YOLOv10 مقابل YOLOv5#

يُعد اختيار بنية الشبكة العصبية المناسبة أمرًا بالغ الأهمية لنشر مسارات عمل الرؤية الحاسوبية الناجحة في بيئات الإنتاج. تقدم هذه الصفحة تحليلًا تقنيًا متعمقًا يقارن بين YOLOv10 وYOLOv5، وهما نموذجان مؤثران للغاية في تطور كشف الأجسام في الوقت الفعلي. وقد أحدث كلا النموذجين أثرًا كبيرًا في مجتمع الذكاء الاصطناعي، لكنهما يمثلان حقبتين وفلسفتين مختلفتين في تصميم بنى التعلم العميق.

يقيّم هذا الدليل هذه البنى استنادًا إلى متوسط دقة متوسط (mAP) وزمن استجابة الاستدلال وكفاءة المعلمات ودعم المنظومة، لمساعدتك على اختيار أفضل نموذج لاحتياجات النشر لديك.

نظرة عامة على النماذج#

YOLOv10: اكتشاف الأجسام في الزمن الحقيقي من البداية إلى النهاية#

طوّر باحثون في جامعة تسينغهوا YOLOv10، الذي قدم نهجًا جديدًا لكشف الأجسام عبر الاستغناء عن الحاجة إلى المعالجة اللاحقة.

• المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• ورقة البحث: arXiv:2405.14458
• الشيفرة المصدرية: مستودع YOLOv10 على GitHub

يتمثل الإنجاز الأبرز لـ YOLOv10 في تصميمه الشامل الخالي من NMS. اعتمدت نماذج YOLO تاريخيًا على الكبت غير الأقصى (NMS) لتصفية مربعات الإحاطة الزائدة. ويستخدم YOLOv10 الإسناد المزدوج المتسق للتدريب الخالي من NMS، ما يقلل بدرجة كبيرة من تفاوت زمن الاستدلال ويبسط منطق النشر. وإضافة إلى ذلك، تتبنى البنية تصميمًا شاملًا يوازن بين الكفاءة والدقة، ويحسّن مختلف المكونات بدقة للحد من التكرار الحسابي.

تعرّف على المزيد حول YOLOv10

YOLOv5: معيار الصناعة لسهولة الاستخدام#

صدر YOLOv5 بعد وقت قصير من إنشاء مستودع Ultralytics PyTorch، وأعاد تعريف توقعات المطورين من أطر عمل الذكاء الاصطناعي للرؤية مفتوحة المصدر. ولا يزال أحد أكثر البنى انتشارًا في عمليات النشر على مستوى العالم.

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

يشتهر YOLOv5 بسهولة الاستخدام وامتلاكه منظومة متكاملة تحظى بصيانة جيدة. وقد كُتب بالكامل باستخدام PyTorch، وقدم تجربة سلسة للانتقال «من الصفر إلى الاحتراف»، مع دعم جاهز للتدريب والتحقق والتصدير إلى تنسيقات مثل ONNX وTensorRT. وعلى خلاف YOLOv10 الذي يركز أساسًا على كشف الأجسام فقط، يُظهر YOLOv5 تعددًا استثنائيًا في الاستخدامات، إذ يدعم تجزئة المثيلات وتصنيف الصور ضمن واجهة Python موحدة.

مقارنة الأداء والمقاييس#

يُعد تمثيل العلاقة بين السرعة والدقة بصريًا أمرًا ضروريًا لتحديد النماذج التي توفر أفضل دقة ضمن قيد سرعة معين. ويُعد فهم مقاييس الأداء هذه أساسيًا لاختيار نموذج يتوافق مع قيود العتاد لديك.

التحليل التقني#

1. الدقة (mAP): يُظهر YOLOv10 تفوقًا واضحًا في الدقة على مستوى الأجيال. فعلى سبيل المثال، يحقق نموذج YOLOv10-X قيمة mAP تبلغ 54.4%^val، متفوقًا على YOLOv5x (50.7% mAP). ويُعزى 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 اختبارات TensorRT الخام على T4 (مثلًا، يحقق YOLOv5n زمنًا قدره 1.12ms)، فإن YOLOv10 يلغي خطوة المعالجة اللاحقة لـ NMS بالكامل. وفي عمليات النشر العملية الشاملة، 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. يحقق YOLOv10-S دقة mAP تبلغ 46.3% باستخدام 7.2M من المعلمات، وهو العدد نفسه الذي يستخدمه YOLOv5s، الذي يحقق دقة mAP تبلغ 37.4%.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 وYOLOv5 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا لما يلي:

• الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
• موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
• التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

متى تختار YOLOv5#

يُنصح بـ YOLOv5 في الحالات التالية:

• أنظمة إنتاج مُجرّبة: عمليات النشر القائمة التي تُقدّر سجل YOLOv5 الطويل في الاستقرار ووثائقه الشاملة ودعم مجتمعه الكبير.
• التدريب مع موارد محدودة: البيئات التي تعاني من محدودية موارد GPU، حيث يكون مسار التدريب الفعّال في YOLOv5 ومتطلباته الأقل للذاكرة مفيدين.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر بتنسيقات عديدة، منها ONNX وTensorRT وCoreML وLiteRT.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics#

على الرغم من قدرات الكشف الممتازة التي يقدمها YOLOv10، فإن الاعتماد على مستودعات أكاديمية قد يعقّد أحيانًا مسارات عمل الإنتاج. يتيح لك استخدام حزمة Python الرسمية من Ultralytics الوصول إلى منظومة موحدة تدعم YOLOv5 وYOLOv10، إلى جانب ميزات متقدمة.

• كفاءة التدريب: صُممت بنيات Ultralytics YOLO وحُسّنت بعمق لتقليل متطلبات الذاكرة أثناء التدريب. وعلى خلاف نماذج المحوّلات الثقيلة، مثل RT-DETR، التي تتطلب قدرًا هائلًا من ذاكرة CUDA، يمكنك تدريب YOLOv5 وYOLOv10 بسهولة على وحدات GPU استهلاكية عادية.
• التكامل مع 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 هذه البنى سوى تغيير اسم النموذج. ويتولى مسار التدريب تلقائيًا معالجة تعزيز البيانات وتغيير المقياس وتهيئة المُحسِّن.

from ultralytics import YOLO

# ⁨لاستخدام YOLOv5:⁩
# model = YOLO("yolov5su.pt")

# ⁨لاستخدام YOLOv10:⁩
model = YOLO("yolov10s.pt")

# ⁨تدريب النموذج على مجموعة بيانات مخصصة⁩
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # ⁨استخدام GPU 0⁩
)

# ⁨تصدير النموذج المدرّب إلى تنسيق ONNX⁩
path = model.export(format="onnx")

الجيل التالي: Ultralytics YOLO26#

إذا كنت تبدأ اليوم مشروعًا جديدًا في تعلّم الآلة، فنوصي بشدة بتقييم أحدث إصدار من Ultralytics YOLO26. وقد صدر في يناير 2026، ويمثل أحدث ما توصلت إليه التقنية بفضل جمعه أفضل الابتكارات خلال السنوات الخمس الماضية.

يدمج YOLO26 بطبيعته التصميم الشامل الخالي من NMS الذي ابتكره YOLOv10، على هيئة رأس one-to-one اختياري (nms=False)، ما يتيح النشر السريع والحتمي. كما يقدم YOLO26 عدة إنجازات مهمة:

• استدلال على CPU أسرع بنسبة تصل إلى 43%: بإزالة وحدة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 زيادات كبيرة في السرعة على وحدات CPU القياسية، ما يجعله الخيار الأول لـالنشر على الأجهزة المحمولة ومستشعرات إنترنت الأشياء منخفضة الطاقة.
• مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا من SGD وMuon. ويضمن ذلك استقرارًا فائقًا في عمليات التدريب وتسارعًا كبيرًا في التقارب مقارنةً بمُحسّنات SGD وAdamW القياسية المستخدمة في نماذج YOLO السابقة.
• 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 المهام المتخصصة: بينما يقتصر YOLOv10 على كشف مربعات الإحاطة، يقدم YOLO26 تحسينات معمارية مخصصة لجميع المهام، بما فيها تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) للوضعيات، ودوال خسارة متخصصة للزوايا في مربعات الإحاطة الموجّهة (OBB).

سواء كنت تعتمد على الإرث المتين لـ YOLOv5، أو الابتكار الخالي من NMS في YOLOv10، أو الأداء المتطور الذي لا مثيل له لـ YOLO26، توفر منظومة Ultralytics الأدوات اللازمة لتطوير تطبيقات الذكاء الاصطناعي للرؤية بسرعة وكفاءة.