YOLO11 مقابل YOLOv9#
يتطور مشهد الرؤية الحاسوبية باستمرار، مع بنيات جديدة تدفع حدود ما هو ممكن في الكشف عن الأجسام في الوقت الفعلي. وهناك محطتان رئيسيتان في هذه المسيرة هما Ultralytics YOLO11 و YOLOv9. وفي حين يقدم كلا النموذجين أداء استثنائياً، إلا أنهما يمثلان مقاربات مختلفة لحل التحديات الأساسية لاستدلال التدريب والتعلم العميق.
يقدم هذا الدليل مقارنة تقنية شاملة بين YOLO11 وYOLOv9، حيث يحلل بنيتهما، ومقاييس الأداء، وسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج الأنسب لمشروعك القادم في مجال الذكاء الاصطناعي.
نظرة عامة على النموذج#
Ultralytics YOLO11#
يُعد YOLO11 نموذجاً عالي التحسين ومتعدد الاستخدامات مصمماً للبيئات الجاهزة للإنتاج. فهو يوازن بين الدقة المتطورة والمتطلبات العملية لـ الحوسبة الطرفية والشركات واسعة النطاق.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- المستندات: https://docs.ultralytics.com/models/yolo11
YOLOv9#
YOLOv9 هو مساهمة أكاديمية قوية تقدم مفاهيم مبتكرة لتقليل فقدان المعلومات في الشبكات العصبية العميقة، مع التركيز بشكل كبير على التطورات النظرية في استخراج الميزات.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
- التاريخ: 21-02-2024
- أركايف: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- المستندات: https://docs.ultralytics.com/models/yolov9
الابتكارات المعمارية#
YOLOv9: معلومات التدرج القابلة للبرمجة#
يعالج YOLOv9 مشكلة "عنق زجاجة المعلومات"، حيث تُفقد البيانات أثناء مرورها عبر طبقات متتالية في الشبكات العميقة. ولحل هذه المشكلة، قدم المؤلفون معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تضمن PGI أن التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي تحتوي على معلومات كاملة، مما يؤدي إلى تمثيلات دقيقة للغاية للميزات. كما تعمل بنية GELAN على زيادة كفاءة المعلمات إلى الحد الأقصى، مما يسمح لـ YOLOv9 بتحقيق دقة عالية بهيكل خفيف الوزن نسبياً.
YOLO11: النظام البيئي والكفاءة#
في حين يركز YOLOv9 على تدفق التدرج، تم هندسة YOLO11 ليتميز بالمتانة والتنوع في العالم الحقيقي. فهو يعيد تنقيح بنية YOLO الأساسية لتقليل متطلبات ذاكرة CUDA بشكل جذري أثناء التدريب مقارنة بالبدائل المعتمدة بكثافة على Transformer. وعلاوة على ذلك، فإن YOLO11 ليس مجرد أداة للكشف عن الأجسام؛ فهو يدعم أصلاً تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، والصناديق المحيطة الموجهة (OBB).
تتمثل إحدى أعظم نقاط قوة YOLO11 في اندماجه داخل منصة Ultralytics، التي تجرّد تعقيدات تحميل البيانات، والتعزيز، والتدريب الموزع في واجهة برمجة تطبيقات (API) موحدة.
مقارنة الأداء#
عند اختيار نموذج للإنتاج، يصبح تقييم المقايضة بين متوسط الدقة (mAP)، وسرعة الاستنتاج، وعدد المعلمات أمراً بالغ الأهمية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
كما يظهر في الجدول، يحقق YOLOv9e أعلى دقة إجمالية، مما يجعله ممتازاً للمقارنة الأكاديمية. ومع ذلك، يوفر YOLO11 نسبة سرعة إلى دقة فائقة في جميع المجالات. على سبيل المثال، يحقق YOLO11m دقة 51.5 mAP في 4.7 مللي ثانية (TensorRT)، متفوقاً في السرعة على YOLOv9m الذي يماثله في الحجم.
منهجيات التدريب والنظام البيئي#
تختلف تجربة المطور بشكل كبير بين الإطارين.
تدريب YOLOv9#
يتطلب تدريب YOLOv9 غالباً التفاعل مع كود بحثي مخصص للغاية، وإدارة إصدارات محددة من التبعيات، واستخدام وسائط سطر أوامر معقدة. ورغم قوته، فإنه قد يكون مربكاً لبيئات المؤسسات سريعة الخطى.
تدريب YOLO11#
يستفيد YOLO11 من واجهة برمجة تطبيقات Ultralytics Python التي تحظى بصيانة جيدة، مما يوفر تجربة سلسة للمستخدمين من البداية حتى الاحتراف. وتدعم عمليات التدريب الفعالة أوزان مُدربة مسبقاً متاحة بسهولة ودعم مجتمعي ممتاز.
from ultralytics import YOLO
# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")
# Train on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX format for deployment
model.export(format="onnx")باستخدام ثلاثة أسطر فقط من Python، يمكن للمطورين تحميل نموذج، وبدء التدريب باستخدام المعلمات الفائقة الافتراضية المحسنة، وتصدير البنية المدربة إلى أطر عمل مثل ONNX أو TensorRT للنشر على الأجهزة الطرفية.
تطبيقات العالم الحقيقي#
متى تختار YOLOv9#
يعد YOLOv9 خياراً رائعاً للباحثين الذين يتطلعون إلى استكشاف بنى التعلم العميق. إطار عمل PGI الخاص به يجعله مرشحاً مثالياً لتحليلات التجزئة عالية السرعة حيث تكون الدقة القصوى على مجموعات البيانات الكثيفة مطلوبة، ويكون تعقيد النشر ثانوياً مقارنة بالأداء الخوارزمي.
متى تختار YOLO11#
يُعد YOLO11 الأداة المثالية للإنتاج. فقدراته المبسطة في الكشف عن الأجسام تجعله مثالياً لـ إدارة حركة المرور في المدن الذكية والأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson. علاوة على ذلك، فإن تنوعه عبر مهام مختلفه يعني أن خط تطوير واحد يمكنه التعامل مع التجزئة في التصنيع وتقدير الوضعية في تحليلات الرياضات.
الطليعة: تقديم YOLO26#
في حين أن YOLO11 و YOLOv9 متميزان، إلا أن مجال الذكاء الاصطناعي يتطور بسرعة. بالنسبة للمطورين الذين يبدأون مشاريع جديدة اليوم، توصي Ultralytics بشدة بـ YOLO26 (الذي تم إصداره في يناير 2026)، والذي يدفع حدود الرؤية الحاسوبية إلى أبعد من ذلك بكثير.
يجمع YOLO26 بين أفضل الابتكارات الأخيرة في حزمة قوية جاهزة للإنتاج:
- تصميم من طرف إلى طرف خالٍ من NMS: يلغي YOLO26 أصلياً معالجة ما بعد الكشف غير الأقصى (NMS)، مما يؤدي إلى خطوط أنابيب نشر أسرع وأبسط بكثير.
- إزالة DFL: تضمن إزالة Distribution Focal Loss توافقاً أفضل مع المتحكمات الدقيقة منخفضة الطاقة ومسرعات الذكاء الاصطناعي الطرفية.
- محسن MuSGD: مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM)، يوفر محسن MuSGD (وهو مزيج من SGD وMuon) تدريباً مستقراً وتقارباً أسرع.
- استنتاج أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): مُحسّن خصيصاً لأجهزة الحوسبة الطرفية التي لا تحتوي على وحدات معالجة رسومات (GPUs) مخصصة.
- ProgLoss + STAL: تعمل دوال الخسارة المحسنة هذه على تعزيز التعرف على الأجسام الصغيرة بشكل جذري، وهو أمر بالغ الأهمية لـ المراقبة الزراعية والصور الجوية.
قد يرغب المستخدمون المهتمون استكشاف بنى متنوعة أيضاً في الاطلاع على RT-DETR للتتبع القائم على Transformer أو YOLO-World للكشف بدون أمثلة عن مفردات مفتوحة.
الخلاصة#
لقد رسخ كل من YOLO11 و YOLOv9 مكانتيهما في تاريخ الرؤية الحاسوبية. يقدم YOLOv9 ابتكارات هيكلية رائعة لتحقيق أقصى قدر من الاحتفاظ بالميزات. ومع ذلك، بالنسبة للأغلبية الساحقة من عمليات نشر العالم الحقيقي - بدءاً من تطبيقات الذكاء الاصطناعي للشركات وحتى أجهزة الحوسبة الطرفية المحمولة - فإن سهولة الاستخدام، وكفاءة الذاكرة، ودعم المهام المتنوعة في YOLO11 توفر ميزة لا تقبل المنافسة. ومع تقدم الصناعة إلى الأمام، فإن اعتماد الإصدار الأحدث YOLO26 يضمن أن أنظمتك تشغل أسرع وأوثق استدلال متاح اليوم.