YOLOv10 YOLOv5: مقارنة تقنية شاملة

يعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لنشر خطوط أنابيب الرؤية الحاسوبية الناجحة في الإنتاج. توفر هذه الصفحة تحليلًا تقنيًا متعمقًا يقارن بين YOLOv10 و YOLOv5، وهما نموذجان مؤثران للغاية في تطور اكتشاف الكائنات في الوقت الفعلي. على الرغم من أن كلا النموذجين قد أحدثا تأثيرًا كبيرًا على مجتمع الذكاء الاصطناعي، إلا أنهما يمثلان عصورًا وفلسفات مختلفة في تصميم بنية التعلم العميق.

يقيّم هذا الدليل هذه البنى بناءً على متوسط الدقة (mAP) ووقت استجابة الاستدلال وكفاءة المعلمات ودعم النظام البيئي، مما يساعدك على اختيار أفضل نموذج يلبي احتياجاتك في مجال النشر.

نظرات عامة على النموذج

YOLOv10: الكشف الشامل عن الأجسام في الوقت الفعلي

طور باحثون في جامعة تسينغهوا YOLOv10 ، YOLOv10 نهجًا جديدًا لاكتشاف الأجسام من خلال التخلص من الحاجة إلى المعالجة اللاحقة.

• المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
• المؤسسة:جامعة تسينغ - هوا
• التاريخ: 2024-05-23
• ورقة بحثية:arXiv:2405.14458
• كود المصدر:مستودعYOLOv10

الإنجاز البارز في YOLOv10 تصميمه الشامل NMS. تاريخياً، كانت YOLO تعتمد على تقنية Non-Maximum Suppression (NMS) لتصفية المربعات المحددة الزائدة. YOLOv10 مهام مزدوجة متسقة للتدريب NMS، مما يقلل بشكل كبير من تباين زمن الاستدلال ويبسط منطق النشر. بالإضافة إلى ذلك، تتميز البنية بتصميم شامل قائم على الكفاءة والدقة يعمل على تحسين المكونات المختلفة بشكل شامل لتقليل التكرار الحسابي.

تعرف على المزيد حول YOLOv10

YOLOv5: المعيار الصناعي للاستخدام

تم إصدار YOLOv5 بعد فترة وجيزة من إنشاءPyTorch Ultralytics PyTorch YOLOv5 ما يتوقعه المطورون من إطار عمل الذكاء الاصطناعي المفتوح المصدر. ولا يزال أحد أكثر البنى الهندسية انتشارًا على مستوى العالم.

• المؤلف: جلين جوتشر
• المؤسسة:Ultralytics
• التاريخ: 2020-06-26
• كود المصدر:مستودعYOLOv5

YOLOv5 بسهولة استخدامه ونظامه البيئي الذي يتم صيانته جيدًا. تمت كتابته بالكامل PyTorch ويوفر تجربة سلسة "من الصفر إلى القمة" مع دعم جاهز للتدريب والتحقق والتصدير إلى تنسيقات مثل ONNX و TensorRT. على عكس YOLOv10 الذي يركز بشكل أساسي على الكشف عن الكائنات البحتة، YOLOv5 تنوعًا استثنائيًا، حيث يدعم تقسيم المثيلات وتصنيف الصور ضمن نفس Python الموحدة.

تعرف على المزيد حول YOLOv5

مقارنة الأداء والمقاييس

يعد تصور العلاقة بين السرعة والدقة أمرًا ضروريًا لتحديد النماذج التي توفر أفضل دقة لقيود السرعة المحددة. إن فهم مقاييس الأداء هذه أمر أساسي لاختيار نموذج يتوافق مع قيود الأجهزة المحددة لديك.

التحليل الفني

1. الدقة (mAP): YOLOv10 ميزة واضحة من حيث الدقة. على سبيل المثال، يحقق نموذج YOLOv10 قيمة^mAPval تبلغ 54.4٪، متفوقًا على YOLOv5x (50.7٪ mAP). ويعزى هذا القفز الكبير إلى حد كبير إلى استراتيجية التدريب NMS والتحسينات المعمارية التي تم إدخالها في عام 2024.
2. زمن الاستدلال: في حين أن YOLOv5 سريعة للغاية في TensorRT T4 TensorRT الأولية (على سبيل المثال، YOLOv5n عند 1.12 مللي ثانية)، YOLOv10 NMS بعد المعالجة تمامًا. في عمليات النشر العملية الشاملة، يوفر تصميم YOLOv10 NMS زمن انتقال أكثر اتساقًا وحتمية، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي مثل المركبات ذاتية القيادة والروبوتات.
3. كفاءة المعلمات: تحافظ YOLOv10 على توازن أداء تنافسي للغاية. يحقق YOLOv10 46.7٪ mAP 7.2 مليون معلمة فقط، بينما يحقق YOLOv5s 37.4٪ mAP 9.1 مليون معلمة.

حالات الاستخدام والتوصيات

YOLOv5 الاختيار بين YOLOv10 YOLOv5 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOv10

YOLOv10 خيار قوي لـ:

• الكشف في الوقت الفعليNMS: تطبيقات تستفيد من الكشف الشامل بدون قمع غير أقصى، مما يقلل من تعقيد النشر.
• التوازن بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر نماذج مختلفة.
• تطبيقات ذات زمن انتقال ثابت: سيناريوهات النشر التي يكون فيها زمن الاستدلال المتوقع أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة المستقلة.

متى تختار YOLOv5

YOLOv5 في الحالات التالية:

• أنظمة إنتاج مجربة: عمليات النشر الحالية التي تُقدّر فيها track YOLOv5 الطويل في الاستقرار، والوثائق الشاملة، والدعم المجتمعي الهائل.
• التدريب المحدود الموارد: البيئات ذات GPU المحدودة حيث يكون خط التدريب الفعال YOLOv5 ومتطلبات الذاكرة المنخفضة ميزة.
• دعم واسع النطاق لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNXو TensorRTو CoreMLو TFLite.

متى تختار Ultralytics YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:

• نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
• بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
• كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

ميزة Ultralytics

بينما YOLOv10 قدرات كشف ممتازة، فإن الاعتماد على المستودعات الأكاديمية قد يؤدي في بعض الأحيان إلى تعقيد خطوط الإنتاج. باستخدام Python Ultralytics Python الرسمية، يمكنك الوصول إلى نظام بيئي موحد يدعم كل YOLOv5 YOLOv10 إلى جانب ميزات متقدمة.

• كفاءة التدريب: تم تحسينYOLO Ultralytics YOLO بشكل كبير لتقليل متطلبات الذاكرة أثناء التدريب. على عكس نماذج المحولات الثقيلة (مثل RT-DETR) التي تتطلب CUDA ضخمة، يمكنك تدريب YOLOv5 YOLOv10 بسهولة YOLOv10 وحدات معالجة الرسومات (GPU) القياسية للمستهلكين.
• تكامل النظام البيئي: يتيح التكامل مع Ultralytics للمطورين إدارة مجموعات البيانات بصريًا track باستخدام Weights & Biases، وضبط المعلمات الفائقة تلقائيًا.

مثال على الكود: تدريب سلس

باستخدام Ultralytics يمكن التبديل بين هذه البنى الهندسية ببساطة عن طريق تغيير سلسلة النموذج. يتولى خط التدريب تلقائيًا معالجة زيادة البيانات وتوسيع نطاقها وتكوين المحسن.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

الجيل القادم: Ultralytics

إذا كنت تبدأ اليوم مشروعًا جديدًا في مجال التعلم الآلي ، فإننا نوصيك بشدة بتقييم أحدث إصدار من Ultralytics . تم إصداره في يناير 2026، وهو يمثل أحدث ما توصلت إليه التكنولوجيا من خلال الجمع بين أفضل الابتكارات التي تم تحقيقها خلال السنوات الخمس الماضية.

يضم YOLO26 بشكل أساسي التصميم الشامل NMS الذي ابتكره YOLOv10، مما يضمن نشرًا سريعًا وحتميًا. علاوة على ذلك، يقدم YOLO26 العديد من الإنجازات الهامة:

• CPU أسرع بنسبة تصل إلى 43٪ CPU : من خلال إزالة وحدة Distribution Focal Loss (DFL)، يحقق YOLO26 سرعات هائلة على وحدات المعالجة المركزية القياسية، مما يجعله الخيار الأول للنشر على الأجهزة المحمولة وأجهزة استشعار إنترنت الأشياء منخفضة الطاقة.
• محسّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا من SGD Muon. وهذا يضمن عمليات تدريب مستقرة للغاية وتقاربًا سريعًا للغاية مقارنة AdamW المستخدمة في YOLOv10.
• ProgLoss + STAL: توفر وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتطبيقات التصوير بالطائرات بدون طيار والأمن الجوي.
• إتقان مهام محددة: في حين أن YOLOv10 مجرد كاشف للمربعات المحيطة، فإن YOLO26 يقدم تحسينات معمارية مخصصة لجميع المهام، بما في ذلك تقدير الاحتمالية المتبقية (RLE) للوضع وفقدان الزوايا المتخصصة للمربعات المحيطة الموجهة (OBB).

سواء كنت تعتمد على الإرث القوي لـ YOLOv5 أو الابتكار NMS لـ YOLOv10، أو الأداء المتطور الذي لا مثيل له لـ YOLO26، فإن Ultralytics يوفر الأدوات اللازمة لتنفيذ تطبيقات الذكاء الاصطناعي الخاصة بك بسرعة وكفاءة.

تعليقات