YOLOv10 مقابل YOLO11#
يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، إذ تدفع البنى الجديدة حدود ما يمكن تحقيقه في المعالجة الآنية. وبالنسبة إلى المطورين والباحثين الذين يخوضون غمار هذا المجال سريع التطور، يُعد فهم الفروق الدقيقة بين النماذج المتقدمة أمرًا بالغ الأهمية. تستكشف هذه المقارنة التفصيلية الفروق التقنية، والمفاضلات في الأداء، وحالات الاستخدام المثالية لكل من YOLOv10 وUltralytics YOLO11، وهما إطاران عاليَا الكفاءة لكشف الأجسام.
مع أن كلا النموذجين يحقق نتائج لافتة على مجموعات بيانات معيارية، فإن فلسفة التصميم الأساسية وتكاملات المنظومة البيئية تختلف اختلافًا كبيرًا. ومن خلال فحص بنيتيهما، يمكننا تحديد الحل الأكثر توافقًا مع قيود النشر وأهداف المشروع.
YOLOv10: كشف شامل من الطرف إلى الطرف بلا NMS#
طُرح YOLOv10 في ربيع عام 2024، وقدّم نهجًا مبتكرًا لخط أنابيب كشف الأجسام التقليدي من خلال معالجة الحمل الزائد لزمن الاستجابة المرتبط بالمعالجة اللاحقة مباشرةً.
- المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
- الجهة: جامعة تسينغهوا
- التاريخ: 23 مايو 2024
- البحث: arXiv:2405.14458
- الشفرة المصدرية: THU-MIG/yolov10 على GitHub
- الوثائق: وثائق YOLOv10
يتمثل الابتكار الأبرز في YOLOv10 في استراتيجية التعيين المزدوج المتسقة، التي تتيح التدريب بلا NMS. تعتمد كاشفات الأجسام التقليدية اعتمادًا كبيرًا على الكبت غير الأقصى (NMS) لتصفية تنبؤات المربعات المحيطة الزائدة. ومن خلال إزالة هذه الخطوة، يحقق YOLOv10 كشفًا حقيقيًا من الطرف إلى الطرف، ما يقلل زمن استدلال النموذج ويبسط النشر على مسرّعات الأجهزة مثل وحدات المعالجة العصبية (NPUs)، حيث يصعب تحسين عمليات NMS المخصصة تحسينًا فعالًا.
YOLO11: تنوع وأداء مدفوعان بالمنظومة البيئية#
أُطلق YOLO11 لاحقًا في العام نفسه، ويمثل التحسين المستمر لعائلة نماذج Ultralytics، مع التركيز على تحقيق توازن مثالي بين السرعة والدقة وتجربة المطور.
- المؤلفان: Glenn Jocher وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 27 سبتمبر 2024
- الشفرة المصدرية: Ultralytics على GitHub
- تكامل المنصة: منصة Ultralytics
صُمم YOLO11 لبيئات الإنتاج. وبينما يتفوق في كشف المربعات المحيطة القياسي، تكمن قوته الحقيقية في تعدد الاستخدامات. فعلى خلاف YOLOv10، الذي يركز أساسًا على كشف الأجسام، يدعم YOLO11 أصلاً تقسيم الكائنات، وتقدير الوضعيات، وتصنيف الصور، ومهام المربع المحيط الموجّه (OBB) باستخدام بنية موحدة. كما يتميز بمتطلبات ذاكرة منخفضة للغاية أثناء التدريب، ما يجعله سهل الاستخدام بدرجة كبيرة للفرق التي تعمل باستخدام وحدات GPU المخصصة للمستهلكين، مقارنةً بالبنى الأثقل القائمة على Transformer.
مقارنة الأداء والمقاييس#
عند مقارنة هذين النموذجين جنبًا إلى جنب، من الضروري النظر في أدائهما عبر المتغيرات المختلفة للحجم على المعايير القياسية مثل مجموعة بيانات COCO.
يسلط الجدول أدناه الضوء على فروق الأداء. غالبًا ما يتفوق YOLO11 بفارق طفيف على YOLOv10 في mAP ضمن معظم فئات الحجم، مع الحفاظ على سرعات استدلال تنافسية للغاية باستخدام TensorRT.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (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 محليًا، احرص على تصدير نماذجك إلى تنسيقات محسّنة مثل OpenVINO لوحدات CPU من Intel، أو TensorRT لوحدات GPU من NVIDIA.
تحليل معماري متعمق#
منهجية التدريب والكفاءة#
تركز بنية YOLOv10 على تقليل التكرار الحسابي. ومن خلال تحسين تصميمي العمود الفقري والعنق باستخدام استراتيجية شاملة موجهة بالكفاءة والدقة، تمكن مؤلفو جامعة تسينغهوا من خفض عدد المعلمات بدرجة كبيرة في النماذج متوسطة المستوى، مثل YOLOv10m، مقارنةً بالتكرارات السابقة.
ومع ذلك، تمثل كفاءة التدريب سمة رئيسية في نماذج Ultralytics. يستخدم YOLO11 حزمة Python المحسّنة بدرجة كبيرة ultralytics، التي تخفي تعقيدات ضبط المعلمات الفائقة. ويتولى هذا الإطار تلقائيًا معالجة عمليات تعزيز البيانات المتقدمة، وجدولة معدل التعلم، والتدريب الموزع متعدد وحدات GPU مباشرةً. كما تُظهر بنية YOLO11 تدفقًا ممتازًا للتدرجات، ما يؤدي إلى تقارب أسرع واستخدام أقل لذاكرة VRAM أثناء مرحلة التدريب.
سهولة الاستخدام وميزة المنظومة البيئية#
يتمثل عامل حاسم في اعتماد المؤسسات في المنظومة البيئية جيدة الصيانة. فمستودعات البحث، رغم ريادتها، غالبًا ما تصبح مهجورة بعد نشر الورقة البحثية الأولية. وتوفر منظومة Ultralytics، التي تدعم YOLO11، تجربة مطور سلسة ومتكاملة من الطرف إلى الطرف.
ومن 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 الشفرة فقط.
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 وYOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة البيئية.
متى تختار YOLOv10#
يُعد YOLOv10 خيارًا قويًا من أجل:
- الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
- المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
- التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.
متى تختار YOLO11#
يوصى باستخدام YOLO11 من أجل:
- النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تمثل الموثوقية والصيانة النشطة أولوية قصوى.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتقسيم، وتقدير الوضعيات، وOBB ضمن إطار عمل موحد واحد.
- إنشاء النماذج الأولية والنشر بسرعة: الفرق التي تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics Python البرمجية المبسطة.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
- البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.
استكشاف بنيات أخرى#
مع أن YOLOv10 وYOLO11 خياران ممتازان، فقد تستفيد حالة استخدامك المحددة من البنى الأخرى المتاحة في الوثائق. وللاستدلال القائم على التسلسل، توفر نماذج Transformer مثل RT-DETR دقة عالية، مع أنها تتطلب عادةً قدرًا أكبر من الذاكرة. وعلى العكس، إذا كنت تحتاج إلى إمكانات التصنيف بلا أمثلة لتحديد الفئات الجديدة دون إعادة التدريب، فإن YOLO-World يوفر نهجًا ذا مفردات مفتوحة تقوده المطالبات باللغة الطبيعية.
الجيل التالي: YOLO26#
بالنسبة إلى الفرق التي تسعى إلى أحدث ما توصل إليه المجال، يجمع Ultralytics YOLO26، الذي أُطلق حديثًا، أفضل ميزات النموذجين المذكورين أعلاه. وقد أُطلق YOLO26 في يناير 2026، وهو التوصية المثلى لسيناريوهات النشر الحديثة.
استنادًا إلى أسس أسلافه، يدمج YOLO26 أصلاً تصميمًا شاملًا من الطرف إلى الطرف بلا NMS، ما يلغي بفاعلية اختناقات المعالجة اللاحقة التي عالجها YOLOv10 أولًا، ولكن ضمن إطار Ultralytics المتين. علاوةً على ذلك، يتميز YOLO26 بـ إزالة DFL (خسارة البؤرة للتوزيع)، ما يبسط بدرجة كبيرة رسوم تصدير النماذج ويحسن التوافق مع أجهزة إنترنت الأشياء الطرفية ومنخفضة الطاقة.
شهد استقرار التدريب أيضًا قفزة جيلية مع تقديم مُحسِّن MuSGD، وهو نهج هجين مستوحى من منهجيات تدريب LLM يضمن تقاربًا سريعًا للغاية. وبالاقتران مع دوال خسارة متقدمة مثل ProgLoss + STAL، يحقق YOLO26 تحسينات ملحوظة في التعرف على الأجسام الصغيرة. وبالنسبة إلى النشر على أجهزة الحافة القياسية، تؤدي هذه التحسينات المعمارية إلى استدلال أسرع لوحدة CPU بنسبة تصل إلى 43%، ما يجعل YOLO26 خيارًا لا مثيل له عبر جميع مهام الرؤية الحاسوبية.