Ultralytics YOLO27:

مقارنة بين YOLOv10 وYOLOv9#

اتسم تطور الرؤية الحاسوبية في الوقت الفعلي باختراقات مستمرة في السرعة والدقة والكفاءة المعمارية. وعند تقييم الحلول الحديثة لعملية النشر التالية، تتيح مقارنة YOLOv10 وYOLOv9 إلقاء نظرة مثيرة للاهتمام على نهجين متميزين لمعالجة اختناقات التعلم العميق. وبينما يركز YOLOv9 على تعظيم تدفق معلومات التدرج أثناء التدريب، يبتكر YOLOv10 تصميمًا أصليًا شاملًا من البداية إلى النهاية يلغي تمامًا عقبات المعالجة اللاحقة التقليدية.

يحلل هذا الدليل الشامل ابتكاراتهما المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدة المطورين والباحثين على اختيار النموذج الأمثل لمهام الرؤية الحاسوبية الخاصة بهم.

YOLOv10: الرائد الشامل من البداية إلى النهاية والخالي من NMS#

طُوّر YOLOv10 لمعالجة اختناقات زمن الاستجابة في كاشفات الكائنات التقليدية، ويقدم بنية ثورية شاملة من البداية إلى النهاية تزيل أصليًا الحاجة إلى كبت غير الأقصى (NMS).

التفاصيل التقنية والنَسَب:

Learn more about YOLOv10

البنية ونقاط القوة#

تتمثل أهم مساهمات YOLOv10 في هذا المجال في استراتيجيته المتسقة للإسناد المزدوج للتدريب الخالي من NMS. ومن خلال التخلص من NMS، يقلل النموذج زمن استدلال الوصول بدرجة كبيرة، لا سيما على الأجهزة الطرفية حيث يمكن للمعالجة اللاحقة أن تتسبب في اختناق خط المعالجة بأكمله. وهو يحسّن مكونات متعددة من منظوري الكفاءة والدقة، ما ينتج نموذجًا يتميز بـموازنة ملحوظة بين السرعة وعدد المعاملات. فعلى سبيل المثال، يتميز الإصدار YOLOv10-S بسرعة استثنائية، ما يجعله مناسبًا للغاية لـتحليلات الفيديو عالية السرعة وللملاحة الروبوتية في الوقت الفعلي.

نقاط الضعف#

على الرغم من أن التصميم الخالي من الخوارزمية غير المؤثرة (NMS-free) يُعد ثورياً لاكتشاف مربع الإحاطة (bounding box)، فإن YOLOv10 مُحسَّن أساساً ككشفة كائنات خالصة. وهو يفتقر إلى مرونة الاستخدام الجاهزة للأنظمة البيئية الأحدث التي تدعم بشكل أصلي تقسيم المثيلات أو تقدير الوضعية.

تصدير YOLOv10

عند إعداد YOLOv10 للاستخدام في الإنتاج، احرص دائمًا على تصدير النموذج إلى تنسيقات مُحسّنة مثل TensorRT أو ONNX. قد يؤدي تشغيل أوزان PyTorch الخام في عملية النشر إلى استدلال أبطأ من المتوقع بسبب عمليات الرسم البياني غير المُحسّنة.

YOLOv9: المعلومات القابلة للبرمجة للتدرجات#

قبل YOLOv10، قدم YOLOv9 مفاهيم معمارية مبتكرة لحل مشكلة اختناق المعلومات المتأصلة في الشبكات العصبية العميقة، ما أتاح استخدامًا عالي الكفاءة للمعاملات.

التفاصيل التقنية والنَسَب:

تعرف على المزيد حول YOLOv9

البنية ونقاط القوة#

يقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات الفعّالة المعممة (GELAN). تضمن PGI عدم فقدان المعلومات المهمة عن الأهداف أثناء مرور البيانات عبر الطبقات العميقة للشبكة، ما يولّد تدرجات موثوقة لتحديث الأوزان. وتزيد GELAN كفاءة معاملات الشبكة إلى أقصى حد. وتتيح هذه الابتكارات معًا لـYOLOv9 تحقيق متوسط دقة ( mAP ) مرتفع للغاية على مجموعة بيانات MS COCO، وغالبًا ما يتفوق على النماذج الأثقل مع استخدام عدد أقل من عمليات FLOPs. وهو نموذج استثنائي للباحثين الذين يركزون على تعظيم مقاييس الدقة النظرية.

نقاط الضعف#

على الرغم من دقته العالية، لا يزال YOLOv9 يعتمد على المعالجة اللاحقة القياسية باستخدام NMS. وهذا يعني أنه رغم سرعة عمليات الشبكة العصبية، فإن التصفية النهائية لمربعات الإحاطة قد تضيف زمن استجابة متغيرًا اعتمادًا على كثافة الكائنات في المشهد. بالإضافة إلى ذلك، يمكن أن تكون عملية تدريبه كثيفة استهلاك الذاكرة بدرجة كبيرة مقارنةً بالنماذج الأحدث، ما يتطلب موارد GPU أكثر قوة لإجراء الضبط الدقيق على مجموعات البيانات المخصصة.

مقارنة الأداء#

يوضح الجدول أدناه المقاييس الأساسية لكلا النموذجين. لاحظ كيف يحقق YOLOv10 عادةً زمن استجابة أقل عبر TensorRT، بينما يدفع YOLOv9 حدود الدقة العليا في أكبر إعداداته.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

الجيل التالي: لماذا يُعد YOLO26 التوصية المثلى#

رغم أن YOLOv9 وYOLOv10 يمثلان محطتين بارزتين، فإن مشهد التعلم الآلي يتطور بسرعة. وفي بيئات الإنتاج الحديثة، يعتمد المطورون بصورة متزايدة على النظام البيئي المتكامل والمحافظ عليه جيدًا لـمنصة Ultralytics. واعتبارًا من عام 2026، تتمثل التوصية الواضحة للبحث وقطاع المؤسسات في YOLO26 الذي أُطلق حديثًا.

يأخذ YOLO26 المفاهيم الأساسية لأسلافه ويرتقي بها من خلال تجربة مستخدم مبسطة وواجهة API بسيطة ومتطلبات ذاكرة أقل بكثير أثناء التدريب مقارنةً بالبنى المعتمدة على Transformer ذات الحجم الكبير.

الابتكارات الرئيسية في YOLO26#

  • تصميم شامل من البداية إلى النهاية وخالٍ من NMS: بالاستناد إلى إنجازات YOLOv10، يأتي YOLO26 شاملًا من البداية إلى النهاية، ويلغي تمامًا المعالجة اللاحقة باستخدام NMS، ما يتيح نشرًا أبسط وملفات تعريف لزمن الاستجابة تتميز بدرجة عالية من الحتمية.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: مُحسّن لـالذكاء الاصطناعي الطرفي مباشرةً، ما يجعله الخيار المثالي للأنظمة المضمنة التي تفتقر إلى GPU مخصص.
  • مُحسِّن MuSGD: مزيج هجين رائد من SGD وMuon (مستوحى من تحسينات نماذج اللغة الكبيرة)، يضمن عمليات تدريب مستقرة للغاية وأزمنة تقارب سريعة بصورة مذهلة.
  • إزالة DFL: من خلال إزالة خسارة البؤرة للتوزيع، يبسط YOLO26 عملية تصدير النموذج، ويعزز بدرجة كبيرة التوافق مع الأجهزة منخفضة الطاقة وأطر النشر الطرفية المتنوعة.
  • تحسينات خاصة بالمهمة: بخلاف الكاشفات المتخصصة أحادية المهمة، يُعد YOLO26 أداة قوية ومتعددة الاستخدامات. فهو يستخدم خسارة التجزئة الدلالية لتحسين الدقة على مستوى البكسل، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية بدقة تامة، وخسارة زاوية متخصصة لحل مشكلات حدود OBB (مربع الإحاطة الموجّه).
ميزة منظومة Ultralytics

يوفر اختيار نموذج من Ultralytics مثل YOLO11 أو YOLO26 سهولة استخدام لا مثيل لها. وستحصل على إمكانية الوصول إلى تطوير نشط ومجتمع مزدهر وتحديثات متكررة تضمن بقاء نماذجك متوافقة مع أحدث محركات الاستدلال مثل OpenVINO وCoreML.

التنفيذ العملي#

يُعد تدريب هذه النماذج ونشرها أمرًا مباشرًا باستخدام Python SDK. يوضح المثال التالي كيفية الاستفادة من عمليات التدريب عالية الكفاءة في النظام البيئي لـUltralytics، الذي يتولى تلقائيًا جدولة المعلمات الفائقة وتخصيص الذاكرة على النحو الأمثل.

from ultralytics import YOLO

# Load the recommended state-of-the-art model
model = YOLO("yolo26n.pt")  # Also compatible with 'yolov10n.pt' or 'yolov9c.pt'

# Train the model efficiently on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Run ultra-fast inference
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for simplified edge deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 وYOLOv9 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا من أجل:

  • الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
  • المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
  • التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

متى تختار YOLOv9#

يوصى باستخدام YOLOv9 من أجل:

  • أبحاث عنق الزجاجة المعلوماتي: المشاريع الأكاديمية التي تدرس معماريات المعلومات القابلة للبرمجة للتدرجات (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).
  • دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
  • قياس أداء اكتشاف عالي الدقة: السيناريوهات التي تحتاج إلى أداء YOLOv9 القوي في معيار COCO بوصفه نقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
  • البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

الخلاصة#

يوفر كل من YOLOv9 وYOLOv10 مزايا فريدة. ويُعد YOLOv9 برهانًا على تعظيم كفاءة معاملات الشبكة وتدفق التدرج النظري، ما يؤدي إلى دقة من المستوى الأعلى. أما YOLOv10 فيمثل الرائد الأكاديمي لاكتشاف مربعات الإحاطة من البداية إلى النهاية دون عقوبة زمن الاستجابة التي يفرضها NMS.

ومع ذلك، بالنسبة إلى المطورين الذين يسعون إلى تحقيق التوازن المثالي بين الأداء وتعدد الاستخدامات وسهولة الاستخدام، فإن الترقية إلى أحدث النماذج أمر بالغ الأهمية. وبفضل مُحسِّن MuSGD المتقدم، ووظيفة ProgLoss + STAL للكشف المتفوق عن الكائنات الصغيرة، والدعم الشامل للمهام المتعددة، يمثل YOLO26 الحل المتطور الحاسم لأي تحدٍ واقعي في مجال الرؤية الحاسوبية.

المساهمون
GLglenn-jocher17

التعليقات