تخطي إلى المحتوى

YOLOv10 ضد YOLOv5: مقارنة فنية مفصلة

يُعد اختيار نموذج الكشف عن الأجسام المناسب أمرًا بالغ الأهمية لأي مشروع رؤية حاسوبية، حيث يؤثر الأداء بشكل مباشر على نجاح التطبيق. تشتهر عائلة نماذج You Only Look Once (YOLO) بسرعتها ودقتها. تقدم هذه الصفحة مقارنة فنية مفصلة بين YOLOv10، وهو نموذج متطور من جامعة Tsinghua، و Ultralytics YOLOv5، وهو معيار صناعي متعدد الاستخدامات وواسع الانتشار. سيساعد هذا التحليل المطورين والباحثين على اتخاذ قرار مستنير بناءً على احتياجاتهم الخاصة.

YOLOv10: أحدث كاشف في الوقت الفعلي

يمثل YOLOv10 تقدمًا كبيرًا في الكشف عن الكائنات في الوقت الفعلي، مع التركيز على تحقيق كفاءة حقيقية من طرف إلى طرف من خلال إلغاء الحاجة إلى المعالجة اللاحقة Non-Maximum Suppression (NMS).

تفاصيل فنية:

البنية والميزات الرئيسية

يقدم YOLOv10 العديد من الابتكارات المعمارية لدفع حدود المفاضلة بين السرعة والدقة. كما هو مفصل في ورقة arXiv الخاصة به، تشمل ميزاته الأساسية ما يلي:

  • تدريب بدون NMS: يستخدم تعيينات ثنائية متسقة أثناء التدريب، مما يسمح للنموذج بإنتاج تنبؤات نظيفة بدون خطوة NMS. هذا الابتكار يبسط مسار النشر ويقلل من زمن الوصول للاستدلال، وهي نقطة اختناق حاسمة في العديد من الأنظمة في الوقت الفعلي.
  • تصميم شامل للكفاءة والدقة: تم تحسين بنية النموذج بشكل شامل، من العمود الفقري إلى الرقبة والرأس. يتضمن ذلك رأس تصنيف خفيف الوزن وتقليل أبعاد مفصول مكانيًا وقنواتيًا، مما يقلل من التكرار الحسابي ويعزز قدرة النموذج.
  • الكشف بدون نقاط ارتكاز: على غرار العديد من أجهزة الكشف الحديثة، يستخدم YOLOv10 نهجًا خاليًا من نقاط الارتكاز، مما يبسط البنية ويحسن التعميم عبر أحجام الكائنات ونسب العرض إلى الارتفاع المتنوعة.

نقاط القوة والضعف

نقاط القوة:

  • سرعة وكفاءة فائقتان: مُحسَّن للاستدلال في الوقت الفعلي، مما يوفر معالجة أسرع ضرورية لمتطلبات الكمون المنخفض.
  • هندسة معمارية خالية من NMS: تلغي المعالجة اللاحقة NMS، مما يبسط النشر ويقلل من وقت الاستدلال الإجمالي.
  • دقة عالية مع عدد أقل من المعلمات: يحقق دقة تنافسية مع أحجام نماذج أصغر، مما يجعله مناسبًا للغاية للبيئات محدودة الموارد.
  • End-to-End Deployment: مصمم للنشر السلس والشامل، وهو ميزة كبيرة للأنظمة الإنتاجية.
  • تكامل Ultralytics: على الرغم من تطوير YOLOv10 خارجيًا، إلا أنه متكامل جيدًا في نظام Ultralytics البيئي، ويستفيد من واجهات Python و CLI البسيطة للتدريب والتحقق من الصحة والاستدلال.

نقاط الضعف:

  • نموذج أحدث: باعتباره نموذجًا تم إصداره حديثًا، قد يكون دعم المجتمع وعدد عمليات التكامل مع الجهات الخارجية لا يزال قيد التطوير مقارنة بالنماذج الراسخة مثل YOLOv5.
  • تعقيد التحسين: قد يتطلب تحقيق ذروة الأداء ضبطًا وتحسينًا دقيقين خاصين بأجهزة ومجموعات بيانات معينة، مما قد يكون أكثر تعقيدًا من النماذج الأكثر نضجًا.

حالات الاستخدام

يتفوق YOLOv10 في التطبيقات التي تتطلب الكشف عن الكائنات بسرعة وكفاءة فائقة:

  • الروبوتات عالية السرعة: تمكين المعالجة البصرية في الوقت الفعلي للروبوتات في البيئات الديناميكية، وهو عنصر أساسي في مستقبل الروبوتات.
  • أنظمة مساعدة السائق المتقدمة (ADAS): توفير كشف سريع للأجسام لتعزيز السلامة على الطرق، واستكمال الحلول مثل الذكاء الاصطناعي في السيارات ذاتية القيادة.
  • تحليلات الفيديو في الوقت الفعلي: معالجة الفيديو عالي الإطارات للحصول على رؤى فورية، وهو أمر مفيد في تطبيقات مثل إدارة حركة المرور.

تعرف على المزيد حول YOLOv10

Ultralytics YOLOv5: النموذج متعدد الاستخدامات وواسع الانتشار

أصبح Ultralytics YOLOv5 معيارًا صناعيًا، ويُعرف بتوازنه الممتاز بين السرعة والدقة وسهولة الاستخدام الرائعة. لقد كان نموذجًا مفضلًا لآلاف المطورين والباحثين منذ إطلاقه.

تفاصيل فنية:

البنية والميزات الرئيسية

تم بناء YOLOv5 على PyTorch، ويستخدم عمودًا فقريًا CSPDarknet53 وعنق PANet لتجميع الميزات. هيكله قابل للتطوير بدرجة كبيرة، ويتم تقديمه بأحجام مختلفة (n, s, m, l, x) ليناسب الميزانيات الحسابية المختلفة. أحد الأسباب الرئيسية لشعبيته هو تجربة المستخدم المبسطة التي توفرها Ultralytics، والتي تتضمن:

  • واجهة برمجة تطبيقات بسيطة ومتسقة: واجهة مباشرة للتدريب والتحقق والاستدلال.
  • وثائق شاملة: أدلة ودروس تعليمية شاملة تغطي كل شيء بدءًا من تدريب البيانات المخصصة وحتى النشر.
  • نظام بيئي متكامل: دعم كامل داخل نظام Ultralytics البيئي، بما في ذلك أدوات مثل Ultralytics HUB للتدريب بدون تعليمات برمجية وإدارة MLOps.

نقاط القوة والضعف

نقاط القوة:

  • سهولة استخدام استثنائية: تشتهر ببساطة واجهة برمجة التطبيقات (API)، والوثائق الشاملة، والتكامل السلس، مما يجعلها في متناول المبتدئين والخبراء على حد سواء.
  • نظام بيئي ناضج وقوي: يستفيد من مجتمع كبير ونشط، وتحديثات متكررة، وأوزان مُدرَّبة مسبقًا متاحة بسهولة، وموارد واسعة.
  • موازنة الأداء: يوفر توازنًا ممتازًا بين السرعة والدقة، مما يجعله خيارًا عمليًا لمجموعة واسعة من التطبيقات الواقعية.
  • كفاءة التدريب: يُعرف بعملية التدريب الفعالة ومتطلبات الذاكرة المنخفضة مقارنة بالعديد من البنى المعقدة والتقارب الأسرع مع الأوزان المُدرَّبة مسبقًا.
  • تنوع الاستخدامات: يدعم مهامًا متعددة تتجاوز اكتشاف الكائنات، بما في ذلك تجزئة المثيلات و تصنيف الصور.

نقاط الضعف:

  • اكتشاف قائم على المرساة: يعتمد على مربعات المرساة، والتي يمكن أن تتطلب في بعض الأحيان ضبطًا لتحقيق الأداء الأمثل على مجموعات البيانات ذات الأشكال غير التقليدية للكائنات.
  • موازنة الدقة: على الرغم من الأداء العالي، فإن نماذج YOLOv5 الأصغر تعطي الأولوية للسرعة، ويمكن للبنى الأحدث مثل YOLOv10 تحقيق درجات mAP أعلى في المعايير القياسية.

حالات الاستخدام

إن تنوع وكفاءة YOLOv5 يجعله مناسبًا لعدد كبير من المجالات:

  • الحوسبة الطرفية: سرعتها وأحجام النماذج الأصغر تجعلها مثالية للنشر على أجهزة مثل Raspberry Pi و NVIDIA Jetson.
  • الأتمتة الصناعية: تستخدم على نطاق واسع في مراقبة الجودة وأتمتة العمليات في التصنيع.
  • الأمن والمراقبة: مثالي للمراقبة في الوقت الفعلي في أنظمة الأمان وتطبيقات السلامة العامة.
  • تطبيقات الهواتف المحمولة: مناسب لمهام الكشف عن العناصر على الجهاز حيث يكون استهلاك الموارد مصدر قلق رئيسي.

تعرف على المزيد حول YOLOv5

وجهاً لوجه: تفصيل الأداء

يقدم الجدول أدناه مقارنة تفصيلية لمتغيرات نماذج YOLOv10 و YOLOv5 المختلفة، والتي تم قياسها على مجموعة بيانات COCO. تسلط المقاييس الضوء على المفاضلات بين الدقة (mAP) وسرعة الاستدلال وتعقيد النموذج (المعلمات وعمليات FLOPs).

النموذج الحجم
(بالبكسل)
mAPval
50-95
السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)
السرعة
T4 TensorRT10
(بالمللي ثانية)
المعلمات
(M)
FLOPs
(B)
YOLOv10n 640 39.5 - 1.56 2.3 6.7
YOLOv10s 640 46.7 - 2.66 7.2 21.6
YOLOv10m 640 51.3 - 5.48 15.4 59.1
YOLOv10b 640 52.7 - 6.54 24.4 92.0
YOLOv10l 640 53.3 - 8.33 29.5 120.3
YOLOv10x 640 54.4 - 12.20 56.9 160.4
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4

من البيانات، من الواضح أن نماذج YOLOv10 تحقق باستمرار درجات mAP أعلى مع عدد أقل بكثير من المعلمات وعمليات الفلوبس (FLOPs) مقارنة بنظيراتها في YOLOv5. على سبيل المثال، يتفوق YOLOv10-S على YOLOv5-m في الدقة (46.7 مقابل 45.4 mAP) مع وجود حوالي ثلث المعلمات فقط. وهذا يدل على الكفاءة المعمارية الفائقة لـ YOLOv10.

ومع ذلك، يحافظ Ultralytics YOLOv5 على مكانة قوية، خاصة فيما يتعلق بسرعة الاستدلال على أجهزة معينة. يُظهر نموذج YOLOv5n سرعة ملحوظة على كل من وحدات المعالجة المركزية CPU ووحدات معالجة الرسومات T4، مما يجعله خيارًا ممتازًا للتطبيقات التي يكون فيها كل جزء من الألف من الثانية مهمًا للغاية والموارد مقيدة للغاية.

الخلاصة: أي نموذج يجب أن تختاره؟

يعتبر كل من YOLOv10 و Ultralytics YOLOv5 من النماذج الاستثنائية، لكنهما يلبيان أولويات مختلفة.

YOLOv10 هو الخيار الأمثل للمطورين والباحثين الذين يحتاجون إلى تجاوز حدود الأداء والكفاءة. توفر بنيتها الخالية من NMS ميزة ملموسة في التطبيقات الحساسة لوقت الاستجابة، وقدرتها على تقديم دقة عالية مع حجم نموذج أصغر يغير قواعد اللعبة للنشر على أجهزة الحافة. إذا كان مشروعك يتطلب أفضل مقايضة بين السرعة والدقة وكنت مرتاحًا لنموذج أحدث ومتطور، فإن YOLOv10 هو خيار مقنع.

Ultralytics YOLOv5 لا يزال الخيار الموصى به لغالبية المستخدمين، وخاصة أولئك الذين يعطون الأولوية لسهولة الاستخدام والتطوير السريع ونظام بيئي مستقر ومدعوم جيدًا. إن سجله الحافل ووثائقه الشاملة والتكامل السلس مع أدوات مثل Ultralytics HUB يجعله في متناول الجميع بشكل لا يصدق. بالنسبة للمشاريع التي تتطلب نموذجًا موثوقًا ومتعدد الاستخدامات وسهل النشر مع توازن رائع في الأداء، فإن YOLOv5 هو خيار متميز وجدير بالثقة.

في النهاية، يعتمد القرار على القيود والأهداف المحددة لمشروعك. لتحقيق أقصى قدر من الكفاءة، ابحث عن YOLOv10. للحصول على حل قوي وسهل الاستخدام ومتعدد الاستخدامات، يصعب التغلب على Ultralytics YOLOv5.

استكشف نماذج YOLO الأخرى

يتطور مشهد YOLO باستمرار. بالنسبة لأولئك المهتمين باستكشاف ما وراء YOLOv10 و YOLOv5، تقدم Ultralytics مجموعة من النماذج القوية. ضع في اعتبارك التحقق من Ultralytics YOLOv8، والذي يوفر توازنًا رائعًا بين الأداء والتنوع مع دعم مهام رؤية متعددة، أو أحدث YOLO11 للحصول على أحدث النتائج.

تتوفر المزيد من المقارنات لمساعدتك في اختيار النموذج الأفضل لاحتياجاتك:



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد

تعليقات