YOLOv10 مقابل YOLO11#
يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، إذ تدفع البنى الجديدة حدود الممكن في المعالجة الآنية. وبالنسبة إلى المطورين والباحثين الذين يتابعون هذا المجال سريع التطور، فإن فهم الفروق الدقيقة بين النماذج المتقدمة أمر بالغ الأهمية. تستكشف هذه المقارنة المفصلة الاختلافات التقنية ومفاضلات الأداء وحالات الاستخدام المثالية لكل من YOLOv10 وUltralytics YOLO11، وهما إطاران عاليَا الكفاءة لاكتشاف الكائنات.
على الرغم من تحقيق كلا النموذجين نتائج لافتة على مجموعات بيانات المعايير، فإن فلسفتي التصميم الأساسيتين وتكاملهما مع المنظومة تختلفان اختلافًا كبيرًا. ومن خلال فحص بنيتيهما، يمكننا تحديد الحل الأنسب لقيود النشر وأهداف المشروع.
YOLOv10: رائد الاكتشاف الشامل الخالي من NMS#
طُرح YOLOv10 في ربيع عام 2024، وقدم نهجًا جديدًا لمسار عمل اكتشاف الكائنات التقليدي، إذ عالج مباشرةً عبء زمن الاستجابة المرتبط بالمعالجة اللاحقة.
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- التاريخ: 23 مايو 2024
- ورقة البحث: arXiv:2405.14458
- الشيفرة المصدرية: THU-MIG/yolov10 على GitHub
- الوثائق: وثائق YOLOv10
يتمثل الابتكار الأبرز في YOLOv10 في استراتيجية الإسناد المزدوج المتسقة، التي تتيح التدريب الخالي من NMS. وتعتمد كاشفات الكائنات التقليدية اعتمادًا كبيرًا على كبح غير الأعظم (NMS) لتصفية التنبؤات الزائدة بمربعات الإحاطة. وبإزالة هذه الخطوة، يحقق YOLOv10 اكتشافًا شاملًا حقيقيًا، ويقلل زمن استدلال النموذج، ويبسط النشر على مسرّعات الأجهزة مثل وحدات المعالجة العصبية (NPUs)، حيث يصعب تحسين عمليات NMS المخصصة على نحو ملحوظ.
YOLO11: تنوع وأداء مدفوعان بالمنظومة#
أُطلق YOLO11 لاحقًا في العام نفسه، ويمثل مواصلة تطوير عائلة نماذج Ultralytics مع التركيز على تحقيق توازن مثالي بين السرعة والدقة وتجربة المطور.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 27 سبتمبر 2024
- الشيفرة المصدرية: Ultralytics على GitHub
- تكامل المنصة: منصة Ultralytics
صُمم YOLO11 للإنتاج. ورغم تفوقه في اكتشاف مربعات الإحاطة القياسي، تكمن قوته الحقيقية في تعدد استخداماته. فعلى خلاف YOLOv10، الذي يركز أساسًا على اكتشاف الكائنات، يدعم YOLO11 بطبيعته مهام تقسيم المثيلات وتقدير الوضعية وتصنيف الصور ومربع الإحاطة الموجّه (OBB) باستخدام بنية موحدة. كما يتميز بانخفاض متطلبات الذاكرة أثناء التدريب، ما يجعله في متناول الفرق التي تستخدم وحدات GPU من الفئة الاستهلاكية، مقارنةً بالبنى الأثقل القائمة على Transformer.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج جنبًا إلى جنب، من الضروري النظر إلى أدائها عبر متغيرات المقاييس المختلفة على معايير قياسية مثل مجموعة بيانات COCO.
يوضح الجدول أدناه فروق الأداء. وكثيرًا ما يتفوق YOLO11 قليلًا على YOLOv10 في mAP عبر معظم فئات الأحجام، مع الحفاظ على سرعات استدلال تنافسية للغاية باستخدام TensorRT.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
لإعادة إنتاج سرعات الاستدلال العالية هذه محليًا، تأكد من تصدير نماذجك إلى تنسيقات محسّنة مثل OpenVINO لمعالجات Intel CPU أو TensorRT لوحدات NVIDIA GPU.
تحليل معمّق للبنية#
منهجية التدريب وكفاءته#
تركز بنية YOLOv10 على الحد من التكرار الحسابي. ومن خلال تحسين تصميمي العمود الفقري والعنق باستخدام استراتيجية شاملة تقودها الكفاءة والدقة، تمكن مؤلفو النموذج من جامعة تسينغهوا من خفض عدد المعلمات بدرجة كبيرة في النماذج متوسطة الفئة، مثل YOLOv10m، مقارنةً بالإصدارات السابقة.
ومع ذلك، تُعد كفاءة التدريب سمة رئيسية لنماذج Ultralytics. ويستخدم YOLO11 حزمة Python المصقولة بدرجة عالية ultralytics، التي تخفي تعقيدات ضبط المعلمات الفائقة. ويتولى هذا الإطار تلقائيًا عمليات تعزيز البيانات المتقدمة وجدولة معدل التعلم والتدريب الموزع باستخدام وحدات GPU متعددة، مباشرةً دون الحاجة إلى إعداد إضافي. كما تتميز بنية YOLO11 بتدفق ممتاز للتدرجات، ما يؤدي إلى تقارب أسرع واستخدام أقل لذاكرة VRAM أثناء التدريب.
سهولة الاستخدام وميزة المنظومة#
من العوامل الحاسمة لاعتماد المؤسسات وجود منظومة تحظى بصيانة جيدة. فكثيرًا ما تتوقف مستودعات الأبحاث عن النشاط بعد نشر الورقة الأولية، رغم ما تحققه من إنجازات رائدة. أما منظومة Ultralytics الداعمة لـ YOLO11، فتوفر تجربة سلسة وشاملة للمطورين.
من خلال التكامل السلس مع أدوات مثل Weights & Biases لتتبع التجارب وRoboflow لإدارة مجموعات البيانات، يسرّع YOLO11 الانتقال من النموذج الأولي إلى الإنتاج. وتتجلى سهولة الاستخدام في واجهة API المبسطة، التي تتيح للمطورين تدريب النماذج وتصديرها باستخدام بضعة أسطر من الشيفرة فقط.
from ultralytics import YOLO
# تهيئة نموذج YOLO11 الصغير
model = YOLO("yolo11s.pt")
# درّب النموذج بكفاءة مع إدارة محسّنة للذاكرة
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# صدّر إلى تنسيق ONNX لتوفير مرونة النشر
model.export(format="onnx")حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv10 وYOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLOv10#
يُعد YOLOv10 خيارًا قويًا لما يلي:
- الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
- موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
- التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.
متى تختار YOLO11#
يوصى بـ YOLO11 لما يلي:
- النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
استكشاف بنيات أخرى#
على الرغم من أن YOLOv10 وYOLO11 خياران ممتازان، فقد يستفيد استخدامك المحدد من بنى أخرى متاحة في الوثائق. وللاستدلال القائم على التسلسلات، توفر نماذج Transformer مثل RT-DETR دقة عالية، مع أنها تتطلب عادةً ذاكرة أكبر. وفي المقابل، إذا كنت تحتاج إلى إمكانات التعرّف دون تدريب مسبق لتحديد الفئات الجديدة دون إعادة التدريب، فيوفر YOLO-World نهجًا للمفردات المفتوحة يستند إلى مطالبات اللغة الطبيعية.
الجيل التالي: YOLO26#
بالنسبة إلى الفرق التي تسعى إلى بلوغ أحدث مستوى تقني، يجمع Ultralytics YOLO26، الذي صدر حديثًا، أفضل ميزات النموذجين المذكورين أعلاه. وقد صدر YOLO26 في يناير 2026، وهو التوصية الأمثل لسيناريوهات النشر الحديثة.
استنادًا إلى أسس الإصدارات السابقة، يدمج YOLO26 بطبيعته تصميمًا شاملًا اختياريًا خاليًا من NMS (nms=False)، ما يزيل بفعالية اختناقات المعالجة اللاحقة التي عالجها YOLOv10 أولًا، ولكن ضمن إطار عمل Ultralytics المتين. إضافةً إلى ذلك، يتميز YOLO26 بـ إزالة DFL (خسارة البؤرة التوزيعية)، ما يبسط بشدة مخططات تصدير النموذج ويعزز التوافق مع الأجهزة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
شهد استقرار التدريب أيضًا قفزة نوعية مع تقديم محسّن MuSGD، وهو نهج هجين مستوحى من منهجيات تدريب نماذج اللغة الكبيرة (LLM) ويضمن تقاربًا سريعًا للغاية. وبالاقتران مع دوال الخسارة المتقدمة مثل ProgLoss + STAL، يحقق YOLO26 تحسينات ملحوظة في التعرف على الكائنات الصغيرة. وفي النشر على الأجهزة الطرفية القياسية، تؤدي هذه التحسينات المعمارية إلى استدلال أسرع على CPU بنسبة تصل إلى 43%، ما يجعل YOLO26 خيارًا لا مثيل له لمختلف مهام الرؤية الحاسوبية.