Link to this sectionمقارنة بين YOLOv10 و YOLOv5#

يعد اختيار بنية الشبكة العصبية المناسبة أمراً بالغ الأهمية لنشر خطوط إنتاج الرؤية الحاسوبية بنجاح. تقدم هذه الصفحة تحليلاً تقنياً متعمقاً يقارن بين YOLOv10 و YOLOv5، وهما نموذجان مؤثران للغاية في تطور كشف الكائنات في الوقت الفعلي. ورغم أن كلا النموذجين تركا أثراً كبيراً على مجتمع الذكاء الاصطناعي، إلا أنهما يمثلان حقباً وفلسفات مختلفة في تصميم بنية التعلم العميق.

يقيم هذا الدليل هذه البنيات بناءً على متوسط دقة التنبؤ (mAP)، وزمن وصول الاستنتاج، وكفاءة المعلمات، ودعم النظام البيئي، مما يساعدك على اختيار النموذج الأفضل لاحتياجات النشر الخاصة بك.

Link to this sectionنظرة عامة على النماذج#

Link to this sectionYOLOv10: 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
• الكود المصدري: مستودع YOLOv10 على GitHub

يتمثل الاختراق المميز لـ YOLOv10 في تصميمه الشامل (End-to-End) الخالي من NMS. تاريخياً، اعتمدت نماذج YOLO على كبت النطاق غير الأقصى (NMS) لتصفية صناديق الإحاطة الزائدة. يستخدم YOLOv10 تعيينات مزدوجة متسقة للتدريب بدون NMS، مما يقلل بشكل كبير من تباين زمن وصول الاستنتاج ويبسط منطق النشر. بالإضافة إلى ذلك، تتميز البنية بتصميم شامل مدفوع بالكفاءة والدقة يقوم بتحسين المكونات المختلفة بدقة لتقليل التكرار الحسابي.

تعرف على المزيد حول YOLOv10

Link to this sectionYOLOv5: 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
• المؤسسة: Ultralytics
• التاريخ: 2020-06-26
• الكود المصدري: مستودع YOLOv5 على GitHub

يُحتفى بـ YOLOv5 لـ سهولة استخدامه و نظامه البيئي الذي يتم صيانته جيداً. 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 كشف الكائنات الصرف، يظهر YOLOv5 تعدد استخدامات استثنائياً، حيث يدعم تجزئة المثيلات و تصنيف الصور ضمن نفس واجهة برمجة تطبيقات Python الموحدة.

اعرف المزيد عن YOLOv5

Link to this sectionمقارنة الأداء والمقاييس#

يعد تصور العلاقة بين السرعة والدقة أمراً ضرورياً لتحديد النماذج التي تقدم أفضل دقة لقيد سرعة معين. إن فهم هذه مقاييس الأداء يعد أمراً أساسياً لاختيار نموذج يتوافق مع قيود الأجهزة الخاصة بك.

Link to this sectionتحليل 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. زمن وصول الاستنتاج: بينما تعتبر نماذج YOLOv5 سريعة جداً في اختبارات T4 TensorRT الأولية (على سبيل المثال، YOLOv5n عند 1.12ms)، يلغي YOLOv10 خطوة NMS للمعالجة اللاحقة تماماً. في عمليات النشر العملية الشاملة، يوفر تصميم YOLOv10 الخالي من NMS زمن وصول أكثر اتساقاً وحتمية، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي مثل المركبات ذاتية القيادة 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.

Link to this sectionحالات الاستخدام والتوصيات#

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

Link to this sectionمتى 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.
• تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال القابلة للتنبؤ أمراً بالغ الأهمية، مثل الروبوتات أو الأنظمة ذاتية القيادة.

Link to this sectionمتى 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.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX وTensorRT وCoreML وTFLite.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• 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.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionميزة Ultralytics#

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

• كفاءة التدريب: بنى Ultralytics YOLO مُحسنة بعمق لتقليل متطلبات الذاكرة أثناء التدريب. على عكس نماذج المحولات الثقيلة (مثل RT-DETR) التي تتطلب ذاكرة CUDA هائلة، يمكنك تدريب YOLOv5 و YOLOv10 بشكل مريح على وحدات معالجة الرسومات (GPUs) الاستهلاكية القياسية.
• تكامل النظام البيئي: يسمح التكامل مع منصة Ultralytics للمطورين بإدارة مجموعات البيانات بصرياً، وتتبع التجارب باستخدام Weights & Biases، وضبط المعلمات الفائقة تلقائياً.

Link to this sectionمثال 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")

Link to this sectionالجيل القادم: Ultralytics YOLO26#

إذا كنت تبدأ مشروع تعلم الآلة جديداً اليوم، فإننا نوصي بشدة بتقييم أحدث Ultralytics YOLO26. الذي تم إصداره في يناير 2026، ويمثل 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:

• استنتاج أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): من خلال إزالة وحدة خسارة التوزيع البؤري (DFL)، يحقق YOLO26 تسريعاً هائلاً على وحدات المعالجة المركزية القياسية، مما يجعله الخيار الأول لـ النشر على الهاتف المحمول 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: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ صور الطائرات بدون طيار وتطبيقات الأمن الجوي.
• 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.