YOLO11 مقابل YOLOv9#

يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، إذ تدفع البنى الجديدة حدود ما هو ممكن في اكتشاف الأجسام في الوقت الفعلي. ومن أبرز المحطات في هذه المسيرة Ultralytics YOLO11 وYOLOv9. وعلى الرغم من أن كلا النموذجين يقدّم أداءً استثنائيًا، فإنهما يمثلان نهجين مختلفين لمعالجة التحديات الأساسية للاستدلال والتدريب في التعلم العميق.

يقدّم هذا الدليل مقارنة تقنية شاملة بين YOLO11 وYOLOv9، مع تحليل بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية، لمساعدتك في اختيار النموذج المناسب لمشروعك التالي في مجال الذكاء الاصطناعي.

نظرة عامة على النموذج#

Ultralytics YOLO11#

YOLO11 نموذج محسّن بدرجة عالية ومتعدد الاستخدامات، صُمّم لبيئات الإنتاج. فهو يوازن بين الدقة المتقدمة والمتطلبات العملية لـالحوسبة الطرفية والنشر على نطاق واسع.

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• التوثيق: https://docs.ultralytics.com/models/yolo11

YOLOv9#

YOLOv9 إسهام أكاديمي قوي يقدّم مفاهيم مبتكرة للحد من فقدان المعلومات في الشبكات العصبية العميقة، مع تركيز كبير على التطورات النظرية في استخراج السمات.

• المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
• الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
• التاريخ: 2024-02-21
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: https://github.com/WongKinYiu/yolov9
• التوثيق: https://docs.ultralytics.com/models/yolov9

تعرف على المزيد حول YOLOv9

الابتكارات المعمارية#

YOLOv9: المعلومات القابلة للبرمجة للتدرجات#

يعالج YOLOv9 مشكلة «عنق زجاجة المعلومات»، حيث تُفقد البيانات أثناء مرورها عبر الطبقات المتعاقبة لشبكة عميقة. ولحل هذه المشكلة، قدّم المؤلفون معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN). تضمن PGI أن تحتوي التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي على معلومات كاملة، ما ينتج تمثيلات سمات عالية الدقة. وتعمل بنية GELAN على تعظيم كفاءة المعلمات، مما يتيح لـYOLOv9 تحقيق دقة عالية ببنية خفيفة نسبيًا.

YOLO11: المنظومة والكفاءة#

بينما يركّز YOLOv9 على تدفق التدرجات، صُمّم YOLO11 لتحقيق المتانة والتعددية في الاستخدامات الواقعية. فهو يصقل بنية YOLO الأساسية لتقليل متطلبات ذاكرة CUDA بدرجة كبيرة أثناء التدريب مقارنة بالبدائل التي تعتمد بكثافة على Transformer. علاوة على ذلك، لا يقتصر YOLO11 على اكتشاف الأجسام، بل يدعم أصلاً تجزئة الكائنات وتصنيف الصور وتقدير الوضعية والمربعات المحيطة الموجّهة (OBB).

مقارنة الأداء#

عند اختيار نموذج للإنتاج، من الضروري تقييم المفاضلة بين متوسط الدقة (mAP) وسرعة الاستدلال وعدد المعلمات.

كما يظهر في الجدول، يحقق YOLOv9e أعلى دقة إجمالية، مما يجعله ممتازًا للقياس المعياري الأكاديمي. ومع ذلك، يوفّر YOLO11 نسبة سرعة إلى دقة أفضل على امتداد جميع المستويات. فعلى سبيل المثال، يحقق YOLO11m قيمة 51.5 mAP خلال 4.7 مللي ثانية (TensorRT)، متفوقًا في السرعة على YOLOv9m المماثل له في الحجم.

منهجيات التدريب والمنظومة#

تختلف تجربة المطور اختلافًا كبيرًا بين الإطارين.

تدريب YOLOv9#

يتطلب تدريب YOLOv9 غالبًا التعامل مع شيفرة بحثية مخصّصة بدرجة كبيرة، وإدارة إصدارات محددة من التبعيات، واستخدام وسيطات معقدة لسطر الأوامر. وعلى الرغم من قوته، فقد يكون ذلك مرهقًا في بيئات المؤسسات سريعة الوتيرة.

تدريب YOLO11#

يستفيد YOLO11 من Python API المُدار جيدًا من Ultralytics، موفّرًا تجربة سلسة من «الصفر إلى الاحتراف». وتدعم عمليات التدريب الفعّالة أوزان مُدرّبة مسبقًا ومتاحة بسهولة، إلى جانب دعم ممتاز من المجتمع.

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 إعدادات افتراضية محسّنة للمعلمات الفائقة، وتصدير البنية المدرّبة إلى أطر مثل ONNX أو TensorRT للنشر على الأجهزة الطرفية.

التطبيقات الواقعية#

متى تختار YOLOv9#

يُعد YOLOv9 خيارًا رائعًا للباحثين الراغبين في استكشاف بنيات التعلم العميق. ويجعل إطار PGI منه مرشحًا مثاليًا لتحليلات البيع بالتجزئة عالية السرعة، حيث تكون الدقة القصوى على مجموعات البيانات الكثيفة مطلوبة، وتأتي تعقيدات النشر في مرتبة ثانوية مقارنة بالأداء الخوارزمي.

متى تختار YOLO11#

YOLO11 هو الأداة المثلى للإنتاج. وتجعل قدراته المبسطة في اكتشاف الأجسام منه خيارًا مثاليًا لـإدارة حركة المرور في المدن الذكية والأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson. علاوة على ذلك، تعني تعدديته عبر المهام المختلفة أن خط تطوير واحدًا يمكنه التعامل مع التجزئة في التصنيع وتقدير الوضعية في تحليلات الرياضة.

الطليعة: ظهور YOLO26#

على الرغم من تميز YOLO11 وYOLOv9، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة اليوم، توصي Ultralytics بشدة باستخدام YOLO26 (الذي أُطلق في يناير 2026)، إذ يدفع حدود الرؤية الحاسوبية إلى أبعد من ذلك.

يجمع YOLO26 أفضل الابتكارات الحديثة في حل قوي جاهز للإنتاج:

• تصميم شامل من دون NMS: يلغي YOLO26 أصلاً المعالجة اللاحقة لكبت القيمة غير العظمى (NMS)، مما ينتج مسارات نشر أبسط وأسرع بكثير.
• إزالة DFL: تضمن إزالة خسارة البؤرة التوزيعية توافقًا أفضل مع المتحكمات الدقيقة منخفضة الطاقة ومسرّعات الذكاء الاصطناعي الطرفية.
• مُحسِّن MuSGD: مستوحى من ابتكارات تدريب LLM، يوفّر مُحسِّن MuSGD (وهو مزيج هجين من SGD وMuon) تدريبًا مستقرًا وتقاربًا أسرع.
• استدلال CPU أسرع بنسبة تصل إلى 43%: مُحسّن خصيصًا لأجهزة الحوسبة الطرفية التي لا تحتوي على GPU مخصّص.
• ProgLoss + STAL: تعزّز دوال الخسارة المحسّنة هذه بدرجة كبيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالمراقبة الزراعية والصور الجوية.

قد يرغب المستخدمون المهتمون باستكشاف بنيات متنوعة أيضًا في الاطلاع على RT-DETR للتتبع القائم على Transformer أو YOLO-World لاكتشاف المفردات المفتوحة من دون تدريب خاص.

الخلاصة#

لقد رسّخ كل من YOLO11 وYOLOv9 مكانته في تاريخ الرؤية الحاسوبية. يقدّم YOLOv9 ابتكارات معمارية لامعة لتحقيق أقصى احتفاظ بالسمات. ومع ذلك، فإن سهولة الاستخدام وكفاءة الذاكرة ودعم المهام المتعددة في YOLO11 توفر ميزة لا تُضاهى بالنسبة إلى الغالبية العظمى من عمليات النشر الواقعية، بدءًا من تطبيقات الذكاء الاصطناعي المؤسسية ووصولًا إلى الأجهزة الطرفية المتنقلة. ومع تقدم المجال، يضمن اعتماد YOLO26 الأحدث تشغيل أنظمتك بأسرع استدلال وأكثره موثوقية على الإطلاق والمتاح اليوم.