مقارنة بين YOLOv10 و YOLOv8#
شهد تطور اكتشاف الكائنات في الوقت الفعلي تتابعاً سريعاً للبنى الثورية، حيث تحاول كل منها دفع حدود الدقة، وسرعة الاستدلال، والكفاءة الحسابية. في هذا الدليل التقني الشامل، نقارن بين معلمين رئيسيين في مشهد الرؤية الحاسوبية: YOLOv10 و Ultralytics YOLOv8. وفي حين أرست YOLOv8 معياراً شديد التنوع وجاهزاً للإنتاج، قدمت YOLOv10 تحولات هيكلية تهدف خصيصاً إلى إزالة الاختناقات الناتجة عن المعالجة اللاحقة.
يُعد فهم المزايا الفريدة، والبنى، ومقاييس الأداء لهذه النماذج أمرًا بالغ الأهمية للمطورين والباحثين الذين يهدفون إلى نشر حلول ذكاء اصطناعي بصرية متطورة في سيناريوهات العالم الحقيقي.
المواصفات الفنية والتأليف#
لتقييم هذه النماذج بفعالية، يساعد فهم أصولها والتركيز الأساسي لفرق البحث الخاصة بها.
YOLOv10: كفاءة شاملة من البداية إلى النهاية#
طوّر باحثون في جامعة تسينغهوا نموذج YOLOv10 لمعالجة العبء الحسابي الذي تفرضه خطوات ما بعد المعالجة في الأجيال السابقة.
- المؤلفون: Ao Wang و Hui Chen و Lihao Liu، وآخرون.
- المنظمة: Tsinghua University
- التاريخ: 2024-05-23
- Arxiv: 2405.14458
- GitHub: THU-MIG/yolov10
- Docs: YOLOv10 Documentation
Ultralytics YOLOv8: المعيار متعدد الاستخدامات#
بمجرد إصداره في أوائل عام 2023، أصبح YOLOv8 ركيزة أساسية في الصناعة بفضل بنيته القوية وتكامله الفريد ضمن النظام البيئي الأوسع لتعلم الآلة.
- المؤلفون: Glenn Jocher، وAyush Chaurasia، وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
الابتكارات المعمارية#
يجلب كلا النموذجين تحسينات كبيرة على بنية YOLO التقليدية، على الرغم من أنهما يستهدفان جوانب مختلفة قليلًا من خط الأنابيب.
بنية YOLOv10#
الميزة البارزة في YOLOv10 هي استراتيجية التدريب الخالية من NMS. تقليدياً، تعتمد كواشف الكائنات على Non-Maximum Suppression (NMS) أثناء الاستدلال لتصفية مربعات الإحاطة المتداخلة. قد تتسبب هذه الخطوة في حدوث زمن وصول وتزيد من تعقيد نشر النماذج من البداية إلى النهاية. تستخدم YOLOv10 مهام تعيين مزدوجة متسقة أثناء التدريب، مما يتيح للنموذج التنبؤ بمربع إحاطة واحد ودقيق لكل كائن بشكل طبيعي. علاوة على ذلك، فهي تستخدم تصميماً للنموذج مدفوعاً بالكفاءة والدقة الشاملة، مما يحسن المكونات المختلفة لتقليل العمليات الحسابية (FLOPs) وأعداد المعلمات بشكل كبير.
هيكل YOLOv8#
قدمت YOLOv8 رأس الكشف الخالي من المراسي (anchor-free)، مبتعدة عن النهج القائمة على المراسي لأسلافها. هذا يقلل من عدد التنبؤات بالمربعات ويسرع NMS operations. بالإضافة إلى ذلك، تدمج YOLOv8 وحدة C2f (عنق الزجاجة الجزئي عبر المراحل مع عمليتي التفاف)، مما يحسن تدفق التدرج ويسمح للشبكة بتعلم تمثيلات ميزات أغنى دون زيادة التكلفة الحسابية بشكل كبير. يفصل هيكل رأسها المفكك مهام تحديد الكائنات، والتصنيف، والانحدار، مما يؤدي إلى تقارب أسرع ودقة إجمالية أعلى.
الأداء والمعايير القياسية#
عند نشر النماذج على أجهزة الحافة أو خوادم السحاب، تعد المقايضة بين السرعة والدقة أمرًا بالغ الأهمية. يوفر الجدول أدناه مقارنة مباشرة بين النموذجين عبر أحجام مختلفة.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 | - | 12.2 | 56.9 | 160.4 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
ملاحظة: تشير الخلايا الفارغة إلى مقاييس لم يتم الإبلاغ عنها رسميًا في ظل ظروف اختبار متطابقة.
كما يظهر في البيانات، تُظهر YOLOv10 كفاءة استثنائية في المعلمات، وغالباً ما تتطابق مع أو تتجاوز mAP لنظيراتها من YOLOv8 مع استخدام عدد أقل من المعلمات و FLOPs. ومع ذلك، تظل YOLOv8 تنافسية بشكل لا يصدق، حيث توفر TensorRT integration محسنًا للغاية يضمن الحد الأدنى من زمن وصول الاستدلال على وحدات معالجة الرسوميات الحديثة.
عند استهداف بيئات الإنتاج، يمكن أن يؤدي استخدام تنسيق مثل ONNX أو TensorRT إلى تحسين سرعات الاستدلال بشكل كبير. تدعم كل من YOLOv8 و YOLOv10 التصدير السلس إلى هذه التنسيقات الرسومية المحسنة للغاية.
النظام البيئي، وكفاءة التدريب، وتعدد الاستخدامات#
اختيار النموذج يتجاوز المعايير النظرية؛ إذ تعد تجربة المطور والنظام البيئي المحيط أمرًا حيويًا بنفس القدر.
ميزة Ultralytics#
تتمثل إحدى نقاط القوة الأساسية لـ YOLOv8 في تكاملها الوثيق مع Ultralytics ecosystem. توفر هذه البيئة تجربة "من الصفر إلى الاحتراف"، تتميز بواجهة برمجة تطبيقات Python بديهية للغاية وثائق شاملة. على عكس مستودعات التركيز البحثي التي قد تتطلب إعدادات بيئة معقدة، تشتهر نماذج Ultralytics بـ سهولة الاستخدام.
علاوة على ذلك، تتسم YOLOv8 بتعدد الاستخدامات بطبيعتها. بينما تم تحسين YOLOv10 حصرياً لاكتشاف الكائنات، يسمح إطار عمل Ultralytics للمطورين بالانتقال بسلاسة بين object detection، وinstance segmentation، وimage classification، وpose estimation، وoriented bounding box (OBB) ضمن نفس المكتبة وبنية واجهة برمجة التطبيقات تماماً.
متطلبات الذاكرة والتدريب#
تم تصميم نماذج Ultralytics YOLO مع التركيز على كفاءة التدريب. وهي تظهر عموماً استخداماً أقل للذاكرة أثناء التدريب والاستدلال مقارنة بـ transformer models المعقدة، مما يسمح للمطورين بتدريب نماذج متطورة على الأجهزة الاستهلاكية أو مثيلات السحابة القياسية دون نفاد ذاكرة CUDA. يضمن التعامل التلقائي مع ضبط المعلمات الفائقة وزيادة البيانات تقارباً سريعاً.
إليك مثال عملي على مدى بساطة تدريب نموذج والتحقق منه باستخدام Ultralytics Python API:
from ultralytics import YOLO
# Load a pretrained model (YOLOv8 recommended for general tasks)
model = YOLO("yolov8n.pt")
# Train the model on the COCO8 dataset with automatic memory management
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Run inference on a test image
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()الجيل القادم: YOLO26#
بينما تمثل YOLOv8 و YOLOv10 معالم استثنائية، فإن مجال التعلم الآلي يتطور باستمرار. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة، نوصي بشدة بالاستفادة من YOLO26، أحدث نموذج رئيسي من Ultralytics والذي تم إصداره في يناير 2026.
يجمع YOLO26 أفضل التطورات المعمارية للسنوات الماضية في إطار عمل واحد عالي التحسين. وهو يرث تصميم End-to-End NMS-Free الذي ابتكرته نماذج مثل YOLOv10، مما يبسط خطوط أنابيب النشر ويقلل من تباين زمن الاستجابة. علاوة على ذلك، يقدم YOLO26 مُحسِّن MuSGD، وهو نموذج هجين مستوحى من استقرار تدريب LLM الذي يضمن تقاربًا أسرع وأكثر استقرارًا.
تشمل التحسينات الرئيسية في YOLO26 ما يلي:
- استدلال أسرع على CPU بنسبة تصل إلى 43%: تم تحسينه بشكل كبير لأجهزة الحافة من خلال إزالة Distribution Focal Loss (DFL).
- ProgLoss + STAL: وظائف فقدان متقدمة تعمل على تحسين التعرف على الأجسام الصغيرة بشكل كبير، وهو أمر بالغ الأهمية لصور الطائرات بدون طيار ومستشعرات IoT.
- تحسينات خاصة بالمهام: بنيات متخصصة للتقسيم، وتقدير الوضع، و OBB، مما يضمن أداءً من الطراز الأول عبر جميع مجالات الرؤية.
حالات الاستخدام المثالية واستراتيجيات النشر#
عند اتخاذ قرار بشأن هذه البنى، ضع في اعتبارك الاحتياجات المحددة لبيئة النشر الخاصة بك:
- اختر YOLOv10 إذا: كنت تعمل على خط أنابيب كشف أجسام خالص حيث يعد ضغط كل جزء من كفاءة المعاملات أمرًا بالغ الأهمية، وترغب في تجربة التنفيذات المبكرة للبنى الخالية من NMS.
- اختر Ultralytics YOLOv8 إذا: كنت بحاجة إلى نموذج مستقر للغاية وجاهز للإنتاج مدعوم بـ Ultralytics Platform القوية. إنه الخيار المثالي إذا كان مشروعك يتطلب مهام متعددة (مثل اكتشاف الكائنات ثم تجزئتها) باستخدام قاعدة تعليمات برمجية موحدة وسهلة الصيانة.
- اختر YOLO26 (موصى به) إذا: كنت ترغب في تحقيق التوازن النهائي بين الدقة المتطورة، والكفاءة الأصلية الخالية من NMS من البداية إلى النهاية، وأسرع سرعات ممكنة على CPU وأجهزة الحافة.
إذا كنت تستكشف المشهد الأوسع، فقد تكون مهتمًا أيضاً بمقارنة هذه النماذج مع YOLO11 أو التحقق من عمليات تكامل نشر الحافة المحددة مثل Intel OpenVINO لمزيد من تسريع تطبيقات الذكاء الاصطناعي للرؤية الخاصة بك. من خلال الاستفادة من الأدوات الموحدة التي توفرها Ultralytics، لم يكن نشر حلول الرؤية الحاسوبية القوية أسهل من أي وقت مضى.