Link to this sectionYOLO11 مقابل YOLOv9#

يشهد مجال الرؤية الحاسوبية تطوراً مستمراً، حيث تدفع البنى الهندسية الجديدة حدود ما هو ممكن في كشف الكائنات في الوقت الفعلي. ومن أبرز المحطات في هذه المسيرة Ultralytics YOLO11 وYOLOv9. ورغم أن كلا النموذجين يوفران أداءً استثنائياً، فإنهما يمثلان نهجين مختلفين لحل التحديات الجوهرية في استنتاج وتدريب التعلم 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.

Link to this sectionنظرة عامة على النموذج#

Link to this sectionUltralytics YOLO11#

YOLO11 هو نموذج متعدد الاستخدامات ومحسّن للغاية ومصمم لبيئات الإنتاج. فهو يوازن بين الدقة المتطورة والمتطلبات العملية لـ الحوسبة الطرفية والنشر على نطاق واسع.

• المؤلفون: Glenn Jocher و Jing Qiu
• المؤسسة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• المستندات: https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

Link to this sectionYOLOv9#

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
• Arxiv: https://arxiv.org/abs/2402.13616
• GitHub: https://github.com/WongKinYiu/yolov9
• التوثيق: https://docs.ultralytics.com/models/yolov9/

اعرف المزيد عن YOLOv9

Link to this sectionالابتكارات المعمارية#

Link to this sectionYOLOv9: 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.

Link to this sectionYOLO11: النظام البيئي والكفاءة#

بينما يركز YOLOv9 على تدفق التدرج، فقد تم تصميم YOLO11 لضمان القوة والتنوع في العالم الحقيقي. إنه يعمل على تنقيح بنية YOLO الأساسية لتقليل متطلبات ذاكرة CUDA بشكل كبير أثناء التدريب مقارنة بالبدائل التي تعتمد بكثافة على Transformer. علاوة على ذلك، فإن YOLO11 ليس مجرد كاشف للكائنات؛ فهو يدعم أصلياً تجزئة المثيلات، تصنيف الصور، تقدير الوضعية، وصناديق التحديد الموجهة (OBB).

Link to this sectionمقارنة الأداء#

عند اختيار نموذج للإنتاج، يصبح تقييم المقايضة بين متوسط الدقة (mAP)، وسرعة الاستنتاج، وعدد المعلمات أمراً بالغ الأهمية.

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.

Link to this sectionمنهجيات التدريب والنظام البيئي#

تختلف تجربة المطور بشكل كبير بين الإطارين.

Link to this sectionتدريب 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.

Link to this sectionتدريب 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")

بثلاثة أسطر فقط من Python، يمكن للمطورين تحميل نموذج، وبدء التدريب باستخدام إعدادات افتراضية محسنة للمعاملات الفائقة، وتصدير البنية المدربة إلى أطر عمل مثل ONNX أو TensorRT للنشر على الحافة.

Link to this sectionتطبيقات العالم الحقيقي#

Link to this sectionمتى 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.

Link to this sectionمتى تختار YOLO11#

YOLO11 هو الأداة المثالية للإنتاج. تجعل قدراته المبسطة في كشف الكائنات مثالية لـ إدارة حركة المرور في المدن الذكية والأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson. علاوة على ذلك، فإن تنوعه في المهام المختلفة يعني أن خط تطوير واحد يمكنه التعامل مع التجزئة في التصنيع وتقدير الوضعية في تحليلات الرياضة.

Link to this sectionالطليعة: تقديم YOLO26#

بينما يعد YOLO11 وYOLOv9 نموذجين رائعين، إلا أن مجال الذكاء الاصطناعي يتطور بسرعة. 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.

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: تعزز وظائف الخسارة المحسنة هذه بشكل كبير التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ المراقبة الزراعية والتصوير الجوي.

قد يرغب المستخدمون المهتمون باستكشاف بنى متنوعة أيضاً في الاطلاع على RT-DETR للتتبع القائم على Transformer أو YOLO-World للكشف المفتوح للمفردات دون تدريب مسبق (zero-shot).

Link to this sectionالخلاصة#

لقد رسخ كل من YOLO11 وYOLOv9 مكانتهما في تاريخ الرؤية الحاسوبية. يوفر YOLOv9 ابتكارات معمارية رائعة لتحقيق أقصى قدر من الاحتفاظ بالميزات. ومع ذلك، بالنسبة للغالبية العظمى من عمليات النشر في العالم الحقيقي—بدءاً من تطبيقات الذكاء الاصطناعي في المؤسسات وصولاً إلى أجهزة الحافة المحمولة—فإن سهولة الاستخدام، وكفاءة الذاكرة، ودعم المهام المتنوع في YOLO11 توفر ميزة لا تضاهى. ومع تقدم الصناعة، فإن اعتماد YOLO26 الأحدث يضمن أن أنظمتك تعمل بأسرع وأكثر استنتاج موثوقية متاح اليوم.