YOLOv10 في مواجهة YOLO11: نظرة متعمقة في بنيات اكتشاف الكائنات في الوقت الفعلي
يتطور مشهد الرؤية الحاسوبية باستمرار، حيث تدفع البنيات الجديدة بحدود ما هو ممكن في المعالجة في الوقت الفعلي. بالنسبة للمطورين والباحثين الذين يتنقلون في هذا المجال سريع الخطى، يعد فهم الفروق الدقيقة بين النماذج المتطورة أمراً بالغ الأهمية. يستكشف هذا المقارنة التفصيلية الاختلافات التقنية، والمقايضات في الأداء، وحالات الاستخدام المثالية لكل من YOLOv10 و Ultralytics YOLO11، وهما إطارا عمل قويان جداً لاكتشاف الكائنات.
على الرغم من أن كلا النموذجين يحققان نتائج رائعة في مجموعات بيانات القياس، إلا أن فلسفات التصميم الأساسية وتكاملات النظام البيئي الخاصة بهما تختلف بشكل كبير. من خلال فحص بنياتهما، يمكننا تحديد الحل الذي يتوافق بشكل أفضل مع قيود النشر وأهداف المشروع الخاصة بك.
YOLOv10: ريادة الاكتشاف الشامل (End-to-End) بدون NMS
تم إصدار YOLOv10 في ربيع عام 2024، وقدم نهجاً جديداً لمسار اكتشاف الكائنات التقليدي من خلال معالجة زمن الوصول الزائد المرتبط بالمعالجة اللاحقة بشكل مباشر.
- المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
- المؤسسة: جامعة تسينغهاوا
- التاريخ: 23 مايو 2024
- ورقة بحثية: arXiv:2405.14458
- الكود المصدري: THU-MIG/yolov10 على GitHub
- التوثيق: وثائق YOLOv10
الابتكار البارز في YOLOv10 هو استراتيجية التعيينات المزدوجة المتسقة، والتي تمكن من التدريب بدون NMS. تعتمد كاشفات الكائنات التقليدية بشكل كبير على كبح غير الحد الأقصى (NMS) لتصفية تنبؤات مربعات الإحاطة الزائدة. من خلال إزالة هذه الخطوة، يحقق YOLOv10 اكتشافاً شاملاً حقيقياً، مما يقلل من زمن وصول الاستدلال ويبسط النشر على مسرعات الأجهزة مثل وحدات المعالجة العصبية (NPUs) حيث يصعب تحسين عمليات NMS المخصصة بشكل معروف.
YOLO11: تعدد الاستخدامات والأداء المدفوع بالنظام البيئي
تم إطلاق YOLO11 في وقت لاحق من نفس العام، وهو يمثل التحسين 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 المصدري: Ultralytics على GitHub
- تكامل المنصة: منصة Ultralytics
تم تصميم YOLO11 للإنتاج. وبينما يتفوق في اكتشاف مربعات الإحاطة القياسي، تكمن قوته الحقيقية في تعدد استخداماته. على عكس YOLOv10، الذي يركز بشكل أساسي على اكتشاف الكائنات، يدعم YOLO11 محلياً مهام تجزئة المثيل، وتقدير الوضع، وتصنيف الصور، ومربع الإحاطة الموجه (OBB) باستخدام بنية موحدة. كما يتميز بـ متطلبات ذاكرة منخفضة بشكل ملحوظ أثناء التدريب، مما يجعله متاحاً للغاية للفرق التي تعمل باستخدام وحدات معالجة الرسومات (GPUs) من الدرجة الاستهلاكية مقارنة بالبنيات الأثقل القائمة على Transformer.
مقارنة الأداء والمقاييس
عند مقارنة هذه النماذج جنباً إلى جنب، من الضروري النظر في كيفية أدائها عبر متغيرات الحجم المختلفة على معايير قياسية مثل مجموعة بيانات COCO.
يبرز الجدول أدناه فروق الأداء. غالباً ما يتفوق YOLO11 على YOLOv10 في mAP عبر معظم فئات الحجم مع الحفاظ على سرعات استدلال TensorRT تنافسية للغاية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ملي ثانية) | السرعة T4 TensorRT10 (ملي ثانية) | المعلمات (مليون) | FLOPs (مليار) |
|---|---|---|---|---|---|---|
| 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 لمعالجات Intel أو TensorRT لوحدات معالجة الرسومات NVIDIA.
نظرة معمارية متعمقة
منهجية التدريب والكفاءة
تؤكد بنية YOLOv10 على تقليل التكرار الحسابي. من خلال تحسين تصميمات العمود الفقري (backbone) والعنق (neck) باستخدام استراتيجية شاملة تعتمد على كفاءة الدقة، تمكن المؤلفون من جامعة تسينغهاوا من خفض عدد المعلمات بشكل كبير في النماذج متوسطة المستوى (مثل YOLOv10m) مقارنة بالتكرارات السابقة.
ومع ذلك، فإن كفاءة التدريب هي سمة رئيسية لنماذج Ultralytics. يستخدم YOLO11 حزمة ultralytics Python المصقولة للغاية، والتي تختصر ضبط المعلمات التشعبية المعقد. يتعامل هذا الإطار تلقائياً مع تعزيزات البيانات المتقدمة، وجدولة معدل التعلم، والتدريب الموزع على وحدات معالجة رسومات متعددة بشكل جاهز. كما تظهر بنية YOLO11 تدفق تدرج ممتاز، مما يؤدي إلى تقارب أسرع واستخدام أقل لـ VRAM خلال مرحلة التدريب.
سهولة الاستخدام وميزة النظام البيئي
يعد النظام البيئي المُصان جيداً عاملاً حاسماً لاعتماد المؤسسات. غالباً ما تصبح مستودعات الأبحاث، على الرغم من كونها رائدة، خاملة بعد نشر الورقة البحثية الأولية. يوفر نظام Ultralytics البيئي، الذي يدعم YOLO11، تجربة مطور سلسة وشاملة.
من خلال التكامل بسلاسة مع أدوات مثل Weights & Biases لتتبع التجارب وRoboflow لإدارة مجموعات البيانات، يسرع YOLO11 الانتقال من النموذج الأولي إلى الإنتاج. وتتضح سهولة الاستخدام في واجهة برمجة التطبيقات (API) المبسطة، مما يسمح للمطورين بتدريب وتصدير النماذج ببضعة أسطر فقط من التعليمات البرمجية.
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
YOLOv10 هو خيار قوي لـ:
- اكتشاف الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف الشامل دون Non-Maximum Suppression، مما يقلل من تعقيد النشر.
- موازنة مقايضات السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الاكتشاف عبر مختلف مقاييس النماذج.
- Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.
متى تختار YOLO11
يوصى بـ YOLO11 لـ:
- نشر الحافة في الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث الموثوقية والصيانة النشطة أمران بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب اكتشاف، تجزئة، تقدير وضع، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى التحرك بسرعة من جمع البيانات إلى الإنتاج باستخدام Python API المبسط من Ultralytics.
متى تختار Ultralytics (YOLO26)
بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
- بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
استكشاف بنى أخرى
بينما يعد YOLOv10 و YOLO11 خيارين ممتازين، قد تستفيد حالة الاستخدام المحددة الخاصة بك من بنيات أخرى متاحة في الوثائق. بالنسبة للاستدلال القائم على التسلسل، توفر نماذج Transformer مثل RT-DETR دقة عالية، على الرغم من أنها تتطلب عادةً متطلبات ذاكرة أعلى. وعلى العكس من ذلك، إذا كنت بحاجة إلى إمكانات بدون تدريب مسبق (zero-shot) لتحديد فئات جديدة دون إعادة تدريب، يقدم YOLO-World نهجاً مفتوح المفردات مدفوعاً بمطالبات اللغة الطبيعية.
الجيل القادم: YOLO26
للفرق التي تبحث عن أحدث ما توصلت إليه التكنولوجيا، يجمع Ultralytics YOLO26 الذي تم إصداره مؤخراً بين أفضل ميزات كلا النموذجين المذكورين أعلاه. تم إطلاق YOLO26 في يناير 2026، وهو التوصية النهائية لسيناريوهات النشر الحديثة.
بناءً على أسس سابقيه، يدمج YOLO26 محلياً تصميماً شاملاً بدون NMS، مما يقضي بفعالية على اختناقات المعالجة اللاحقة التي عالجها YOLOv10 لأول مرة، ولكن ضمن إطار عمل Ultralytics القوي. علاوة على ذلك، يتميز YOLO26 بـ إزالة DFL (خسارة التوزيع البؤري)، مما يبسط بشكل كبير رسوم بيانية تصدير النموذج ويعزز التوافق مع أجهزة الحافة وأجهزة إنترنت الأشياء منخفضة الطاقة.
شهد استقرار التدريب أيضاً قفزة جيلية مع إدخال مُحسِّن MuSGD، وهو نهج هجين مستوحى من منهجيات تدريب النماذج اللغوية الكبيرة (LLM) التي تضمن تقارباً سريعاً للغاية. إلى جانب وظائف الخسارة المتقدمة مثل ProgLoss + STAL، يقدم YOLO26 تحسينات ملحوظة في التعرف على الكائنات الصغيرة. بالنسبة للنشر على أجهزة الحافة القياسية، تؤدي هذه التحسينات الهيكلية إلى سرعة استدلال على وحدة المعالجة المركزية أسرع بنسبة تصل إلى 43%، مما يجعل YOLO26 خياراً لا مثيل له عبر جميع مهام الرؤية الحاسوبية.