YOLOv10 مقابل YOLOv8#

شهد تطور اكتشاف الأجسام في الزمن الحقيقي تعاقبًا سريعًا لبنى معمارية رائدة، سعت كل منها إلى دفع حدود الدقة وسرعة الاستدلال والكفاءة الحاسوبية. في هذا الدليل التقني الشامل، نقارن بين محطتين بارزتين في مشهد الرؤية الحاسوبية: YOLOv10 و Ultralytics YOLOv8. وبينما أرست YOLOv8 معيارًا بالغ المرونة وجاهزًا لبيئات الإنتاج، أدخلت YOLOv10 تحولات معمارية استهدفت تحديدًا إزالة اختناقات المعالجة اللاحقة.

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#

أُطلق YOLOv8 في أوائل عام 2023، وسرعان ما أصبح ركيزة أساسية في القطاع بفضل بنيته المتينة وتكامله غير المسبوق ضمن منظومة التعلم الآلي 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. تعتمد كاشفات الأجسام تقليديًا على كبت الصناديق غير القصوى (NMS) أثناء الاستدلال لتصفية الصناديق المحيطة المتداخلة. وقد تؤدي هذه الخطوة إلى زيادة زمن الاستجابة وتعقيد النشر الشامل من البداية إلى النهاية. يستخدم YOLOv10 إسنادًا مزدوجًا متسقًا أثناء التدريب، ما يسمح للنموذج بالتنبؤ تلقائيًا بصندوق إحاطة واحد ودقيق لكل جسم. كما يعتمد تصميمًا شاملًا للنموذج يستند إلى الكفاءة والدقة، ويحسّن مكونات مختلفة لتقليل عدد عمليات FLOPs والمعلمات بدرجة كبيرة.

بنية YOLOv8#

قدّم YOLOv8 رأس كشف خاليًا من المراسي، مبتعدًا عن الأساليب المعتمدة على المراسي في أسلافه. ويقلل ذلك عدد تنبؤات الصناديق ويُسرّع عمليات NMS. إضافة إلى ذلك، يضم YOLOv8 وحدة C2f (عنق زجاجة جزئي عبر المراحل مع التفافين)، ما يحسّن تدفق التدرجات ويتيح للشبكة تعلّم تمثيلات أغنى للسمات دون زيادة كبيرة في التكلفة الحاسوبية. ويفصل الرأس المفكوك مهام 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 استثنائية في استخدام المعلمات، وغالبًا ما يضاهي قيمة mAP في النماذج المناظرة من YOLOv8 أو يتفوق عليها، مع استخدام عدد أقل من المعلمات وعمليات FLOPs. ومع ذلك، يظل YOLOv8 منافسًا قويًا للغاية، إذ يوفر تكاملًا محسّنًا مع TensorRT يضمن الحد الأدنى من زمن الاستدلال على وحدات GPU الحديثة.

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 في YOLOv8 في تكامله الوثيق مع منظومة Ultralytics. توفر هذه البيئة تجربة انتقال من الصفر إلى الاحتراف، تتميز بواجهة Python API سهلة الاستخدام للغاية ووثائق شاملة. وعلى خلاف مستودعات الأبحاث التي قد تتطلب إعدادات معقدة للبيئة، تشتهر نماذج Ultralytics بسهولة استخدامها.

إضافة إلى ذلك، يتمتع YOLOv8 بتعدد استخدامات أصيل. ففي حين يقتصر تحسين YOLOv10 على كشف الأجسام، يتيح إطار عمل Ultralytics للمطورين الانتقال بسلاسة بين مهام كشف الأجسام وتقسيم المثيلات وتصنيف الصور وتقدير الوضعيات وصناديق الإحاطة الموجّهة (OBB)، ضمن المكتبة نفسها وبنية API ذاتها.

متطلبات الذاكرة والتدريب#

صُممت نماذج Ultralytics YOLO مع التركيز على كفاءة التدريب. وعادةً ما تستهلك ذاكرة أقل أثناء التدريب والاستدلال مقارنةً بـنماذج Transformer المعقدة، ما يتيح للمطورين تدريب نماذج متطورة على أجهزة استهلاكية أو مثيلات سحابية قياسية دون نفاد ذاكرة CUDA. وتساعد المعلمات الفائقة الافتراضية المضبوطة جيدًا وزيادة البيانات المدمجة على ضمان التقارب السريع.

فيما يلي مثال عملي يوضح مدى سهولة تدريب نموذج والتحقق من صحته باستخدام Python API من Ultralytics:

from ultralytics import YOLO

# ⁨تحميل نموذج مدرّب مسبقًا (يوصى بـ YOLOv8 للمهام العامة)⁩
model = YOLO("yolov8n.pt")

# ⁨تدريب النموذج على مجموعة بيانات COCO8 مع إدارة تلقائية للذاكرة⁩
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#

يمثل YOLOv8 وYOLOv10 محطتين استثنائيتين، لكن مجال التعلم الآلي يتطور باستمرار. ونوصي بشدة المطورين الذين يبدؤون مشاريع جديدة بالاستفادة من YOLO26، أحدث نموذج رائد من Ultralytics، الذي صدر في يناير 2026.

يجمع YOLO26 أفضل التطورات المعمارية في السنوات الماضية ضمن إطار عمل واحد محسّن للغاية. ويرث التصميم الشامل الخالي من NMS الذي أرسته نماذج مثل YOLOv10، ما يبسّط مسارات النشر ويحدّ من تفاوت زمن الاستجابة. كما يقدم YOLO26 محسّن MuSGD، وهو نهج هجين مستوحى من استقرار تدريب نماذج اللغة الكبيرة، ويضمن تقاربًا أسرع وأكثر استقرارًا.

تشمل التحسينات الرئيسية في YOLO26 ما يلي:

• استدلال أسرع بنسبة تصل إلى 43% على CPU: تحسين مكثف للأجهزة الطرفية من خلال إزالة Distribution Focal Loss (DFL).
• ProgLoss + STAL: دوال خسارة متقدمة تحسّن بدرجة كبيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لصور الطائرات المسيّرة ومستشعرات إنترنت الأشياء.
• تحسينات خاصة بالمهام: بنى متخصصة للتقسيم وتقدير الوضعيات وOBB، لضمان أداء رفيع المستوى في جميع مجالات الرؤية.

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 للغاية وجاهز للإنتاج، تدعمه منصة Ultralytics المتينة. وهو الخيار الأمثل إذا كان مشروعك يتطلب مهام متعددة (مثل كشف الأجسام ثم تقسيمها) باستخدام قاعدة شيفرة موحّدة وسهلة الصيانة.
• اختر YOLO26 (موصى به) إذا: كنت تريد أفضل توازن ممكن بين الدقة المتطورة والكفاءة الأصلية الشاملة الخالية من NMS وأعلى سرعة ممكنة على CPU والأجهزة الطرفية.

إذا كنت تستكشف المشهد الأوسع، فقد يهمك أيضًا مقارنة هذه النماذج بـYOLO11 أو الاطلاع على عمليات التكامل الخاصة بالنشر الطرفي، مثل Intel OpenVINO، لتسريع تطبيقات الذكاء الاصطناعي للرؤية لديك. وبفضل الأدوات الموحدة التي توفرها Ultralytics، أصبح نشر حلول متينة للرؤية الحاسوبية أكثر سهولة من أي وقت مضى.