ابدأ

YOLO11 مقابل YOLOv9

تواصل بنيات كشف الكائنات الآني تحسّنها. ومن أبرز محطاتها Ultralytics YOLO11 وYOLOv9. ويؤدي كلاهما أداءً جيدًا، لكنهما يتبعان نهجين مختلفين لمعالجة التحديات الأساسية في استدلال التعلّم العميق وتدريبه.

يقارن هذا الدليل بين YOLO11 وYOLOv9، ويحلل بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية لمساعدتك على اختيار النموذج المناسب لمشروع الرؤية الحاسوبية القادم.

نظرة عامة على النماذج#

Ultralytics YOLO11#

YOLO11 نموذج محسّن ومتعدد الاستخدامات، صُمم لبيئات الإنتاج. وهو يوازن بين الدقة العالية ومتطلبات الحوسبة الطرفية والنشر واسع النطاق العملية.

YOLOv9#

YOLOv9 إسهام أكاديمي يقدم مفاهيم جديدة للحد من فقدان المعلومات في الشبكات العصبية العميقة، مع التركيز على استخراج السمات.

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 متعاقبة في شبكة عميقة. ولحل هذه المشكلة، قدم المؤلفون معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). وتساعد PGI التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي على الاحتفاظ بمعلومات أشمل، ما ينتج تمثيلات دقيقة للسمات. أما بنية GELAN فتحقق أقصى كفاءة للمعلمات، ما يمكّن YOLOv9 من تحقيق دقة عالية ببنية خفيفة نسبيًا.

YOLO11: المنظومة والكفاءة#

بينما يركز YOLOv9 على تدفق التدرجات، صُمم YOLO11 لتحقيق الموثوقية وتعدد الاستخدامات في العالم الحقيقي. وهو ينقح بنية YOLO الأساسية ليُبقي متطلبات ذاكرة CUDA أثناء التدريب أقل من البدائل المعتمدة بكثافة على المحولات. كما أن YOLO11 يتجاوز كشف الكائنات؛ فبينما يدعم YOLOv9 في Ultralytics الكشف والتجزئة، يدعم YOLO11 تجزئة الكائنات الفردية، وتصنيف الصور، وتقدير الوضعية، والصناديق المحيطة الموجّهة (OBB).

تطوير مبسّط

تتمثل إحدى أبرز نقاط قوة YOLO11 في تكامله مع حزمة Python من Ultralytics، التي تخفي تعقيدات تحميل البيانات وزيادتها والتدريب الموزع ضمن واجهة API موحدة.

مقارنة الأداء#

عند اختيار نموذج للإنتاج، وازن بين متوسط الدقة (mAP) وسرعة الاستدلال وعدد المعلمات.

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

يحقق YOLOv9e أعلى دقة إجمالية (55.6 mAP)، ما يجعله مفيدًا للمقارنة المعيارية الأكاديمية، لكنه يستغرق 16.77 مللي ثانية على T4 TensorRT مقابل 11.3 مللي ثانية لـ YOLO11x. ويوفر YOLO11 نسبة أفضل بين السرعة والدقة عند كل مقياس. فعلى سبيل المثال، يحقق YOLO11m دقة 51.5 mAP في 4.7 مللي ثانية (TensorRT)، مقابل 51.4 mAP في 6.43 مللي ثانية لـ YOLOv9m المماثل له في الحجم.

منهجيات التدريب والمنظومة#

تختلف تجربة المطور اختلافًا كبيرًا بين إطاري العمل.

تدريب YOLOv9#

يتطلب تدريب YOLOv9 من المستودع الأصلي غالبًا التعامل مع شيفرة بحثية مخصصة وإدارة إصدارات محددة من التبعيات واستخدام وسائط معقدة لسطر الأوامر، ما قد يبطئ فرق المؤسسات. كما تتوفر أوزان YOLOv9 في حزمة ultralytics، ما يلغي معظم متطلبات الإعداد هذه.

تدريب YOLO11#

يستخدم YOLO11 واجهة API الخاصة بـ Python من Ultralytics، التي تحظى بصيانة جيدة، وتنقلك من التثبيت إلى نموذج مدرَّب في بضع خطوات. ويحظى التدريب بدعم أوزان مدرَّبة مسبقًا متاحة بسهولة ومجتمع نشط.

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 جيدًا للباحثين الذين يستكشفون بنيات التعلّم العميق وتقنيات معلومات التدرج. ويناسب أكبر إصداراته، YOLOv9e، التحليلات التي تتطلب دقة عالية في المشاهد الكثيفة، حيث تكون أولوية الأداء الخوارزمي أعلى من تعقيد النشر.

متى تختار YOLO11#

يُعد YOLO11 الخيار الأقوى للإنتاج. وتناسب قدراته في كشف الكائنات إدارة حركة المرور في المدن الذكية والأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson. كما يتيح تعدد مهامه لخط تطوير واحد التعامل مع التجزئة في التصنيع وتقدير الوضعية في تحليلات الرياضة.

تعرّف على YOLO26#

للمطورين الذين يبدؤون مشاريع جديدة اليوم، توصي Ultralytics بـYOLO26 (الصادر في يناير 2026)، أحدث نماذج Ultralytics YOLO.

يجمع YOLO26 أحدث التطورات في نموذج جاهز للإنتاج:

  • تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يتجاوز رأس YOLO26 الاختياري أحادي المطابقة (nms=False) المعالجة اللاحقة باستخدام كبت غير الأعظميات (NMS)، ما ينتج خطوط نشر أبسط وأسرع.
  • إزالة DFL: تحسّن إزالة خسارة البؤرة التوزيعية التوافق مع الأجهزة منخفضة الطاقة ومسرّعات الذكاء الاصطناعي الطرفي.
  • مُحسِّن MuSGD: استلهامًا من أساليب تدريب نماذج اللغة الكبيرة (LLM)، يوفر مُحسِّن MuSGD، وهو مزيج هجين من SGD وMuon، تدريبًا مستقرًا وتقاربًا أسرع.
  • استدلال أسرع بنسبة تصل إلى 43% على CPU: يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n على CPU، ما يجعله مناسبًا لأجهزة الحوسبة الطرفية التي لا تحتوي على وحدات GPU مخصصة.
  • ProgLoss + STAL: تحسّن الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة (STAL) التعرّف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـالمراقبة الزراعية والصور الجوية.

قد يرغب المستخدمون المهتمون باستكشاف بنيات متنوعة أيضًا في الاطلاع على RT-DETR للكشف القائم على المحولات، أو YOLO-World للكشف بمفردات مفتوحة دون أمثلة.

الخلاصة#

يُعد كل من YOLO11 وYOLOv9 نموذجًا مهمًا في تاريخ الرؤية الحاسوبية. ويقدم YOLOv9 أفكارًا معمارية مهمة للاحتفاظ بالسمات. أما في معظم عمليات النشر الواقعية، بدءًا من تطبيقات الذكاء الاصطناعي المؤسسية ووصولًا إلى الأجهزة المحمولة الطرفية، فتمنح سهولة استخدام YOLO11 وكفاءته في الذاكرة ودعمه المتنوع للمهام أفضليةً له. وتضيف نسخة YOLO26 الأحدث استدلالًا أسرع على CPU ونشرًا اختياريًا خاليًا من NMS للأنظمة الجديدة.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.