مقارنة بين YOLOv10 و YOLO11#
مشهد الرؤية الحاسوبية يتطور باستمرار، حيث تدفع البنى التحتية الجديدة حدود ما هو ممكن في المعالجة الفورية. بالنسبة للمطورين والباحثين الذين يتعاملون مع هذا المجال سريع التطور، يعد فهم الدقة بين النماذج المتطورة أمراً بالغ الأهمية. تستكشف هذه المقارنة المفصلة الاختلافات التقنية، والمفاضلات في الأداء، وحالات الاستخدام المثالية لكل من YOLOv10 و Ultralytics YOLO11، وهما إطارا عمل قويان للغاية لاكتشاف الكائنات.
على الرغم من أن كلا النموذجين يحققان نتائج مذهلة في مجموعات بيانات القياس المرجعي، إلا أن فلسفات التصميم الأساسية وتكامل النظام البيئي يختلفان بشكل كبير. من خلال فحص بنياتهما، يمكننا تحديد الحل الذي يتوافق بشكل أفضل مع قيود النشر وأهداف المشروع الخاصة بك.
YOLOv10: ريادة الكشف الشامل (End-to-End) بدون NMS#
تم إصدار YOLOv10 في ربيع عام 2024، وقدم نهجاً جديداً لخط أنابيب الكشف عن الأجسام التقليدي من خلال المعالجة المباشرة لتأخير الوقت المرتبط بمرحلة ما بعد المعالجة.
- المؤلفون: Ao Wang و Hui Chen و Lihao Liu، وآخرون.
- المنظمة: Tsinghua University
- التاريخ: 23 مايو 2024
- ورقة بحثية: arXiv:2405.14458
- الكود المصدر: THU-MIG/yolov10 on GitHub
- التوثيق: YOLOv10 Docs
الابتكار البارز في YOLOv10 هو استراتيجية التعيينات المزدوجة المتسقة، والتي تتيح التدريب بدون NMS. تعتمد كواشف الكائنات التقليدية بشكل كبير على Non-Maximum Suppression (NMS) لتصفية تنبؤات مربعات الإحاطة الزائدة عن الحاجة. من خلال إزالة هذه الخطوة، يحقق YOLOv10 اكتشافاً حقيقياً من البداية إلى النهاية، مما يقلل من زمن الانتقال للاستدلال ويبسط النشر على مسرعات الأجهزة مثل Neural Processing Units (NPUs) حيث تشتهر عمليات NMS المخصصة بصعوبة تحسينها.
YOLO11: تعدد الاستخدامات والأداء المدفوع بالنظام البيئي#
تم إطلاق YOLO11 في وقت لاحق من نفس العام، وهو يمثل التطوير المستمر لعائلة نماذج Ultralytics، مع التركيز على التوازن الأمثل بين السرعة والدقة وتجربة المطور.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 27 سبتمبر 2024
- الكود المصدر: Ultralytics on GitHub
- تكامل المنصة: Ultralytics Platform
تم تصميم YOLO11 للإنتاج. وفي حين أنه يتفوق في اكتشاف مربعات الإحاطة القياسية، إلا أن قوته الحقيقية تكمن في تعدد استخداماته. على عكس YOLOv10، الذي يركز بشكل أساسي على اكتشاف الكائنات، يدعم YOLO11 بشكل أصلي مهام instance segmentation و pose estimation و image classification و Oriented Bounding Box (OBB) باستخدام بنية موحدة. وهو يتميز بمتطلبات ذاكرة منخفضة بشكل ملحوظ أثناء التدريب، مما يجعله سهل الوصول بشكل كبير للفرق التي تعمل باستخدام GPUs الاستهلاكية مقارنة بالبنى الأثقل القائمة على Transformer.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج جنباً إلى جنب، من الضروري النظر في كيفية أائها عبر متغيرات الحجم المختلفة على المعايير القياسية مثل COCO dataset.
يوضح الجدول أدناه اختلافات الأداء. يتفوق YOLO11 غالباً على YOLOv10 في مقياس mAP عبر معظم فئات الأحجام مع الحفاظ على سرعات استدلال تنافسية للغاية باستخدام TensorRT.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| 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 |
لإعادة إنتاج سرعات الاستدلال السريعة هذه محلياً، تأكد من تصدير نماذجك إلى تنسيقات محسنة مثل OpenVINO لوحدات المعالجة المركزية لشركة Intel أو TensorRT لوحدات المعالجة الرسومية لنشر NVIDIA.
غوص معمق في البنية#
منهجية التدريب والكفاءة#
تؤكد بنية YOLOv10 على تقليل التكرار الحسابي. من خلال تحسين تصميمات العمود الفقري (backbone) والعنق (neck) باستخدام استراتيجية شاملة قائمة على كفاءة الأداء والدقة، تمكن المؤلفون من جامعة تسينغوا من خفض عدد المعلمات بشكل كبير في النماذج متوسطة المستوى (مثل YOLOv10m) مقارنة بالتكرارات السابقة.
ومع ذلك، تُعد كفاءة التدريب سمة رئيسية لنماذج Ultralytics. يستفيد YOLO11 من حزمة بايثون ultralytics عالية التنقيح، والتي تبسط ضبط hyperparameter tuning المعقد. يتعامل هذا الإطار تلقائياً مع عمليات تعزيز البيانات المتقدمة، جدولة معدل التعلم، والتدريب الموزع عبر وحدات معالجة رسومية متعددة خارج الصندوق. تعرض بنية YOLO11 أيضاً تدفق تدرج ممتاز، مما ينتج عنه تقارب أسرع واستخدام أقل لـ VRAM أثناء مرحلة التدريب.
سهولة الاستخدام وميزة النظام البيئي#
يعد النظام البيئي المُصان جيداً عاملاً حاسماً لاعتماد المؤسسات. فمستودعات الأبحاث، رغم كونها رائدة، غالباً ما تصبح غير نشطة بعد نشر الورقة البحثية الأولية. يوفر نظام Ultralytics البيئي، الذي يدعم YOLO11، تجربة مطور سلسة وشاملة.
مع التكامل السلس مع أدوات مثل Weights & Biases لتتبع التجارب و Roboflow لإدارة مجموعات البيانات، يسرع YOLO11 الانتقال من النموذج الأولي إلى الإنتاج. تظهر سهولة الاستخدام في واجهة برمجة التطبيقات المبسطة، مما يسمح للمطورين بتدريب وتصدير النماذج ببضع أسطر فقط من الكود.
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# Export to ONNX format for deployment flexibility
model.export(format="onnx")حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv10 و YOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLOv10#
يعد YOLOv10 خياراً قوياً لـ:
- الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
- الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
- تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.
متى تختار YOLO11#
يوصى بـ YOLO11 لـ:
- نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
استكشاف بنيات أخرى#
في حين أن YOLOv10 و YOLO11 هما خياران ممتازان، فقد تستفيد حالة الاستخدام الخاصة بك من بنى أخرى متوفرة في التوثيق. بالنسبة للاستدلال القائم على التسلسل، توفر نماذج Transformer مثل RT-DETR دقة عالية، على الرغم من أنها تتطلب عادةً متطلبات ذاكرة أعلى. على العكس من ذلك، إذا كنت بحاجة إلى قدرات التعرف الفوري (zero-shot) لتحديد فئات جديدة دون إعادة التدريب، فإن YOLO-World يوفر نهجاً مفتوح المفردات مدفوعاً بموجهات اللغة الطبيعية.
الجيل القادم: YOLO26#
لفرق العمل التي تسعى إلى أحدث ما توصلت إليه التكنولوجيا، يجمع Ultralytics YOLO26 الذي تم إصداره حديثاً بين أفضل ميزات كلا النموذجين المذكورين أعلاه. تم إصداره في يناير 2026، وهو التوصية النهائية لسيناريوهات النشر الحديثة.
بناءً على أسس سابقيه، يدمج YOLO26 أصلاً تصميم NMS-Free الشامل (End-to-End)، مما يلغي بفعالية اختناقات ما بعد المعالجة التي عالجها YOLOv10 لأول مرة، ولكن ضمن إطار عمل Ultralytics القوي. علاوة على ذلك، يتميز YOLO26 بـ إزالة DFL (Distribution Focal Loss)، مما يبسط بشكل كبير رسوم التصدير الخاصة بالنموذج ويعزز التوافق مع أجهزة الحافة وأجهزة إنترنت الأشياء (IoT) منخفضة الطاقة.
شهد استقرار التدريب أيضاً قفزة جيلية مع إدخال مُحسّن MuSGD، وهو نهج هجين مستوحى من منهجيات تدريب النماذج اللغوية الكبيرة (LLM) يضمن تقارباً سريعاً للغاية. وإلى جانب وظائف الخسارة المتقدمة مثل ProgLoss + STAL، يقدم YOLO26 تحسينات ملحوظة في التعرف على الأجسام الصغيرة. بالنسبة للنشر على أجهزة الحافة القياسية، تؤدي هذه التحسينات الهيكلية إلى سرعة استدلال على وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43%، مما يجعل YOLO26 خياراً لا مثيل له عبر جميع مهام الرؤية الحاسوبية.