YOLO11 مقابل YOLOv9#

يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، إذ تدفع البنى الجديدة حدود الممكن في اكتشاف الكائنات في الزمن الحقيقي. ومن المحطات المهمة في هذا المسار Ultralytics YOLO11 وYOLOv9. وعلى الرغم من الأداء الاستثنائي الذي يقدمه كلا النموذجين، فإنهما يمثلان نهجين مختلفين لمعالجة التحديات الأساسية للاستدلال والتدريب بالتعلم العميق.

يقدم هذا الدليل مقارنة تقنية شاملة بين YOLO11 وYOLOv9، ويحلل بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية لمساعدتك على اختيار النموذج المناسب لمشروع الذكاء الاصطناعي التالي.

نظرة عامة على النماذج#

Ultralytics YOLO11#

YOLO11 نموذج متعدد الاستخدامات ومحسّن بدرجة كبيرة، ومصمم لبيئات الإنتاج. وهو يوازن بين دقة متطورة ومتطلبات الحوسبة الطرفية العملية والنشر واسع النطاق.

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

YOLOv9#

يمثل YOLOv9 إسهامًا أكاديميًا قويًا يقدم مفاهيم جديدة للتخفيف 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، أكاديميا سينيكا، تايوان
• التاريخ: 2024-02-21
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: https://github.com/WongKinYiu/yolov9
• الوثائق: https://docs.ultralytics.com/models/yolov9

تعرّف على المزيد عن YOLOv9

ابتكارات البنية#

YOLOv9: معلومات التدرج القابلة للبرمجة#

يعالج YOLOv9 مشكلة «عنق زجاجة المعلومات»، حيث تُفقد البيانات أثناء مرورها عبر طبقات متتابعة من شبكة عميقة. ولحل هذه المشكلة، قدم المؤلفون معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). وتضمن PGI أن تحتوي التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي على معلومات كاملة، ما ينتج تمثيلات دقيقة للغاية للسمات. أما بنية GELAN، فتزيد كفاءة المعلمات إلى أقصى حد، ما يمكّن YOLOv9 من تحقيق دقة عالية ببنية خفيفة نسبيًا.

YOLO11: المنظومة والكفاءة#

في حين يركز YOLOv9 على تدفق التدرج، صُمم YOLO11 لتحقيق المتانة والتنوع في العالم الحقيقي. وهو يحسّن بنية YOLO الأساسية لتقليل متطلبات ذاكرة CUDA أثناء التدريب بدرجة كبيرة مقارنةً بالبدائل المعتمدة بكثافة على Transformer. علاوة على ذلك، لا يقتصر YOLO11 على اكتشاف الكائنات، بل يدعم أصليًا تقسيم الكائنات وتصنيف الصور وتقدير الوضعية وصناديق الإحاطة الموجّهة (OBB).

مقارنة الأداء#

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

كما يتضح من الجدول، يحقق YOLOv9e أعلى دقة إجمالية، ما يجعله ممتازًا للمعايير المرجعية الأكاديمية. إلا أن YOLO11 يقدم نسبة أفضل بين السرعة والدقة في مختلف الحالات. فعلى سبيل المثال، يحقق YOLO11m قيمة 51.5 mAP خلال 4.7 ms (TensorRT)، متفوقًا في السرعة على YOLOv9m المماثل له في الحجم.

منهجيات التدريب والمنظومة#

تختلف تجربة المطور اختلافًا كبيرًا بين إطاري العمل.

تدريب YOLOv9#

غالبًا ما يتطلب تدريب YOLOv9 التعامل مع شيفرة بحثية مخصصة بدرجة كبيرة، وإدارة إصدارات محددة من التبعيات، واستخدام وسيطات معقدة لسطر الأوامر. وعلى الرغم من قوته، فقد يكون مربكًا لبيئات المؤسسات سريعة الوتيرة.

تدريب YOLO11#

يستفيد YOLO11 من واجهة Python البرمجية التي تحظى بصيانة جيدة من Ultralytics، موفرًا تجربة سلسة تنتقل من الصفر إلى الاحتراف. وتدعم عمليات التدريب الفعالة أوزان مدرّبة مسبقًا ومتاحة بسهولة، إلى جانب دعم ممتاز من المجتمع.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 صغير مدرّب مسبقًا⁩
model = YOLO("yolo11s.pt")

# ⁨التدريب على مجموعة بيانات مخصصة باستخدام تحسينات مدمجة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨صدّر إلى تنسيق ONNX للنشر⁩
model.export(format="onnx")

باستخدام ثلاثة أسطر فقط من Python، يمكن للمطورين تحميل نموذج، وبدء التدريب بإعدادات افتراضية محسّنة للمعلمات الفائقة، وتصدير البنية المدرّبة إلى أطر عمل مثل ONNX أو TensorRT للنشر على الأجهزة الطرفية.

تطبيقات واقعية#

متى تختار YOLOv9#

يُعد YOLOv9 خيارًا ممتازًا للباحثين الراغبين في استكشاف بنيات التعلم العميق. ويجعل إطار PGI منه خيارًا مثاليًا لتحليلات البيع بالتجزئة عالية السرعة، التي تتطلب دقة فائقة على مجموعات البيانات الكثيفة، وتأتي فيها تعقيدات النشر في مرتبة ثانوية مقارنةً بأداء الخوارزمية.

متى تختار YOLO11#

YOLO11 هو الأداة المثلى للإنتاج. وتجعل إمكاناته المبسطة في اكتشاف الكائنات منه خيارًا مثاليًا لـإدارة حركة المرور في المدن الذكية والأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson. فضلًا عن ذلك، يعني تنوعه عبر مختلف المهام أن مسار تطوير واحدًا يمكنه التعامل مع التقسيم في التصنيع وتقدير الوضعية في تحليلات الرياضة.

أحدث التقنيات: إليكم YOLO26#

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

يجمع YOLO26 أفضل الابتكارات الحديثة في حل قوي جاهز للإنتاج:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) خطوة المعالجة اللاحقة لكبت غير الأعظميات (NMS)، ما ينتج عنه مسارات نشر أبسط وأسرع بكثير.
• إزالة DFL: تضمن إزالة خسارة البؤرة للتوزيع توافقًا أفضل مع المتحكمات الدقيقة منخفضة الطاقة ومسرّعات الذكاء الاصطناعي الطرفية.
• محسّن MuSGD: يقدم محسّن MuSGD، المستوحى من ابتكارات تدريب LLM والهجين من SGD وMuon، تدريبًا مستقرًا وتقاربًا أسرع.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: محسّن تحديدًا لأجهزة الحوسبة الطرفية التي لا تحتوي على وحدات GPU مخصصة.
• ProgLoss + STAL: تحسّن دوال الخسارة المطوّرة هذه بدرجة كبيرة التعرّف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـمراقبة المحاصيل الزراعية والصور الجوية.

قد يرغب المستخدمون المهتمون باستكشاف بنى متنوعة أيضًا في الاطلاع على RT-DETR للتتبع المعتمد على Transformer أو YOLO-World للكشف المفتوح المفردات دون تدريب مسبق.

الخلاصة#

رسّخ كل من YOLO11 وYOLOv9 مكانته في تاريخ الرؤية الحاسوبية. ويقدم YOLOv9 ابتكارات معمارية متميزة للاحتفاظ بأكبر قدر من السمات. ومع ذلك، فإن سهولة الاستخدام وكفاءة الذاكرة ودعم المهام المتنوع في YOLO11 توفر ميزة لا تُضاهى للغالبية العظمى من عمليات النشر في العالم الحقيقي، بدءًا من تطبيقات الذكاء الاصطناعي المؤسسية وحتى الأجهزة الطرفية المحمولة. ومع تقدم القطاع، يضمن اعتماد YOLO26 الأحدث تشغيل أنظمتك بأسرع استدلال وأكثره موثوقية مما هو متاح اليوم.