Ultralytics YOLO27:
Get Started

YOLOv10 مقابل YOLOv9#

اتسم تطور الرؤية الحاسوبية في الوقت الفعلي باختراقات متواصلة في السرعة والدقة والكفاءة المعمارية. وعند تقييم الحلول الحديثة لنشر مشروعك المقبل، تقدم مقارنة YOLOv10 وYOLOv9 نظرة لافتة على نهجين مختلفين لمعالجة اختناقات التعلم العميق. ففي حين يركز YOLOv9 على تعظيم تدفق معلومات التدرج أثناء التدريب، يقدم YOLOv10 تصميمًا شاملًا أصيلًا يلغي تمامًا عقبات المعالجة اللاحقة التقليدية.

يحلل هذا الدليل الشامل ابتكاراتهما المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدة المطورين والباحثين على اختيار النموذج الأنسب لمهام الرؤية الحاسوبية المحددة لديهم.

YOLOv10: رائد الاكتشاف الشامل الخالي من NMS#

طُوّر YOLOv10 لمعالجة اختناقات زمن الاستجابة في كاشفات الكائنات التقليدية، ويقدم بنية شاملة ثورية تلغي بطبيعتها الحاجة إلى كبح غير الأعظم (NMS).

التفاصيل التقنية والتسلسل:

تعرّف على المزيد حول YOLOv10

البنية ومواطن القوة#

تتمثل أبرز مساهمة لـ YOLOv10 في هذا المجال في استراتيجية الإسناد المزدوج المتسقة للتدريب دون NMS. وبإلغاء NMS، يخفض النموذج زمن الاستدلال بدرجة كبيرة، ولا سيما على الأجهزة الطرفية حيث قد تشكل المعالجة اللاحقة عنق زجاجة في خط المعالجة بأكمله. كما يُحسّن مكونات مختلفة من منظورَي الكفاءة والدقة، ما ينتج عنه نموذج يتميز بـمفاضلة ملحوظة بين السرعة وعدد المعلمات. فعلى سبيل المثال، يتسم متغير YOLOv10-S بسرعة فائقة، ما يجعله مناسبًا للغاية لتحليلات الفيديو عالية السرعة والملاحة الروبوتية في الزمن الحقيقي.

نقاط الضعف#

على الرغم من أن التصميم الخالي من NMS يمثل إنجازًا رائدًا في اكتشاف مربعات الإحاطة، فإن YOLOv10 محسّن أساسًا ليكون كاشف كائنات خالصًا. ويفتقر إلى تعدد الاستخدامات الجاهز للاستخدام في المنظومات الأحدث التي تدعم بطبيعتها تقسيم المثيلات أو تقدير الوضعية.

تصدير YOLOv10

عند تجهيز YOLOv10 للإنتاج، احرص دائمًا على تصدير النموذج إلى تنسيقات محسّنة مثل TensorRT أو ONNX. وقد يؤدي تشغيل أوزان PyTorch الخام أثناء 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 الهدف المهمة أثناء مرور البيانات عبر الطبقات العميقة للشبكة، ما يولد تدرجات موثوقة لتحديث الأوزان. أما GELAN فتعظم كفاءة معلمات الشبكة. وتتيح هذه الابتكارات مجتمعةً لـ YOLOv9 تحقيق متوسط دقة مرتفع للغاية (mAP) 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، قد تؤدي التصفية النهائية لمربعات الإحاطة إلى تفاوت في زمن الاستجابة بحسب كثافة الكائنات في المشهد. بالإضافة إلى ذلك، قد تكون عملية تدريبه كثيفة الاستهلاك للذاكرة مقارنةً بالنماذج اللاحقة، ما يستلزم موارد GPU أقوى لإجراء الضبط الدقيق باستخدام 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)		mAPالتحقق
50-95		السرعة
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

الجيل التالي: لماذا يُعد YOLO26 التوصية الأمثل#

على الرغم من أن YOLOv9 وYOLOv10 إنجازان بارزان، فإن مجال التعلم الآلي يتطور بسرعة. وفي بيئات الإنتاج الحديثة، يعتمد المطورون بشكل متزايد على منظومة منصة Ultralytics المتكاملة والتي تحظى بصيانة جيدة. واعتبارًا من عام 2026، فإن التوصية الواضحة للبحث والاستخدام المؤسسي على حد سواء هي YOLO26، الذي صدر حديثًا.

يرتقي YOLO26 بالمفاهيم الأساسية التي أرستها إصداراته السابقة من خلال تجربة استخدام مبسطة وواجهة API سهلة ومتطلبات ذاكرة أقل بكثير أثناء التدريب مقارنةً بالبنى الضخمة القائمة على Transformer.

أبرز الابتكارات في YOLO26#

  • تصميم شامل خالٍ من NMS: استنادًا إلى إنجازات YOLOv10، يدعم YOLO26 الاستدلال الشامل الأصيل، متجاوزًا المعالجة اللاحقة باستخدام NMS عبر nms=False لتبسيط النشر وتوفير خصائص زمن استجابة حتمية بدرجة عالية.
  • استدلال أسرع على CPU بنسبة تصل إلى 43%: محسّن للعمل مع الذكاء الاصطناعي الطرفي مباشرةً، ما يجعله الخيار المثالي للأنظمة المضمنة التي لا تحتوي على وحدات GPU مخصصة.
  • محسّن MuSGD: مزيج هجين رائد من SGD وMuon، مستوحى من تحسينات نماذج اللغة الكبيرة، ويضمن استقرار عمليات التدريب وسرعة تقارب فائقة.
  • إزالة DFL: بإزالة خسارة البؤرة التوزيعية، يبسط YOLO26 عملية تصدير النموذج، ويعزز بدرجة كبيرة التوافق مع الأجهزة منخفضة الطاقة وأطر عمل النشر الطرفي المتنوعة.
  • تحسينات مخصصة للمهام: بخلاف كاشفات المهام المتخصصة أحادية الغرض، يُعد YOLO26 نموذجًا متعدد الاستخدامات وعالي القدرة. فهو يستخدم خسارة التقسيم الدلالي لتحسين الدقة على مستوى البكسل، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية بدقة تامة، وخسارة زاوية متخصصة لمعالجة مشكلات حدود OBB (مربع الإحاطة الموجّه).
ميزة منظومة Ultralytics

يوفر اختيار نموذج من Ultralytics مثل YOLO11 أو YOLO26 سهولة استخدام لا مثيل لها. وستستفيد من التطوير النشط والمجتمع المزدهر والتحديثات المتكررة التي تضمن توافق نماذجك مع أحدث محركات الاستدلال مثل OpenVINO وCoreML.

التطبيق العملي#

من السهل تدريب هذه النماذج ونشرها باستخدام SDK الخاص بـ Python. يوضح المثال التالي كيفية الاستفادة من عمليات التدريب عالية الكفاءة في منظومة Ultralytics، التي تتولى تلقائيًا جدولة المعلمات الفائقة والتخصيص الأمثل للذاكرة.

from ultralytics import YOLO

# ⁨حمّل النموذج الموصى به والمتطور تقنيًا⁩
model = YOLO("yolo26n.pt")  # ⁨متوافق أيضًا مع 'yolov10n.pt' أو 'yolov9c.pt'⁩

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

# ⁨نفّذ استدلالًا فائق السرعة⁩
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)#

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

  • 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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

الخلاصة#

يقدم كل من YOLOv9 وYOLOv10 مزايا فريدة. ويجسد YOLOv9 إمكانات تعظيم كفاءة معلمات الشبكة والتدفق النظري للتدرجات، ما يفضي إلى دقة من الطراز الأول. أما YOLOv10 فيمثل الرائد الأكاديمي لاكتشاف مربعات الإحاطة الشامل دون كلفة زمن الاستجابة المرتبطة بـ NMS.

ومع ذلك، فإن الترقية إلى أحدث النماذج أمر بالغ الأهمية للمطورين الساعين إلى تحقيق التوازن المثالي بين الأداء وتعدد الاستخدامات وسهولة الاستخدام. وبفضل محسّن MuSGD المتقدم، ووظائف ProgLoss + STAL لتحسين اكتشاف الكائنات الصغيرة، والدعم الشامل للمهام المتعددة، يمثل YOLO26 الحل المتطور الأمثل لأي تحدٍ واقعي في الرؤية الحاسوبية.

المساهمون
GLglenn-jocher18

التعليقات