YOLOv10 مقابل YOLOv5: مقارنة تقنية شاملة

يعد اختيار بنية الشبكة العصبية المناسبة أمراً بالغ الأهمية لنشر مسارات عمل computer vision الناجحة في بيئة الإنتاج. تقدم هذه الصفحة تحليلاً تقنياً متعمقاً يقارن بين YOLOv10 و YOLOv5، وهما نموذجان مؤثران للغاية في تطور الكشف عن الأشياء في الوقت الفعلي. ورغم أن كلا النموذجين قد أثرا بشكل كبير على مجتمع الذكاء الاصطناعي، إلا أنهما يمثلان حقبًا وفلسفات مختلفة في تصميم بنية التعلم العميق.

يقيم هذا الدليل هذه البنيات بناءً على mean Average Precision (mAP)، وزمن وصول الاستنتاج (inference latency)، وكفاءة المعلمات، ودعم النظام البيئي، مما يساعدك على اختيار النموذج الأفضل لاحتياجات النشر الخاصة بك.

نظرة عامة على النماذج

YOLOv10: كشف الكائنات من الطرف إلى الطرف في الوقت الفعلي

قدم YOLOv10، الذي طوره باحثون في جامعة تسينغهوا، نهجاً مبتكراً للكشف عن الأشياء من خلال إلغاء الحاجة إلى المعالجة اللاحقة (post-processing).

• المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
• المؤسسة: جامعة تسينغهاوا
• التاريخ: 2024-05-23
• ورقة بحثية: arXiv:2405.14458
• الكود المصدري: YOLOv10 GitHub Repository

يتمثل الاختراق المميز لنموذج YOLOv10 في تصميمه End-to-End NMS-Free Design. تاريخياً، اعتمدت نماذج YOLO على Non-Maximum Suppression (NMS) لتصفية صناديق الإحاطة الزائدة. يستخدم YOLOv10 تخصيصات مزدوجة متسقة للتدريب بدون NMS، مما يقلل بشكل كبير من تباين زمن وصول الاستنتاج ويبسط منطق النشر. بالإضافة إلى ذلك، تتميز البنية بتصميم شامل يعتمد على كفاءة الدقة، حيث يعمل على تحسين المكونات المختلفة بدقة لتقليل التكرار الحسابي.

اعرف المزيد عن YOLOv10

YOLOv5: المعيار الصناعي لسهولة الاستخدام

بعد فترة وجيزة من إطلاق مستودع PyTorch الخاص بـ Ultralytics، أعاد YOLOv5 تعريف ما يتوقعه المطورون من إطار عمل مفتوح المصدر للرؤية الحاسوبية القائمة على الذكاء الاصطناعي. ولا يزال أحد أكثر البنيات انتشاراً في النشر على مستوى العالم.

• المؤلف: Glenn Jocher
• المؤسسة: Ultralytics
• التاريخ: 2020-06-26
• الكود المصدري: YOLOv5 GitHub Repository

يُحتفى بـ YOLOv5 لـ سهولة الاستخدام (Ease of Use) و نظام بيئي مُصان جيداً (Well-Maintained Ecosystem). كُتب بالكامل بلغة PyTorch، وقدم تجربة سلسة "من الصفر إلى الاحتراف" مع دعم جاهز للتدريب، والتحقق، والتصدير إلى تنسيقات مثل ONNX و TensorRT. على عكس YOLOv10، الذي يركز في المقام الأول على الكشف البحت عن الأشياء، يُظهر YOLOv5 تعدد استخدامات (Versatility) استثنائياً، حيث يدعم instance segmentation و image classification ضمن نفس واجهة برمجة تطبيقات Python الموحدة.

اعرف المزيد حول YOLOv5

مقارنة الأداء والمقاييس

يعد تصور العلاقة بين السرعة والدقة أمراً ضرورياً لتحديد النماذج التي تقدم أفضل دقة لقيد سرعة معين. يعد فهم performance metrics أمراً أساسياً لاختيار نموذج يتوافق مع قيود أجهزتك المحددة.

تحليل تقني

1. الدقة (mAP): يُظهر YOLOv10 تفوقاً جيلياً واضحاً في الدقة. على سبيل المثال، يحقق طراز YOLOv10-X نسبة mAP^val تبلغ 54.4%، متفوقاً على YOLOv5x (50.7% mAP). يعود هذا القفزة إلى حد كبير إلى استراتيجية التدريب الخالية من NMS والتحسينات المعمارية التي تم تقديمها في عام 2024.
2. زمن وصول الاستنتاج (Inference Latency): بينما تُعد نماذج YOLOv5 سريعة للغاية في اختبارات T4 TensorRT الخام (على سبيل المثال، YOLOv5n عند 1.12 مللي ثانية)، يلغي YOLOv10 خطوة NMS الخاصة بالمعالجة اللاحقة تماماً. في عمليات النشر العملية من البداية 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 (Parameter Efficiency): تحافظ نماذج YOLOv10 على توازن أداء (Performance Balance) تنافسي للغاية. يحقق YOLOv10-S نسبة 46.7% mAP بـ 7.2 مليون معلمة فقط، في حين 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:

• 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 YOLOv5

يُوصى باستخدام YOLOv5 في الحالات التالية:

• أنظمة الإنتاج المثبتة: عمليات النشر الحالية التي يتم فيها تقدير سجل YOLOv5 الطويل من الاستقرار، والتوثيق المكثف، والدعم المجتمعي الهائل.
• التدريب بموارد محدودة: البيئات ذات موارد GPU المحدودة حيث يكون خط أنابيب التدريب الفعال ومتطلبات الذاكرة الأقل لـ YOLOv5 ميزة كبيرة.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، و TensorRT، و CoreML، و TFLite.

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.

ميزة Ultralytics

على الرغم من أن YOLOv10 يقدم قدرات كشف ممتازة، إلا أن الاعتماد على المستودعات الأكاديمية قد يعقد أحياناً مسارات الإنتاج. باستخدام حزمة Ultralytics Python package الرسمية، يمكنك الوصول إلى نظام بيئي موحد يدعم كلاً من YOLOv5 و YOLOv10، جنباً إلى جنب مع ميزات متقدمة.

• كفاءة التدريب: تم تحسين بنيات Ultralytics YOLO بعمق لتلبية memory requirements أقل أثناء التدريب. على عكس نماذج Transformer الثقيلة (مثل RT-DETR) التي تتطلب ذاكرة CUDA ضخمة، يمكنك تدريب YOLOv5 و YOLOv10 براحة على وحدات GPU الاستهلاكية القياسية.
• تكامل النظام البيئي: يسمح التكامل مع Ultralytics Platform للمطورين بإدارة مجموعات البيانات بصرياً، وتتبع التجارب باستخدام Weights & Biases، وضبط المعلمات الفائقة (hyperparameters) تلقائياً.

مثال على الكود: تدريب سلس

باستخدام مكتبة Ultralytics، يكون التبديل بين هذه البنيات بسيطاً كتغيير سلسلة النموذج. يتعامل خط أنابيب التدريب تلقائياً مع تعزيز البيانات (data augmentation)، والقياس، وتكوين المحسن (optimizer configuration).

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، فإننا نوصي بشدة بتقييم أحدث Ultralytics YOLO26. تم إطلاقه في يناير 2026، وهو يمثل أحدث ما توصلت إليه التكنولوجيا من خلال الجمع بين أفضل ابتكارات السنوات الخمس الماضية.

يدمج YOLO26 أصلياً End-to-End NMS-Free Design الذي ابتكره YOLOv10، مما يضمن نشراً سريعاً وحتمياً. علاوة على ذلك، يقدم YOLO26 العديد من الاختراقات الحاسمة:

• سرعة استنتاج CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة Distribution Focal Loss (DFL)، يحقق YOLO26 تسريعاً هائلاً على وحدات المعالجة المركزية (CPU) القياسية، مما يجعله الخيار الأول لـ mobile deployment وأجهزة استشعار IoT منخفضة الطاقة.
• محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 هجيناً من SGD و Muon. وهذا يضمن عمليات تدريب مستقرة بشكل لا يصدق وتقارباً متسارعاً بشكل كبير مقارنة بمحسنات AdamW المستخدمة في YOLOv10.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأشياء الصغيرة، وهو أمر بالغ الأهمية لـ drone imagery وتطبيقات الأمن الجوي.
• إتقان خاص بالمهام: بينما يقتصر YOLOv10 على كونه كاشفاً لصناديق الإحاطة، يقدم YOLO26 تحسينات معمارية مخصصة لجميع المهام، بما في ذلك Residual Log-Likelihood Estimation (RLE) للوضعية (Pose) وخسائر زاوية متخصصة لصناديق الإحاطة الموجهة (OBB).

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