YOLOv10 مقابل YOLOv5#

يُعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لنشر مسارات عمل ناجحة في الرؤية الحاسوبية ضمن بيئات الإنتاج. توفّر هذه الصفحة تحليلًا تقنيًا معمّقًا يقارن بين YOLOv10 وYOLOv5، وهما نموذجان مؤثران للغاية في تطور اكتشاف الأجسام في الوقت الفعلي. وعلى الرغم من أن كلا النموذجين تركا أثرًا كبيرًا في مجتمع الذكاء الاصطناعي، فإنهما يمثلان حقبتين وفلسفتين مختلفتين في تصميم بنى التعلم العميق.

يقيّم هذا الدليل هاتين البنيتين استنادًا إلى متوسط الدقة (mAP)، وزمن استجابة الاستدلال، وكفاءة المعلمات، ودعم المنظومة، مما يساعدك على اختيار النموذج الأنسب لاحتياجات النشر لديك.

نظرة عامة على النماذج#

YOLOv10: اكتشاف الأجسام الشامل في الوقت الفعلي#

طوّر باحثون في جامعة تسينغهوا نموذج YOLOv10، الذي قدّم نهجًا مبتكرًا لاكتشاف الأجسام من خلال الاستغناء عن الحاجة إلى المعالجة اللاحقة.

• المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• البحث: arXiv:2405.14458
• الشيفرة المصدرية: مستودع YOLOv10 على GitHub

يتمثل الاختراق المميز في YOLOv10 في تصميمه الشامل من الطرف إلى الطرف الخالي من NMS. اعتمدت نماذج YOLO تاريخيًا على كبت الصناديق المتداخلة (NMS) لتصفية الصناديق المحيطة المكررة. ويستخدم YOLOv10 إسنادات مزدوجة متسقة للتدريب الخالي من NMS، مما يقلل بدرجة كبيرة من تفاوت زمن استجابة الاستدلال ويبسط منطق النشر. بالإضافة إلى ذلك، تتميز البنية بتصميم شامل موجّه نحو تحقيق الكفاءة والدقة، يعمل على تحسين المكونات المختلفة بدقة للحد من التكرار الحسابي.

Learn more about YOLOv10

YOLOv5: معيار القطاع لسهولة الاستخدام#

أُطلق YOLOv5 بعد وقت قصير من إنشاء مستودع Ultralytics PyTorch، فأعاد تعريف توقعات المطورين من إطار عمل مفتوح المصدر للذكاء الاصطناعي في مجال الرؤية. ولا يزال أحد أكثر البنى انتشارًا في عمليات النشر حول العالم.

• المؤلف: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• الشيفرة المصدرية: مستودع YOLOv5 على GitHub

يُحتفى بـYOLOv5 لما يتمتع به من سهولة الاستخدام ومنظومة جيدة الصيانة بدرجة كبيرة. وقد كُتب بالكامل باستخدام PyTorch، ووفّر تجربة سلسة من "البداية إلى الاحتراف" مع دعم جاهز للاستخدام للتدريب والتحقق والتصدير إلى تنسيقات مثل ONNX وTensorRT. وعلى خلاف YOLOv10، الذي يركز أساسًا على اكتشاف الأجسام فقط، يُظهر YOLOv5 تعدد استخدامات استثنائيًا، إذ يدعم تجزئة المثيلات وتصنيف الصور ضمن Python API موحّدة.

مقارنة الأداء والمقاييس#

يُعد تصور العلاقة بين السرعة والدقة أمرًا أساسيًا لتحديد النماذج التي توفر أفضل دقة ضمن قيد سرعة معين. ويُعد فهم مقاييس الأداء هذه عاملًا جوهريًا لاختيار نموذج يتوافق مع قيود أجهزتك المحددة.

التحليل التقني#

1. الدقة (mAP): يُظهر YOLOv10 تفوقًا واضحًا على مستوى الجيل في الدقة. فعلى سبيل المثال، يحقق نموذج YOLOv10-X قيمة 54.4% mAP^val، متفوقًا على YOLOv5x الذي يحقق 50.7% mAP. ويعود هذا التقدم بدرجة كبيرة إلى استراتيجية التدريب الخالية من NMS والتحسينات المعمارية المقدمة في عام 2024.
2. زمن استجابة الاستدلال: على الرغم من أن نماذج YOLOv5 سريعة للغاية في المعايير الخام لـT4 TensorRT، مثل YOLOv5n بزمن قدره 1.12ms، فإن YOLOv10 يلغي خطوة NMS الخاصة بالمعالجة اللاحقة بالكامل. وفي عمليات النشر العملية الشاملة من الطرف إلى الطرف، يوفر تصميم YOLOv10 الخالي من NMS زمن استجابة أكثر اتساقًا وحتمية، وهو أمر بالغ الأهمية للتطبيقات الآنية مثل المركبات ذاتية القيادة والروبوتات.
3. كفاءة المعلمات: تحافظ نماذج YOLOv10 على توازن أداء تنافسي للغاية. إذ يحقق YOLOv10-S قيمة 46.7% mAP باستخدام 7.2M معلمة فقط، في حين يحقق YOLOv5s قيمة 37.4% mAP باستخدام 9.1M معلمة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 وYOLOv5 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

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 YOLOv5#

يوصى باستخدام YOLOv5 في الحالات التالية:

• أنظمة الإنتاج المجربة: عمليات النشر الحالية التي تُقدّر سجل YOLOv5 الطويل من الاستقرار، ووثائقه الشاملة، والدعم الواسع من المجتمع.
• التدريب في ظل قيود الموارد: البيئات ذات موارد GPU المحدودة، حيث توفر مسارات تدريب YOLOv5 الفعالة ومتطلبات الذاكرة الأقل مزايا مهمة.
• دعم موسّع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات، بما في ذلك ONNX وTensorRT وCoreML وTFLite.

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.

ميزة Ultralytics#

على الرغم من أن YOLOv10 يوفر قدرات ممتازة لاكتشاف الأجسام، فإن الاعتماد على المستودعات الأكاديمية قد يعقّد أحيانًا مسارات عمل الإنتاج. وباستخدام حزمة Ultralytics Python الرسمية، يمكنك الوصول إلى منظومة موحّدة تدعم كلاً من YOLOv5 وYOLOv10، إلى جانب ميزات متقدمة.

• كفاءة التدريب: حُسّنت بنى Ultralytics YOLO بدرجة كبيرة لتقليل متطلبات الذاكرة أثناء التدريب. وعلى خلاف نماذج Transformer الثقيلة، مثل RT-DETR، التي تتطلب قدرًا هائلًا من ذاكرة CUDA، يمكنك تدريب YOLOv5 وYOLOv10 بسهولة على وحدات GPU الاستهلاكية القياسية.
• تكامل المنظومة: يتيح التكامل مع منصة Ultralytics للمطورين إدارة مجموعات البيانات بصريًا، وتتبع التجارب باستخدام Weights & Biases، وضبط المعلمات الفائقة تلقائيًا.

مثال على الشيفرة: تدريب سلس#

باستخدام مكتبة Ultralytics، لا يتطلب التبديل بين هاتين البنيتين سوى تغيير سلسلة النموذج. ويتولى مسار التدريب تلقائيًا معالجة زيادة البيانات، وتغيير المقياس، وتهيئة المحسّن.

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 التالي: Ultralytics YOLO26#

إذا كنت تبدأ مشروع تعلم آلي جديدًا اليوم، فإننا نوصي بشدة بتقييم Ultralytics YOLO26 الأحدث. وقد أُطلق في يناير 2026، ويمثل أحدث ما توصل إليه المجال على الإطلاق من خلال الجمع بين أفضل الابتكارات في السنوات الخمس الماضية.

يدمج YOLO26 أصلاً التصميم الشامل من الطرف إلى الطرف الخالي من NMS الذي ابتكره YOLOv10، مما يضمن نشرًا سريعًا وحتميًا. علاوة على ذلك، يقدم YOLO26 عدة اختراقات مهمة:

• استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 تسارعات هائلة على وحدات CPU القياسية، مما يجعله الخيار الأمثل لـالنشر على الأجهزة المحمولة ومستشعرات إنترنت الأشياء منخفضة الطاقة.
• محسّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا هجينًا من SGD وMuon. ويضمن ذلك عمليات تدريب مستقرة للغاية وتقاربًا متسارعًا بدرجة كبيرة مقارنة بمحسّنات AdamW المستخدمة في YOLOv10.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـصور الطائرات المسيّرة وتطبيقات الأمن الجوي.
• إتقان خاص بكل مهمة: في حين أن YOLOv10 كاشف لصناديق الإحاطة فقط، يوفر YOLO26 تحسينات معمارية مخصصة لجميع المهام، بما في ذلك تقدير اللوغاريتم الاحتمالي المتبقي (RLE) للوضعيات وخسائر الزوايا المتخصصة للصناديق المحيطة الموجّهة (OBB).

سواء كنت تعتمد على الإرث المتين لـYOLOv5، أو ابتكار YOLOv10 الخالي من NMS، أو الأداء المتطور الذي لا مثيل له لـYOLO26، فإن منظومة Ultralytics توفر الأدوات اللازمة لتحويل تطبيقات الذكاء الاصطناعي في مجال الرؤية إلى واقع بسرعة وكفاءة.