مقارنة بين YOLOv10 و YOLOv5#

يعد اختيار بنية الشبكة العصبية المناسبة أمراً بالغ الأهمية لنشر خطوط إنتاج ناجحة لـ computer vision في بيئات الإنتاج. توفر هذه الصفحة تحليلاً تقنياً متعمقاً يقارن بين YOLOv10 وYOLOv5، وهما نموذجان مؤثران للغاية في تطور اكتشاف الكائنات في الوقت الفعلي. وفي حين أثّر كلا النموذجين بشكل كبير على مجتمع الذكاء الاصطناعي، إلا أنهما يمثلان حقبتين وفلسفتين مختلفتين في تصميم بنية التعلم العميق.

يقيم هذا الدليل هذه الهياكل بناءً على mean Average Precision (mAP)، ووقت الاستدلال، وكفاءة المعلمات، ودعم النظام البيئي، مما يساعدك على اختيار أفضل نموذج لتلبية احتياجات نشرك.

نظرة عامة على النماذج#

YOLOv10: اكتشاف كائنات في الوقت الفعلي ومن الطرف إلى الطرف (End-to-End)#

قدم YOLOv10، الذي طوره باحثون في جامعة تسينغهوا، نهجاً مبتكراً لكشف الكائنات من خلال الاستغناء عن الحاجة إلى المعالجة اللاحقة.

• المؤلفون: Ao Wang و Hui Chen و Lihao Liu، وآخرون.
• المنظمة: Tsinghua University
• التاريخ: 2024-05-23
• ورقة بحثية: arXiv:2405.14458
• Source Code: YOLOv10 GitHub Repository

تتمثل الإنجازات الحاسمة لـ YOLOv10 في تصميمه من النهاية إلى النهاية بدون NMS. تاريخياً، اعتمدت نماذج YOLO على Non-Maximum Suppression (NMS) لتصفية صناديق الإحاطة الزائدة عن الحاجة. يستفد YOLOv10 من التعيينات المزدوجة المتسقة للتدريب بدون NMS، مما يقلل بشكل كبير من تباين زمن الانتقال في الاستدلال ويسهل منطق النشر. بالإضافة إلى ذلك، تتميز البنية بتصميم شامل مدفوع بالكفاءة والدقة يعمل على تحسين مكونات مختلفة تماماً لتقليل التكرار الحسابي.

تعرف على المزيد حول YOLOv10

YOLOv5: معيار الصناعة من حيث سهولة الاستخدام#

بعد وقت قصير من إنشاء مستودع Ultralytics PyTorch، أعاد YOLOv5 تعريف ما يتوقعه المطورون من إطار عمل ذكاء اصطناعي للرؤية مفتوح المصدر. ولا يزال أحد أكثر البنيات انتشاراً عالمياً.

• المؤلف: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• Source Code: YOLOv5 GitHub Repository

يُحتفى بـ YOLOv5 لـ سهولة استخدامه ونظامه البيئي المُصان جيداً. مكتوب بالكامل بلغة PyTorch، حيث يقدم تجربة سلسة من "الصفر إلى الاحتراف" مع دعم جاهز للتدريب والتحقق والتصدير إلى تنسيقات مثل ONNX وTensorRT. على عكس YOLOv10، الذي يركز بشكل أساسي على اكتشاف الكائنات البحتة، يظهر YOLOv5 تنوعاً استثنائياً، حيث يدعم instance segmentation وimage classification ضمن واجهة برمجة تطبيقات Python موحدة.

اعرف المزيد عن YOLOv5

مقارنة الأداء والمقاييس#

يعد تصور العلاقة بين السرعة والدقة أمراً ضروريًا لتحديد النماذج التي توفر أفضل دقة لقيد سرعة معين. يعد فهم performance metrics أمراً أساسياً لاختيار نموذج يتوافق مع قيود الأجهزة الخاصة بك.

تحليل تقني#

1. الدقة (mAP): يُظهر YOLOv10 ميزة جيلية واضحة في الدقة. على سبيل المثال، يحقق نموذج YOLOv10-X نسبة mAP^val تبلغ 54.4%، متفوقاً على YOLOv5x (50.7% mAP). يعود هذا القفزة إلى حد كبير إلى استراتيجية التدريب بدون NMS والتحسينات المعمارية التي تم تقديمها في عام 2024.
2. Inference Latency: وفي حين أن نماذج YOLOv5 سريعة بشكل استثنائي على معايير T4 TensorRT الخام (على سبيل المثال، YOLOv5n بسرعة 1.12 مللي ثانية)، فإن YOLOv10 يلغي خطوة NMS الخاصة بمعالجة ما بعد المعالجة تماماً. في عمليات النشر العملية من النهاية إلى النهاية، يوفر تصميم YOLOv10 الخالي من NMS زمن وصول أكثر اتساقاً وحتمية، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي مثل autonomous vehicles والروبوتات.
3. كفاءة المعلمات: تحافظ نماذج YOLOv10 على توازن أداء تنافسي للغاية. يحقق YOLOv10-S نسبة 46.7% mAP بـ 7.2 مليون معلمة فقط، بينما يحقق YOLOv5s نسبة 37.4% mAP بـ 9.1 مليون معلمة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 و YOLOv5 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 YOLOv5#

يُنصح باستخدام YOLOv5 في الحالات التالية:

• أنظمة الإنتاج المثبتة: عمليات النشر الحالية حيث يتم تقدير سجل YOLOv5 الطويل من الاستقرار، والوثائق الشاملة، ودعم المجتمع الضخم.
• التدريب محدود الموارد: البيئات ذات موارد GPU المحدودة حيث تكون خط أنابيب التدريب الفعال لـ YOLOv5 ومتطلبات الذاكرة الأقل ميزة.
• Extensive Export Format Support: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، وTensorRT، وCoreML، وTFLite.

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.

ميزة Ultralytics#

في حين يقدم YOLOv10 قدرات اكتشاف ممتازة، فإن الاعتماد على المستودعات الأكاديمية يمكن أن يعقّد أحياناً خطوط إنتاج النشر. باستخدام حزمة Ultralytics Python package الرسمية، يمكنك الوصول إلى نظام بيئي موحد يدعم كل من YOLOv5 وYOLOv10، إلى جانب الميزات المتقدمة.

• Training Efficiency: تم تحسين بنيات Ultralytics YOLO بعمق لتلبية memory requirements الأقل أثناء التدريب. على عكس نماذج المحولات الثقيلة (مثل RT-DETR) التي تتطلب ذاكرة CUDA هائلة، يمكنك تدريب YOLOv5 وYOLOv10 ببراعة على وحدات معالجة الرسومات الاستهلاكية القياسية.
• Ecosystem Integration: يتيح التكامل مع Ultralytics Platform للمطورين إدارة مجموعات البيانات مرئياً، وتتبع التجارب باستخدام Weights & Biases، وضبط المعلمات الفائقة تلقائياً.

مثال برمجي: تدريب سلس#

باستخدام مكتبة Ultralytics، يكون التبديل بين هذه البنيات بسيطاً مثل تغيير سلسلة النموذج. يتعامل خط أنابيب التدريب تلقائياً مع زيادة البيانات، والقياس، وتهيئة 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 YOLO26#

إذا كنت تبدأ مشروع machine learning جديداً اليوم، فنحن نوصي بشدة بتقييم أحدث Ultralytics YOLO26. تم إصداره في يناير 2026، وهو يمثل أحدث ما توصلت إليه التكنولوجيا من خلال الجمع بين أفضل ابتكارات السنوات الخمس الماضية.

يدمج YOLO26 أصلياً التصميم الشامل الخالي من NMS الذي ابتكره YOLOv10، مما يضمن نشراً سريعاً وحتمياً. علاوة على ذلك، يقدم YOLO26 العديد من الاختراقات الحاسمة:

• Up to 43% Faster CPU Inference: من خلال إزالة وحدة Distribution Focal Loss (DFL)، يحقق YOLO26 تسريعاً هائلاً على وحدات المعالجة المركزية القياسية، مما يجعله الخيار الأبرز لـ mobile deployment وأجهزة إنترنت الأشياء منخفضة الطاقة.
• مُحسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 هجيناً من SGD و Muon. وهذا يضمن دورات تدريب مستقرة للغاية وتقارباً متسارعاً بشكل كبير مقارنة بمحسنات AdamW المستخدمة في YOLOv10.
• ProgLoss + STAL: تُسفر دوال الخسارة المتقدمة هذه عن تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لتطبيقات drone imagery وأمن الجو.
• إتقان مهام محددة: في حين أن YOLOv10 هو كاشف لصناديق الإحاطة فقط، يقدم YOLO26 تحسينات معمارية مخصصة لجميع المهام، بما في ذلك تقدير احتمالية اللوغاريتم المتبقي (RLE) للوضعية وخسائر الزاوية المتخصصة لصناديق الإحاطة الموجهة (OBB).

سواء كنت تعتمد على الإرث القوي لـ YOLOv5، أو ابتكار YOLOv10 الخالي من NMS، أو الأداء المتطور الذي لا يضاهى لـ YOLO26، فإن نظام Ultralytics البيئي يوفر الأدوات اللازمة لإحياء تطبيقات رؤية الذكاء الاصطناعي الخاصة بك بسرعة وكفاءة.