YOLOv10 مقابل YOLO11#
يتطلب اختيار نموذج للرؤية الحاسوبية الآنية فهم المفاضلات بين البنى الحالية. وتتناول هذه المقارنة الاختلافات التقنية ومفاضلات الأداء وحالات الاستخدام المثالية لكل من YOLOv10 وUltralytics YOLO11، وهما إطارا عمل كفؤان لـاكتشاف الأجسام.
يحقق كلا النموذجين نتائج قوية على مجموعات بيانات القياس المعيارية، لكن فلسفتي التصميم والتكامل مع المنظومة تختلفان اختلافًا كبيرًا. ويُظهر فحص بنيتيهما أيهما أنسب لقيود النشر وأهداف المشروع.
YOLOv10: كشف آني بلا 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
أبرز ابتكارات YOLOv10 هي استراتيجية الإسناد المزدوج المتسقة، التي تتيح التدريب الخالي من NMS. وتعتمد كاشفات الأجسام التقليدية على قمع غير الأعظميات (NMS) لتصفية تنبؤات مربعات الإحاطة الزائدة. وبإزالة هذه الخطوة، يحقق YOLOv10 اكتشافًا حقيقيًا من البداية إلى النهاية، ما يقلل زمن استجابة الاستدلال ويبسط النشر على مسرّعات الأجهزة مثل وحدات المعالجة العصبية (NPUs)، حيث يصعب تحسين عمليات NMS المخصصة.
YOLO11: تنوع وأداء مدفوعان بالمنظومة#
واصل YOLO11، الذي أُطلق لاحقًا في العام نفسه، تطوير عائلة نماذج Ultralytics، مع التركيز على التوازن 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
صُمّم YOLO11 للاستخدام في بيئات الإنتاج. ورغم تميّزه في اكتشاف مربعات الإحاطة القياسية، فإن قوته الحقيقية تكمن في تعدد استخداماته. وعلى خلاف YOLOv10، الذي يركز أساسًا على اكتشاف الأجسام، يدعم YOLO11 أصليًا مهام تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات ومربع الإحاطة الموجّه (OBB) باستخدام بنية موحّدة. كما أن متطلبات الذاكرة لديه منخفضة أثناء التدريب، مما 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.
يتفوق YOLO11 على YOLOv10 في mAP عند كل حجم مطابق، بفارق يتراوح بين 0.2 و1.0 نقطة، مع سرعات TensorRT متقاربة: YOLO11 أسرع بوضوح عند مقياسي n وl، ويكاد نموذجا s وm يتعادلان، بينما YOLOv10x أسرع من YOLO11x ويستخدم نحو نصف عدد المعلمات.
| 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 هذه محليًا، احرص على تصدير نماذجك إلى تنسيقات محسّنة مثل OpenVINO لوحدات CPU من Intel أو TensorRT لوحدات GPU من NVIDIA.
تحليل معمّق للبنية#
منهجية التدريب وكفاءته#
تركز بنية YOLOv10 على تقليل التكرار الحسابي. ومن خلال تحسين تصميمَي العمود الفقري والعنق باستخدام استراتيجية شاملة تقودها الكفاءة والدقة، خفّض مؤلفو النموذج من جامعة تسينغهوا عدد المعلمات في النماذج متوسطة المستوى، مثل YOLOv10m، مقارنةً بالإصدارات السابقة.
تُعد كفاءة التدريب سمة مميزة لنماذج Ultralytics. يستخدم YOLO11 حزمة Python ultralytics التي تبسط ضبط المعلمات الفائقة المعقد. ويتولى إطار العمل تلقائيًا، ومنذ البداية، معالجة تعزيزات البيانات المتقدمة وجدولة معدل التعلّم والتدريب الموزع متعدد وحدات GPU. كما يحافظ YOLO11 على انخفاض استخدام VRAM أثناء التدريب.
سهولة الاستخدام وميزة المنظومة#
من العوامل الحاسمة لاعتماد المؤسسات منظومة تحظى بصيانة جيدة. فكثيرًا ما يقل نشاط مستودعات الأبحاث بعد نشر الورقة البحثية الأولى. وتوفر منظومة Ultralytics الداعمة لـ YOLO11 تجربة تطوير متكاملة من البداية إلى النهاية، وتحظى بصيانة نشطة.
يسرّع YOLO11 الانتقال من النموذج الأولي إلى الإنتاج بالتكامل مع أدوات مثل Weights & Biases لتتبّع التجارب وRoboflow لإدارة مجموعات البيانات. وتتجلى سهولة الاستخدام في واجهة API البسيطة، التي تتيح للمطورين تدريب النماذج وتصديرها باستخدام بضعة أسطر فقط من التعليمات البرمجية.
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: مشاريع تتطلب الكشف والتجزئة والتصنيف وتقدير الوضعيات 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 تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.
استكشاف بنيات أخرى#
على الرغم من أن YOLOv10 وYOLO11 خياران ممتازان، فقد تستفيد حالة استخدامك المحددة من بنى أخرى متاحة في الوثائق. وللاكتشاف القائم على الانتباه، توفر نماذج Transformer مثل RT-DETR دقة عالية، لكنها تتطلب عادةً ذاكرة أكبر. وإذا كنت بحاجة إلى إمكانات التعلّم دون أمثلة للتعرف على فئات جديدة دون إعادة التدريب، يقدم YOLO-World نهجًا ذا مفردات مفتوحة يستند إلى مطالبات اللغة الطبيعية.
الجيل التالي: YOLO26#
يجمع Ultralytics YOLO26، الذي صدر في يناير 2026، نقاط قوة النموذجين المذكورين أعلاه، وهو الخيار الموصى به لعمليات النشر الجديدة.
استنادًا إلى أسس الإصدارات السابقة، يتضمن YOLO26 تصميمًا اختياريًا شاملًا خاليًا من NMS (nms=False) يزيل عنق زجاجة المعالجة اللاحقة الذي عالجه YOLOv10 أولًا، وذلك ضمن إطار عمل Ultralytics. ويتضمن YOLO26 أيضًا إزالة DFL (خسارة البؤرة التوزيعية)، ما يبسط مخططات تصدير النموذج ويحسن التوافق مع الأجهزة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
تتحسن استقرارية التدريب باستخدام محسّن MuSGD، وهو مزيج من SGD وMuon مستوحى من أساليب تدريب نماذج اللغة الكبيرة (LLM) التي تسرّع التقارب. وبالاقتران مع ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة)، يحسّن YOLO26 التعرّف على الأجسام الصغيرة. وعلى الأجهزة الطرفية القياسية، تجعل هذه التحسينات YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n، كما يدعم YOLO26 الاكتشاف والتجزئة والتجزئة الدلالية وتقدير العمق والتصنيف وتقدير الوضعيات وOBB.