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 قدّم نهجًا جديدًا لكشف الكائنات من خلال الاستغناء عن الحاجة إلى المعالجة اللاحقة لـ NMS.
- 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
السمة المميزة لـ YOLOv10 هي التصميم الشامل الخالي من NMS. اعتمدت نماذج YOLO تاريخيًا على قمع الصناديق المتداخلة (NMS) لتصفية صناديق الإحاطة المكررة. يستخدم YOLOv10 إسنادًا مزدوجًا متسقًا للتدريب الخالي من NMS، ما يقلل تفاوت زمن الاستدلال ويبسط منطق النشر. كما تتبع البنية تصميمًا شاملًا موجّهًا إلى الكفاءة والدقة، يحسّن مكونات متعددة للحد من التكرار الحسابي.
YOLOv5: معيار الصناعة لسهولة الاستخدام#
أصدر Ultralytics نموذج YOLOv5 في يونيو 2020، فرفع سقف التوقعات بشأن سهولة الاستخدام في أطر عمل الذكاء الاصطناعي مفتوحة المصدر للرؤية الحاسوبية. ولا يزال أحد أكثر البنى انتشارًا عالميًا.
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- الشيفرة المصدرية: مستودع YOLOv5 على GitHub
يشتهر YOLOv5 بـ سهولة الاستخدام ومنظومته التي تخضع لصيانة جيدة. وقد كُتب بالكامل باستخدام PyTorch، ووفّر دعمًا جاهزًا للتدريب والتحقق والتصدير إلى تنسيقات مثل ONNX وTensorRT. وبخلاف YOLOv10 الذي يركّز على كشف الكائنات، يوفر YOLOv5 أيضًا تعدد الاستخدامات: أضاف مستودع YOLOv5 الأصلي تجزئة المثيلات في الإصدار 7.0 وتصنيف الصور في الإصدار 6.2.
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.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
التحليل التقني#
- الدقة (mAP): يُظهر YOLOv10 تفوقًا واضحًا في الدقة على مستوى الأجيال. فعلى سبيل المثال، يحقق نموذج YOLOv10-X نسبة 54.4% من mAPval50-95، متفوقًا على YOLOv5x (50.7% من mAP). ويُعزى هذا التحسن بدرجة كبيرة إلى الرأس الخالي من المراسي في YOLOv10 وإلى تحسينات تركز على الدقة، مثل الالتفافات ذات النوى الكبيرة والانتباه الذاتي الجزئي.
- زمن استجابة الاستدلال: مع أن نماذج YOLOv5 سريعة جدًا في اختبارات TensorRT الخام على T4 (مثل YOLOv5n بزمن 1.12 ms)، يستطيع YOLOv10 تجاوز خطوة المعالجة اللاحقة لـ NMS بالكامل. وفي عمليات النشر العملية الشاملة، يوفر تصميم YOLOv10 الخالي من NMS زمن استجابة أكثر اتساقًا، وهو أمر بالغ الأهمية للتطبيقات الآنية مثل المركبات ذاتية القيادة والروبوتات.
- كفاءة المعلمات: تحقق نماذج YOLOv10 توازنًا قويًا في الأداء. يحقق YOLOv10-S نسبة mAP تبلغ 46.3% باستخدام 7.2M من المعلمات، وهو العدد نفسه في YOLOv5s الذي يحقق 37.4% mAP.
عند النشر على أجهزة الذكاء الاصطناعي الطرفي مثل NVIDIA Jetson، غالبًا ما تُترجم النماذج التي لا تستخدم منطق NMS، مثل YOLOv10 أو YOLO26 المُصدّر باستخدام nms=False، إلى TensorRT بسلاسة أكبر، متجنبةً العمليات الاحتياطية على CPU.
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 مجرّبة: عمليات النشر الحالية التي تحظى فيها خبرة YOLOv5 الطويلة في الاستقرار، ووثائقه الشاملة، ومجتمعه الكبير بالتقدير.
- 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 تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
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 بنى Ultralytics YOLO لتقليل استهلاك الذاكرة أثناء التدريب. وبخلاف نماذج المحوّلات الأثقل، مثل RT-DETR، التي تتطلب قدرًا أكبر بكثير من ذاكرة CUDA، يتدرب YOLOv5 وYOLOv10 بسلاسة على وحدات GPU الاستهلاكية المعتادة.
- تكامل المنظومة: تتيح منصة Ultralytics للمطورين إدارة مجموعات البيانات بصريًا والتدريب على السحابة، بينما تتكامل حزمة Python مع أدوات تتبّع التجارب مثل Weights & Biases وتدعم ضبط المعلمات الفائقة.
مثال برمجي: التدريب#
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 بصدد بدء مشروع جديد في تعلّم الآلة، فقيّم أحدث إصدار Ultralytics YOLO26. صدر في يناير 2026، ويجمع ابتكارات أساسية من أجيال YOLO الحديثة.
يتضمن YOLO26 التصميم الشامل من البداية إلى النهاية بلا NMS الخاص بـ YOLOv10 بوصفه رأسًا اختياريًا واحدًا لواحد (nms=False)، ما يبسّط النشر. كما يقدم YOLO26 تحسينات أخرى عدة:
- استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد إزالة وحدة Distribution Focal Loss (DFL)، يعمل YOLO26n بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n على وحدات CPU القياسية، ما يجعل YOLO26 ملائمًا جدًا لـالنشر على الأجهزة المحمولة ومستشعرات إنترنت الأشياء منخفضة الطاقة.
- محسّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا من SGD وMuon. ويوفر ذلك تدريبًا أكثر استقرارًا وتقاربًا أسرع من محسّنَي SGD وAdamW القياسيين المستخدمين في نماذج YOLO السابقة.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة التعرّف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لصور الطائرات المسيّرة وتطبيقات الأمن الجوي.
- تحسينات خاصة بالمهام: في حين أن YOLOv10 مخصص لكشف صناديق الإحاطة فقط، يدعم YOLO26 الكشف وتجزئة المثيلات والتجزئة الدلالية وتقدير العمق والتصنيف وتقدير الوضعيات وOBB، مع تحسينات خاصة بالمهام مثل تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) للوضعيات وخسارة زاوية متخصصة لصناديق الإحاطة الموجّهة (OBB).
لمقارنة هذه البنى بعائلات كواشف أخرى، راجع مقارنتَي YOLO11 مقابل EfficientDet وRT-DETR مقابل YOLOv8.
سواء أكنت تعتمد على YOLOv5 المجرب، أو YOLOv10 الخالي من NMS، أو أحدث إصدار YOLO26، توفر منظومة Ultralytics الأدوات اللازمة لنقل تطبيقات الذكاء الاصطناعي للرؤية الحاسوبية إلى الإنتاج بسرعة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.