ابدأ

YOLOv10 مقابل YOLOv9

أحرز تطور الرؤية الحاسوبية الآنية مكاسب متواصلة في السرعة والدقة والكفاءة المعمارية. وعند تقييم النماذج لعملية النشر التالية، تكشف مقارنة YOLOv10 وYOLOv9 عن نهجين مختلفين لمعالجة اختناقات التعلّم العميق. فبينما يركز YOLOv9 على تعظيم تدفق معلومات التدرج أثناء التدريب، قدم YOLOv10 تصميمًا شاملًا يزيل المعالجة اللاحقة باستخدام NMS.

يحلل هذا الدليل ابتكارات البنية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدة المطورين والباحثين على اختيار النموذج المناسب لمهام الرؤية الحاسوبية.

YOLOv10: كشف آني بلا NMS#

طُوّر YOLOv10 لمعالجة اختناقات زمن الاستجابة في كاشفات الأجسام التقليدية، ويقدم بنية شاملة تلغي الحاجة إلى القمع غير الأعظمي (NMS).

التفاصيل التقنية والتسلسل:

تعرّف على المزيد حول YOLOv10

البنية ومواطن القوة#

أهم إسهامات YOLOv10 في هذا المجال هي استراتيجية الإسناد المزدوج المتسقة للتدريب الخالي من NMS. وبإزالة NMS، يقلل النموذج زمن استجابة الاستدلال، لا سيما على الأجهزة الطرفية حيث قد تعوق المعالجة اللاحقة خط المعالجة بأكمله. كما يحسّن مكونات مختلفة من منظوري الكفاءة والدقة، محققًا مفاضلة قوية بين السرعة وعدد المعلمات. فعلى سبيل المثال، يعمل إصدار YOLOv10-S خلال 2.49 ms على وحدة GPU من نوع T4 باستخدام TensorRT، ما يجعله مناسبًا جدًا لـتحليلات الفيديو عالية السرعة والملاحة الآنية للروبوتات.

نقاط الضعف#

على الرغم من أن التصميم الخالي من NMS مثّل تقدمًا مهمًا في اكتشاف مربعات الإحاطة، فإن YOLOv10 كاشف أجسام فحسب. ويفتقر إلى تعدد الاستخدامات الجاهز للاستخدام الذي توفره النماذج الأحدث، والتي تدعم أصليًا تجزئة الكائنات أو تقدير الوضعيات.

تصدير YOLOv10

عند إعداد YOLOv10 للإنتاج، صدّر النموذج إلى تنسيقات محسّنة مثل TensorRT أو ONNX، واستخدم nms=False لاختيار الرأس أحادي المطابقة الخالي من NMS. وقد يؤدي تشغيل أوزان PyTorch الخام في بيئة النشر إلى استدلال أبطأ من المتوقع بسبب عمليات المخطط غير المحسّنة.

YOLOv9: معلومات التدرج القابلة للبرمجة#

قبل YOLOv10، قدم YOLOv9 مفاهيم معمارية جديدة لمعالجة مشكلة عنق زجاجة المعلومات المتأصلة في الشبكات العصبية العميقة، ما أتاح استخدامًا بالغ الكفاءة للمعلمات.

التفاصيل التقنية والتسلسل:

تعرّف على المزيد عن YOLOv9

البنية ومواطن القوة#

يقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات الفعالة المعممة (GELAN). وتضمن PGI عدم فقدان معلومات الأهداف الأساسية عند مرور البيانات عبر الطبقات العميقة للشبكة، ما ينتج تدرجات موثوقة لتحديث الأوزان. أما GELAN فتعظّم كفاءة معلمات الشبكة. وتتيح هذه الابتكارات مجتمعةً لـ YOLOv9 تحقيق متوسط دقة مرتفع (mAP) على مجموعة بيانات MS COCO، وغالبًا ما يتفوق على النماذج الأثقل مع استخدام عدد أقل من FLOPs. وهو نموذج قوي للباحثين الذين يركزون على تعظيم مقاييس الدقة.

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، قد تؤدي التصفية النهائية لمربعات الإحاطة إلى تفاوت في زمن الاستجابة بحسب كثافة الأجسام في المشهد. إضافةً إلى ذلك، قد تستهلك عملية تدريبه قدرًا كبيرًا من الذاكرة مقارنةً بالنماذج الأحدث، مما يتطلب موارد GPU أقوى لإجراء الضبط الدقيق على مجموعة بيانات مخصصة.

مقارنة الأداء#

يوضح الجدول أدناه المقاييس الأساسية لكلا النموذجين. لاحظ كيف يحقق YOLOv10 عادةً زمن استجابة أقل باستخدام TensorRT، بينما يدفع YOLOv9 حدود الدقة إلى مستويات أعلى في أكبر تكويناته.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

رغم أن YOLOv9 وYOLOv10 محطتان مهمتان، فإن مجال تعلّم الآلة يتطور بسرعة. وفي بيئات الإنتاج، يعتمد كثير من المطورين على منظومة Ultralytics Platform المتكاملة والخاضعة للصيانة الجيدة. واعتبارًا من عام 2026، توصي Ultralytics بـ YOLO26 للأبحاث والمؤسسات على حد سواء.

يبني YOLO26 على مفاهيم إصداراته السابقة، ويوفر تجربة استخدام مبسطة وواجهة API سهلة ومتطلبات ذاكرة أقل أثناء التدريب مقارنةً بالبنى القائمة على Transformer.

أبرز الابتكارات في YOLO26#

  • تصميم شامل خالٍ من NMS: استنادًا إلى YOLOv10، يدعم YOLO26 استدلالًا شاملًا اختياريًا، ويتجاوز المعالجة اللاحقة باستخدام NMS عبر nms=False لتبسيط النشر وجعل زمن الاستجابة أكثر قابلية للتنبؤ.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n أسرع بنسبة تصل إلى 43% من YOLO11n على CPU، ما يجعل YOLO26 ملائمًا لـالذكاء الاصطناعي الطرفي والأنظمة المضمّنة التي لا تتضمن وحدات GPU مخصصة.
  • محسّن MuSGD: مزيج من SGD وMuon (مستوحى من تحسينات نماذج اللغة الكبيرة) يوفر تدريبًا مستقرًا وتقاربًا سريعًا.
  • إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية، يبسط YOLO26 عملية تصدير النموذج، ويحسن التوافق مع الأجهزة منخفضة الطاقة وأطر عمل النشر الطرفي المختلفة.
  • تحسينات خاصة بالمهام: على خلاف كاشفات المهام الأحادية، يدعم YOLO26 الاكتشاف وتجزئة الكائنات والتجزئة الدلالية وتقدير العمق والتصنيف وتقدير الوضعيات وOBB. ويستخدم دالة خسارة للتجزئة الدلالية لتحسين تجزئة الكائنات، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحسين دقة تقدير الوضعيات، ودالة خسارة متخصصة للزاوية لمعالجة مشكلات حدود OBB (مربعات الإحاطة الموجّهة).
ميزة منظومة Ultralytics

يوفر اختيار نموذج من Ultralytics مثل YOLO11 أو YOLO26 سهولة الاستخدام والتطوير النشط ومجتمعًا واسعًا وتحديثات متكررة تحافظ على توافق نماذجك مع محركات الاستدلال مثل OpenVINO وCoreML.

التطبيق العملي#

يتسم تدريب هذه النماذج ونشرها بالبساطة باستخدام حزمة Python من Ultralytics. ويوضح المثال التالي سير عمل التدريب في Ultralytics، الذي يتولى تلقائيًا جدولة معدل التعلّم وزيادة البيانات.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 الموصى به⁩
model = YOLO("yolo26n.pt")  # ⁨متوافق أيضًا مع 'yolov10n.pt' أو 'yolov9c.pt'⁩

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# ⁨تنفيذ الاستدلال⁩
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# ⁨صدّر إلى ONNX لتبسيط النشر الطرفي⁩
model.export(format="onnx")

حالات الاستخدام والتوصيات#

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

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا لما يلي:

  • الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
  • موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
  • التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

متى تختار YOLOv9#

يوصى بـYOLOv9 في الحالات التالية:

  • أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
  • دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
  • اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.

متى تختار Ultralytics (YOLO26)#

يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

الخلاصة#

يقدم كل من YOLOv9 وYOLOv10 مزايا فريدة. إذ يزيد YOLOv9 كفاءة المعلمات وانسياب التدرج إلى أقصى حد، ويحقق YOLOv9e أعلى دقة في هذه المقارنة. أما YOLOv10 فقد أدخل كشف الصناديق المحيطة الشامل من البداية إلى النهاية إلى عائلة YOLO من دون كلفة زمن الاستجابة المرتبطة بـ NMS.

يستحق التحديث إلى النماذج الأحدث اهتمام المطورين الباحثين عن أفضل توازن بين الأداء وتعدد الاستخدامات وسهولة الاستخدام. وبفضل محسّن MuSGD وProgLoss + STAL لتحسين اكتشاف الأجسام الصغيرة ودعم المهام المتعددة، يُعد YOLO26 الخيار الموصى به لمشروعات الرؤية الحاسوبية في العالم الحقيقي.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.