حول YOLOv8

مقارنة أداء مباشرة: YOLO11 ضد YOLOv8

يكمن التمييز الأساسي بين YOLO11 و YOLOv8 في مقاييس الأداء الخاصة بهما. تقدم YOLO11 باستمرار دقة أعلى (mAP) مع بنية أكثر كفاءة، مما يؤدي إلى عدد أقل من المعلمات وعمليات الفاصلة العائمة. يكون هذا التحسين المعماري واضحًا بشكل خاص في سرعات الاستدلال لوحدة المعالجة المركزية CPU، حيث تكون نماذج YOLO11 أسرع بشكل كبير من نظيراتها في YOLOv8. في حين أن YOLOv8n لديها ميزة طفيفة في زمن انتقال وحدة معالجة الرسوميات GPU، فإن نماذج YOLO11 من 's' إلى 'x' أسرع على وحدة معالجة الرسوميات GPU أيضًا، مما يجعل YOLO11 الخيار الأفضل لمعظم المشاريع الجديدة.

النموذج الحجم
(بالبكسل)		 mAPval
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

التطور المعماري والنظام البيئي

تعتبر YOLO11 تطورًا مباشرًا لـ YOLOv8، حيث تعتمد على مبادئ التصميم الناجحة مع إدخال تحسينات مستهدفة. يشترك كلا النموذجين في نفس الفلسفة الأساسية المتمثلة في السرعة والدقة وسهولة الاستخدام. يتم تطويرهما وصيانتهما داخل مستودع Ultralytics الموحد، مما يضمن تجربة مستخدم متسقة ومبسطة.

يُعد هذا النظام البيئي المشترك ميزة كبيرة للمطورين. إن ترحيل مشروع من YOLOv8 إلى YOLO11 أمر مباشر، مما يسمح للفرق بالاستفادة من مكاسب الأداء للنموذج الأحدث بأقل تغييرات في التعليمات البرمجية. يوفر النظام البيئي ما يلي:

  • واجهة برمجة تطبيقات (API) بسيطة ومتسقة لـ التدريب، و التحقق، و التنبؤ.
  • وثائق شاملة مع العديد من الأدلة والأمثلة.
  • مسارات عمل تدريب فعالة مع أوزان مُدرَّبة مسبقًا متاحة بسهولة على مجموعات بيانات مثل COCO.
  • متطلبات ذاكرة أقل أثناء التدريب والاستدلال مقارنة بأنواع النماذج الأخرى مثل Transformers.
  • مجتمع مفتوح المصدر نابض بالحياة للدعم والتعاون.

الخلاصة: أي نموذج يجب أن تختاره؟

بالنسبة للمشاريع الجديدة أو تلك التي تتطلب أفضل أداء ممكن، يعد YOLO11 هو الخيار الواضح. فهو يوفر دقة فائقة وسرعات استدلال أسرع، خاصة على وحدات المعالجة المركزية CPUs، مع بنية أكثر كفاءة. إن تطوراته تجعله الأحدث في مجال الكشف عن الكائنات في الوقت الفعلي.

لا يزال YOLOv8 نموذجًا ممتازًا وموثوقًا للغاية. إنه خيار رائع للمشاريع الحالية التي تم تحسينها بالفعل لبنيتها أو في السيناريوهات التي يكون فيها سجلها الحافل الواسع والعدد الهائل من عمليات تكامل الطرف الثالث اعتبارًا رئيسيًا.

في النهاية، يمثل كلا النموذجين قمة الكشف عن الأجسام في الوقت الفعلي، ويعتمد الاختيار على احتياجات مشروعك الخاصة. ومع ذلك، بفضل مزايا الأداء الواضحة والتكامل السلس في نظام Ultralytics البيئي، فإن YOLO11 مهيأ ليصبح المعيار الجديد للمطورين والباحثين.

استكشف نماذج أخرى

في حين أن YOLO11 و YOLOv8 هما خياران رائدان، إلا أن مجال رؤية الكمبيوتر يتطور باستمرار. قد تكون مهتمًا أيضًا بمقارنتهما بنماذج قوية أخرى متاحة في نظام Ultralytics البيئي، مثل YOLOv10 و YOLOv9 و RT-DETR القائم على المحولات. استكشف مجموعتنا الكاملة من مقارنات النماذج للعثور على الملاءمة المثالية لمشروعك.



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد
glenn-jocher

تعليقات