YOLO11 YOLOv9: مقارنة تقنية شاملة
يتطور مجال الرؤية الحاسوبية باستمرار، حيث توسع البنى الجديدة حدود الإمكانيات في مجال الكشف عن الأجسام في الوقت الفعلي. ومن المعالم الهامة في هذه الرحلة ما يلي Ultralytics YOLO11 و YOLOv9. على الرغم من أن كلا النموذجين يقدمان أداءً استثنائيًا، إلا أنهما يمثلان نهجين مختلفين لحل التحديات الأساسية للاستدلال والتدريب في التعلم العميق.
يقدم هذا الدليل مقارنة تقنية شاملة بين YOLO11 YOLOv9 حيث يحلل هياكلهما ومقاييس أدائهما وسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج المناسب لمشروعك التالي في مجال الذكاء الاصطناعي.
نظرة عامة على النموذج
Ultralytics YOLO11
YOLO11 نموذج متعدد الاستخدامات ومُحسّن للغاية مصمم لبيئات الإنتاج. وهو يوازن بين الدقة المتطورة والمتطلبات العملية للحوسبة الطرفية والنشر على نطاق واسع.
- المؤلفون: غلين جوشر وجينغ تشيو
- المؤسسة:Ultralytics
- التاريخ: 2024-09-27
- GitHub:https://github.com/ultralytics/ultralytics
- الوثائق:https://docs.ultralytics.com/models/yolo11/
YOLOv9
YOLOv9 مساهمة أكاديمية قوية تقدم مفاهيم جديدة للتخفيف من 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، أكاديميا سينيكا، تايوان
- التاريخ: 2024-02-21
- أرشيف:https://arxiv.org/abs/2402.13616
- GitHub:https://github.com/WongKinYiu/yolov9
- الوثائق:https://docs.ultralytics.com/models/yolov9/
الابتكارات المعمارية
YOLOv9: معلومات التدرج القابلة للبرمجة
YOLOv9 مشكلة "اختناق المعلومات" — حيث يتم فقدان البيانات أثناء مرورها عبر طبقات متتالية من شبكة عميقة. لحل 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 ينتج عنه تمثيلات عالية الدقة للميزات. تعمل بنية GELAN على تعظيم كفاءة المعلمات، مما يسمح لـ YOLOv9 دقة عالية بهيكل خفيف الوزن نسبيًا.
YOLO11: النظام البيئي والكفاءة
بينما YOLOv9 على تدفق التدرج، YOLO11 تصميم YOLO11 ليكون قويًا ومتعدد الاستخدامات في العالم الواقعي. فهو يحسن YOLO الأساسية لتقليل متطلبات CUDA بشكل كبير أثناء التدريب مقارنة بالبدائل التي تعتمد بشكل كبير على المحولات. علاوة على ذلك، YOLO11 مجرد كاشف للأجسام؛ فهو يدعم بشكل أساسي تقسيم المثيلات وتصنيف الصور وتقدير الوضع والمربعات المحددة الاتجاه (OBB).
تطوير مبسط
تتمثل إحدى أكبر نقاط قوة YOLO11 في تكامله مع Ultralytics التي تعمل على تبسيط تعقيدات تحميل البيانات وزيادتها والتدريب الموزع في واجهة برمجة تطبيقات موحدة.
مقارنة الأداء
عند اختيار نموذج للإنتاج، من الضروري تقييم المفاضلة بين متوسط الدقة (mAP) وسرعة الاستدلال وعدد المعلمات.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | 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 هو موضح في الجدول، يحقق YOLOv9e أعلى دقة إجمالية، مما يجعله ممتازًا للمقارنة الأكاديمية. ومع ذلك، YOLO11 نسبة سرعة إلى دقة فائقة في جميع المجالات. على سبيل المثال، يحقق YOLO11m 51.5 mAP 4.7 مللي ثانية (TensorRT)، متفوقًا في السرعة على YOLOv9m ذي الحجم المماثل.
منهجيات التدريب والنظام البيئي
تختلف تجربة المطور بشكل كبير بين الإطارين.
تدريب YOLOv9
YOLOv9 يتطلب تدريب YOLOv9 التفاعل مع كود بحثي مخصص للغاية، وإدارة إصدارات تابعة محددة، واستخدام حجج سطر أوامر معقدة. على الرغم من قوته، إلا أنه قد يكون أمرًا مخيفًا بالنسبة لبيئات المؤسسات سريعة الوتيرة.
تدريب YOLO11
YOLO11 Python Ultralytics Python التي يتم صيانتها جيدًا، مما يوفر تجربة سلسة "من الصفر إلى القمة". يتم دعم عمليات التدريب الفعالة من خلال الأوزان المعدة مسبقًا والمتاحة بسهولة والدعم الممتاز 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 المدربة إلى أطر عمل مثل ONNX أو TensorRT لنشر الحافة.
تطبيقات عملية في أرض الواقع
متى تختار YOLOv9
YOLOv9 خيارًا رائعًا للباحثين الذين يسعون إلى استكشاف بنى التعلم العميق. ويجعل إطار عمل PGI منه خيارًا مثاليًا للتحليلات عالية السرعة في مجال البيع بالتجزئة، حيث تتطلب الدقة الفائقة في مجموعات البيانات الكثيفة، وتكون تعقيدات النشر ثانوية بالنسبة لأداء الخوارزميات.
متى تختار YOLO11
YOLO11 الأداة المثالية للإنتاج. بفضل قدراتها المبسطة في اكتشاف الأجسام ، فهي مثالية لإدارة حركة المرور في المدن الذكية والأجهزة المتطورة مثل Raspberry Pi أو NVIDIA . علاوة على ذلك، فإن تعدد استخداماتها في مختلف المهام يعني أن خط إنتاج واحد يمكنه التعامل مع التجزئة في التصنيع وتقدير الوضع في تحليلات الرياضة.
الحد الأقصى: أدخل YOLO26
على الرغم من أن YOLO11 YOLOv9 مجال الذكاء الاصطناعي يتطور بسرعة. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، توصي Ultralytics باستخدام YOLO26 (التي تم إصدارها في يناير 2026)، والتي توسع حدود الرؤية الحاسوبية إلى أبعد من ذلك.
يجمع YOLO26 بين أفضل الابتكارات الحديثة في جهاز قوي جاهز للإنتاج:
- تصميم شامل NMS: يزيل YOLO26 بشكل أساسي المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، مما يؤدي إلى خطوط إنتاج أبسط وأسرع بشكل كبير.
- إزالة DFL: تضمن إزالة فقدان بؤرة التوزيع توافقًا أفضل مع وحدات التحكم الدقيقة منخفضة الطاقة ومسرعات الذكاء الاصطناعي المتطورة.
- مُحسّن MuSGD: مستوحى من ابتكارات تدريب LLM، يوفر مُحسّن MuSGD (مزيج من SGD Muon) تدريبًا مستقرًا وتقاربًا أسرع.
- CPU أسرع بنسبة تصل إلى 43٪ CPU : مُحسّن خصيصًا لأجهزة الحوسبة الطرفية التي لا تحتوي على وحدات معالجة رسومات مخصصة.
- ProgLoss + STAL: تعمل وظائف الخسارة المحسّنة هذه على تحسين التعرف على الأجسام الصغيرة بشكل كبير، وهو أمر بالغ الأهمية لرصد الزراعة والصور الجوية.
قد يرغب المستخدمون المهتمون باستكشاف هياكل متنوعة في الاطلاع على RT-DETR للتتبع القائم على المحولات أو YOLO للكشف عن المفردات المفتوحة بدون تدريب.
الخلاصة
YOLOv9 رسخ كل من YOLO11 YOLOv9 مكانتهما في تاريخ الرؤية الحاسوبية. YOLOv9 ابتكارات معمارية رائعة للحفاظ على أقصى قدر من الميزات. ومع ذلك، بالنسبة للغالبية العظمى من عمليات النشر في العالم الحقيقي — من تطبيقات الذكاء الاصطناعي للمؤسسات إلى الأجهزة المتنقلة المتطورة— YOLO11 سهولة الاستخدام وكفاءة الذاكرة ودعم المهام المتنوعة لـ YOLO11 ميزة لا تضاهى. ومع تقدم الصناعة، يضمن اعتماد YOLO26 الأحدث أن أنظمتك تعمل بأسرع وأكثر استدلال موثوقية متاح اليوم.