YOLOv10 مقابل YOLOv8#

شهد تطور اكتشاف الأجسام في الوقت الفعلي تعاقبًا سريعًا لهندسات رائدة، سعت كل منها إلى توسيع حدود الدقة وسرعة الاستدلال والكفاءة الحاسوبية. في هذا الدليل التقني الشامل، نقارن بين محطتين بارزتين في مجال الرؤية الحاسوبية: YOLOv10 و**Ultralytics YOLOv8**. فبينما أرسى YOLOv8 معيارًا عالي المرونة وجاهزًا للإنتاج، قدّم YOLOv10 تغييرات معمارية استهدفت تحديدًا إزالة اختناقات المعالجة اللاحقة.

يُعد فهم المزايا المميزة والهندسات ومقاييس الأداء لهذه النماذج أمرًا بالغ الأهمية للمطورين والباحثين الذين يهدفون إلى نشر حلول متقدمة للذكاء الاصطناعي في مجال الرؤية ضمن سيناريوهات العالم الحقيقي.

المواصفات التقنية والجهة المؤلفة#

لتقييم هذه النماذج بفعالية، من المفيد فهم أصولها والتركيز الأساسي لفرق البحث المعنية بها.

YOLOv10: كفاءة شاملة من البداية إلى النهاية#

طوّر باحثون في جامعة تسينغهوا YOLOv10 لمعالجة العبء الحاسوبي الناتج عن خطوات المعالجة اللاحقة في الأجيال السابقة.

• المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10
• الوثائق: وثائق YOLOv10

Learn more about YOLOv10

Ultralytics YOLOv8: المعيار عالي المرونة#

أُطلق YOLOv8 في أوائل عام 2023، وسرعان ما أصبح عنصرًا أساسيًا في المجال بفضل هندسته المتينة وتكامله الذي لا مثيل له ضمن منظومة تعلّم الآلة الأوسع.

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

الابتكارات المعمارية#

يقدم كلا النموذجين تحسينات مهمة على هندسة YOLO التقليدية، إلا أن كلًا منهما يستهدف جوانب مختلفة قليلًا من خط المعالجة.

هندسة YOLOv10#

تتمثل السمة الأبرز في YOLOv10 في استراتيجية التدريب الخالية من NMS. تعتمد كاشفات الأجسام تقليديًا على قمع غير الأقصى (NMS) أثناء الاستدلال لتصفية الصناديق المحيطة المتداخلة. وقد تتسبب هذه الخطوة في زيادة زمن الاستجابة وتعقيد النشر الشامل من البداية إلى النهاية. يستخدم YOLOv10 تعيينات مزدوجة متسقة أثناء التدريب، ما يتيح للنموذج التنبؤ بصندوق محيط واحد ودقيق لكل جسم بصورة أصلية. علاوة على ذلك، يستخدم تصميمًا شاملًا للنموذج موجّهًا بالكفاءة والدقة، مع تحسين مكونات مختلفة لتقليل FLOPs وأعداد المعلمات بشكل كبير.

بنية YOLOv8#

قدّم YOLOv8 رأس اكتشاف خاليًا من المراسي، مبتعدًا عن الأساليب القائمة على المراسي التي اتبعتها النماذج السابقة. ويؤدي ذلك إلى تقليل عدد تنبؤات الصناديق وتسريع عمليات NMS. بالإضافة إلى ذلك، يدمج YOLOv8 الوحدة C2f (عنق زجاجة جزئي عابر للمراحل مع التفافين)، ما يحسّن تدفق التدرجات ويسمح للشبكة بتعلّم تمثيلات أغنى للسمات دون زيادة كبيرة في الكلفة الحاسوبية. ويفصل هيكل الرأس غير المترابط الخاص به بين مهام وجود الجسم والتصنيف والانحدار، مما يؤدي إلى تقارب أسرع ودقة إجمالية أعلى.

الأداء والمعايير القياسية#

عند نشر النماذج على الأجهزة الطرفية أو خوادم السحابة، تكون المفاضلة بين السرعة والدقة بالغة الأهمية. يقدم الجدول أدناه مقارنة مباشرة بين النموذجين عبر أحجام مختلفة.

ملاحظة: تشير الخلايا الفارغة إلى مقاييس لم يُبلّغ عنها رسميًا في ظل ظروف اختبار متطابقة.

كما يتضح من البيانات، يتميز YOLOv10 بكفاءة استثنائية في استخدام المعلمات، إذ يطابق غالبًا قيمة mAP للنماذج المناظرة من YOLOv8 أو يتفوق عليها، مع استخدام عدد أقل من المعلمات وFLOPs. ومع ذلك، يظل YOLOv8 منافسًا بقوة، إذ يوفر تكامل TensorRT محسنًا بدرجة كبيرة يضمن حدًا أدنى من زمن الاستدلال على وحدات GPU الحديثة.

المنظومة وكفاءة التدريب والمرونة#

يتجاوز اختيار النموذج المعايير 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 تبدأ من الصفر وتنتهي بالاحتراف، وتتميز بواجهة Python API سهلة الاستخدام للغاية ووثائق واسعة. وعلى خلاف المستودعات التي تركز على البحث وقد تتطلب إعدادات معقدة للبيئة، تشتهر نماذج Ultralytics بسهولة الاستخدام.

علاوة على ذلك، يتمتع YOLOv8 بمرونة أصيلة. فبينما يُحسّن YOLOv10 خصيصًا لاكتشاف الأجسام، يتيح إطار Ultralytics للمطورين الانتقال بسلاسة بين مهام اكتشاف الأجسام، وتقسيم المثيلات، وتصنيف الصور، وتقدير الوضعية، والصناديق المحيطة الموجّهة (OBB) ضمن المكتبة نفسها وبنية API نفسها تمامًا.

متطلبات الذاكرة والتدريب#

صُممت نماذج Ultralytics YOLO مع التركيز على كفاءة التدريب. فهي تُظهر عمومًا استخدامًا أقل للذاكرة أثناء التدريب والاستدلال مقارنةً بنماذج Transformer المعقدة، ما يتيح للمطورين تدريب نماذج متقدمة على أجهزة بمواصفات استهلاكية أو مثيلات سحابية قياسية دون نفاد ذاكرة CUDA. ويضمن الضبط التلقائي للمعلمات الفائقة وزيادة البيانات تقاربًا سريعًا.

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

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 التالي: YOLO26#

مع أن YOLOv8 وYOLOv10 يمثلان محطتين استثنائيتين، فإن مجال تعلّم الآلة يتقدم باستمرار. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة، نوصي بشدة بالاستفادة من YOLO26، أحدث نموذج رائد من Ultralytics، والذي أُطلق في يناير 2026.

يجمع YOLO26 أفضل التطورات المعمارية في السنوات الماضية ضمن إطار واحد عالي التحسين. ويرث التصميم الشامل الخالي من NMS من البداية إلى النهاية الذي ابتكرته نماذج مثل YOLOv10، مما يبسط مسارات النشر ويقلل تفاوت زمن الاستجابة. علاوة على ذلك، يقدم YOLO26 مُحسِّن MuSGD، وهو مُحسِّن هجين مستوحى من استقرار تدريب LLM، ويضمن تقاربًا أسرع وأكثر استقرارًا.

تشمل التحسينات الرئيسية في YOLO26 ما يلي:

• استدلال أسرع على CPU بنسبة تصل إلى 43%: جرى تحسينه بدرجة كبيرة 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 للصور الملتقطة بالطائرات المسيّرة ومستشعرات IoT.
• تحسينات خاصة بالمهام: هندسات متخصصة للتقسيم وتقدير الوضعية وOBB، مما يضمن أداءً من الدرجة الأولى عبر جميع مجالات الرؤية.

حالات الاستخدام المثالية واستراتيجيات النشر#

عند المفاضلة بين هذه الهندسات، ضع الاحتياجات المحددة لبيئة النشر في الاعتبار:

• اختر YOLOv10 إذا: كنت تعمل على خط معالجة مخصص لاكتشاف الأجسام، حيث تُعد الاستفادة من كل جزء من كفاءة المعلمات أمرًا بالغ الأهمية، وترغب في تجربة التطبيقات المبكرة للهندسات الخالية من NMS.
• اختر Ultralytics YOLOv8 إذا: كنت تحتاج إلى نموذج مستقر للغاية وجاهز للإنتاج، ومدعوم من منصة Ultralytics المتينة. وهو الخيار المثالي إذا كان مشروعك يتطلب مهام متعددة (مثل اكتشاف الأجسام ثم تقسيمها) باستخدام قاعدة شيفرة موحدة وسهلة الصيانة.
• اختر YOLO26 (موصى به) إذا: كنت تريد التوازن الأمثل بين دقة متقدمة، وكفاءة أصلية شاملة خالية من NMS من البداية إلى النهاية، وأعلى سرعات ممكنة على CPU والأجهزة الطرفية.

إذا كنت تستكشف المشهد الأوسع، فقد يهمك أيضًا مقارنة هذه النماذج مع YOLO11 أو الاطلاع على تكاملات محددة للنشر الطرفي مثل Intel OpenVINO لتسريع تطبيقات الذكاء الاصطناعي في مجال الرؤية لديك بدرجة أكبر. ومن خلال الاستفادة من الأدوات الموحدة التي توفرها Ultralytics، لم يسبق أن كان نشر حلول متينة للرؤية الحاسوبية بهذه السهولة.