YOLOv10 مقابل YOLOv8#

شهد تطور اكتشاف الأجسام الآني تعاقبًا سريعًا لبنى جديدة، تسعى كل منها إلى تجاوز حدود الدقة وسرعة الاستدلال والكفاءة الحسابية. ويقارن هذا الدليل التقني بين محطتين رئيسيتين في الرؤية الحاسوبية: YOLOv10 وUltralytics YOLOv8. فبينما أرسى YOLOv8 معيارًا عالي التعدد في الاستخدامات وجاهزًا للإنتاج، قدم YOLOv10 تحولات معمارية تستهدف إزالة اختناقات المعالجة اللاحقة تحديدًا.

يُعد فهم المزايا المميزة لهذه النماذج وبناها ومقاييس أدائها أمرًا بالغ الأهمية للمطورين والباحثين الساعين إلى نشر حلول ذكاء اصطناعي للرؤية متطورة في سيناريوهات واقعية.

المواصفات التقنية والجهة المؤلفة#

لتقييم هذه النماذج بفاعلية، من المفيد فهم أصولها ومحور التركيز الأساسي لفرق البحث المعنية بها.

YOLOv10: الكفاءة الشاملة#

طوّر باحثون في جامعة تسينغهوا YOLOv10 لمعالجة الأعباء الحسابية التي أدخلتها خطوات المعالجة اللاحقة في الأجيال السابقة.

• المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• arXiv: 2405.14458
• GitHub: THU-MIG/yolov10
• الوثائق: وثائق YOLOv10

تعرّف على المزيد حول YOLOv10

Ultralytics YOLOv8: المعيار متعدد الاستخدامات#

أصبح YOLOv8، الذي صدر في يناير 2023، سريعًا من ركائز المجال بفضل بنيته وتكامله الوثيق مع منظومة تعلّم الآلة الأوسع.

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: ultralytics/ultralytics

ابتكارات البنية#

يقدم كلا النموذجين تحسينات كبيرة على بنية YOLO التقليدية، مع استهداف جوانب مختلفة قليلًا من مسار المعالجة.

بنية YOLOv10#

الميزة الأبرز في YOLOv10 هي استراتيجية التدريب الخالية من NMS. وتعتمد كاشفات الأجسام تقليديًا على القمع غير الأعظمي (NMS) أثناء الاستدلال لتصفية مربعات الإحاطة المتداخلة. وقد تضيف هذه الخطوة زمن استجابة وتعقّد النشر الشامل. يستخدم YOLOv10 إسنادًا مزدوجًا متسقًا أثناء التدريب، ما يتيح لرأسه أحادي المطابقة التنبؤ بمربع إحاطة واحد لكل جسم (في حزمة Ultralytics، اختر هذا الرأس باستخدام nms=False). كما يتبع تصميمًا شاملًا للنموذج تقوده الكفاءة والدقة، ويحسّن مكونات مختلفة لتقليل FLOPs وعدد المعلمات.

بنية YOLOv8#

قدم YOLOv8 رأس اكتشاف خاليًا من المراسي، مبتعدًا عن أساليب القائمة على المراسي التي استخدمتها إصداراته السابقة. ويقلل ذلك عدد تنبؤات مربعات الإحاطة ويسرّع عمليات NMS. بالإضافة إلى ذلك، يضم YOLOv8 وحدة C2f (عنق زجاجة ذو جزأين متبقيين مع التفافين)، ما يحسن تدفق التدرج ويتيح للشبكة تعلّم تمثيلات أغنى للسمات دون زيادة كبيرة في التكلفة الحسابية. ويفصل رأسه غير المترابط بين مهمتي التصنيف والانحدار، ما يؤدي إلى تقارب أسرع ودقة إجمالية أعلى.

الأداء ومعايير التقييم#

عند نشر النماذج على الأجهزة الطرفية أو الخوادم السحابية، تكون المفاضلة بين السرعة والدقة بالغة الأهمية. ويقدم الجدول أدناه مقارنة مباشرة بين النموذجين بمقاسات مختلفة.

ملاحظة: تشير الشرطات (-) إلى مقاييس لم يُبلّغ عنها رسميًا في ظروف اختبار متطابقة.

كما توضح البيانات، يتميز YOLOv10 بكفاءة عالية في استخدام المعلمات، إذ يتجاوز mAP للنماذج المناظرة له من YOLOv8 عند كل حجم، مع استخدام عدد أقل من المعلمات وFLOPs. ويظل YOLOv8 منافسًا في السرعة: يسجل YOLOv8n أسرع زمن T4 TensorRT في الجدول (1.47 ms)، وهو النموذج الوحيد الذي أُبلغ عن سرعاته على CPU باستخدام ONNX.

المنظومة وكفاءة التدريب وتعدد الاستخدامات#

لا يقتصر اختيار النموذج على المقاييس المرجعية النظرية؛ فتجربة المطور والمنظومة المحيطة به لا تقلان أهمية.

ميزة Ultralytics#

تتمثل إحدى نقاط القوة الأساسية لـ YOLOv8 في تكامله الوثيق مع منظومة Ultralytics. توفر هذه البيئة واجهة API سهلة الاستخدام بلغة Python ووثائق شاملة. وعلى خلاف مستودعات الأبحاث التي قد تتطلب إعدادات بيئة معقدة، تشتهر نماذج Ultralytics بـسهولة استخدامها.

إضافةً إلى ذلك، يتسم YOLOv8 بتعدد الاستخدامات بطبيعته. ففي حين أن YOLOv10 محسّن حصريًا لاكتشاف الأجسام، يتيح إطار عمل Ultralytics للمطورين التبديل بين مهام اكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور وتقدير الوضعيات ومربعات الإحاطة الموجّهة (OBB) ضمن المكتبة نفسها وبنية واجهة API ذاتها.

متطلبات الذاكرة والتدريب#

صُممت نماذج Ultralytics YOLO مع التركيز على كفاءة التدريب. وهي عمومًا تستهلك ذاكرة أقل أثناء التدريب والاستدلال مقارنةً بـنماذج Transformer المعقدة، ما يتيح للمطورين تدريب نماذج متطورة على أجهزة بمواصفات استهلاكية أو مثيلات سحابية قياسية دون نفاد ذاكرة CUDA. كما تساعد المعلمات الفائقة الافتراضية المضبوطة جيدًا وزيادة البيانات المضمّنة النماذج على التقارب بسرعة.

فيما يلي مثال عملي يوضح مدى سهولة تدريب نموذج وتشغيل الاستدلال باستخدام واجهة API لـPython من Ultralytics:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8n مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# ⁨تنفيذ الاستدلال على صورة اختبار⁩
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

الجيل التالي: YOLO26#

على الرغم من أن YOLOv8 وYOLOv10 محطتان مهمتان، يواصل المجال تقدمه. وللمشروعات الجديدة، توصي Ultralytics بأحدث عائلة نماذجها، YOLO26، التي صدرت في يناير 2026.

يجمع YOLO26 أحدث التطورات المعمارية ضمن إطار عمل واحد. ويتبنى التصميم الشامل من البداية إلى النهاية بلا NMS الخاص بـ YOLOv10 بوصفه رأسًا اختياريًا واحدًا لواحد (nms=False)، ما يبسّط مسارات النشر ويقلل تفاوت زمن الاستجابة. كما يقدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تدريب النماذج اللغوية الكبيرة، لتحقيق تقارب أسرع وأكثر استقرارًا.

تشمل التحسينات الرئيسية في YOLO26 ما يلي:

• استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n أسرع بنسبة تصل إلى 43% من YOLO11n على CPU، ويساعد على ذلك حذف خسارة البؤرة التوزيعية (DFL).
• ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الملتقطة بالطائرات المسيّرة ومستشعرات إنترنت الأشياء.
• تحسينات خاصة بالمهام: رؤوس ودوال خسارة خاصة بمهام تجزئة الكائنات والتجزئة الدلالية وتقدير العمق وتقدير الوضعيات وOBB.

حالات الاستخدام المثالية واستراتيجيات النشر#

عند الاختيار بين هذه البنى، ضع في الحسبان الاحتياجات المحددة لبيئة النشر لديك:

• اختر YOLOv10 إذا: كنت تعمل على مسار لكشف الأجسام فقط، حيث يُعد استغلال كل قدر من كفاءة المعلمات أمرًا بالغ الأهمية، وترغب في تجربة التطبيقات المبكرة للبنى الخالية من NMS.
• اختر Ultralytics YOLOv8 إذا: كنت بحاجة إلى نموذج مستقر وجاهز للإنتاج تدعمه Ultralytics Platform. وهو خيار مناسب إذا كان مشروعك يتطلب مهام متعددة (مثل اكتشاف الأجسام ثم تجزئتها) باستخدام قاعدة تعليمات برمجية موحدة وسهلة الصيانة.
• اختر YOLO26 (موصى به) إذا: كنت تريد أفضل توازن بين الدقة والاستدلال الشامل الاختياري الخالي من NMS والسرعة العالية على CPU والأجهزة الطرفية.

إذا كنت تستكشف المشهد الأوسع، فقد يهمك أيضًا مقارنة هذه النماذج بـYOLO11 أو الاطلاع على تكاملات النشر الطرفي مثل Intel OpenVINO لتسريع تطبيقات الذكاء الاصطناعي للرؤية لديك.