YOLOv5 مقابل YOLO11#

عند اختيار بنية الرؤية الحاسوبية المناسبة لمشروع جديد، من الضروري فهم تطور النماذج المتطورة. ويبرز الانتقال من البنى الأقدم إلى الأطر الموحدة الحديثة قفزات كبيرة في الكفاءة الخوارزمية وتجربة المطورين على حد سواء. يقدم هذا الدليل مقارنة تقنية متعمقة بين نموذجين بارزين طوّرتهما Ultralytics: YOLOv5 الرائد وYOLO11 المحسّن بدرجة كبيرة.

مقدمة عن النماذج#

يمثل كلا النموذجين محطتين بارزتين في مجال كشف الأجسام الآني، ويقدم كل منهما مزايا مختلفة بحسب بيئة النشر ومتطلبات الأنظمة القديمة.

YOLOv5: حصان العمل في القطاع#

أُطلق YOLOv5 في صيف عام 2020، وسرعان ما أصبح معيارًا في القطاع بفضل تطبيقه الأصلي باستخدام PyTorch، الذي خفّض عوائق بدء التدريب والنشر بدرجة كبيرة. وابتعد عن أطر Darknet المعقدة المكتوبة بلغة C في النماذج السابقة، مقدمًا نهجًا لبناء النماذج بأسلوب Python.

• المؤلف: Glenn Jocher
• الجهة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: ultralytics/yolov5
• الوثائق: وثائق YOLOv5

أرسى YOLOv5 خط أساس قويًا لسهولة الاستخدام، وقدّم منهجيات تدريب فعالة، منها زيادة بيانات الفسيفساء المتقدمة والإسناد التلقائي للمراسي. ولا يزال يحظى بشعبية كبيرة لدى الباحثين الذين يبنون على قاعدة شيفرة موثقة جيدًا ومختبرة على نطاق واسع.

YOLO11: إطار الرؤية الموحد#

استنادًا إلى سنوات من الملاحظات والأبحاث المعمارية، قُدّم YOLO11 ضمن إطار موحد قادر على التعامل أصيلًا مع مهام رؤية متعددة. ولم يقتصر تصميمه على مربعات الإحاطة، بل أُنشئ منذ البداية لتحقيق أقصى قدر من المرونة والكفاءة.

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: ultralytics/ultralytics
• الوثائق: وثائق YOLO11

يوفر YOLO11 تجربة استخدام مبسطة عبر حزمة Python ultralytics، ويضم API بسيطة توحّد كشف الأجسام وتجزئة الكائنات والتصنيف وتقدير الوضعية ومربعات الإحاطة الموجّهة (OBB). ويحقق توازنًا ملائمًا للغاية بين السرعة والدقة، ما يجعله مثاليًا لسيناريوهات النشر المتنوعة في العالم الحقيقي.

مقارنة الأداء والمقاييس#

تكشف المقارنة المباشرة بين النموذجين كيف تتحول التحسينات المعمارية إلى مكاسب ملموسة في الأداء. ويوضح الجدول أدناه متوسط الدقة (mAP) المقاس على مجموعة بيانات COCO، إلى جانب سرعات الاستدلال على CPU وGPU وعدد المعلمات.

تحليل النتائج#

تُبرز المقاييس قفزة واضحة في توازن الأداء الذي يحققه YOLO11. فعلى سبيل المثال، يحقق نموذج YOLO11n (نانو) قيمة mAP تبلغ 39.5% مقارنةً بـ28.0% لـYOLOv5n، أي زيادة قدرها 11.5 نقطة مقابل 0.7 مليون معلمة إضافية فقط. علاوةً على ذلك، يحافظ YOLO11 على متطلبات ذاكرة أقل بكثير أثناء التدريب مقارنة بالنماذج الثقيلة المعتمدة على Transformer، ما يجعله متاحًا بدرجة كبيرة للنشر على الأجهزة الاستهلاكية والأجهزة الطرفية.

الاختلافات المعمارية#

تعود تحسينات الأداء في YOLO11 إلى عدة تطورات معمارية رئيسية. فبينما استخدم YOLOv5 عمودًا فقريًا معياريًا من CSPNet مع وحدات C3، قدّمت نماذج Ultralytics الأحدث كتلًا أكثر كفاءة لاستخراج السمات، مثل C2f (YOLOv8) وC3k2 (YOLO11)، لتحسين تدفق التدرجات وتقليل العبء الحسابي.

يتميز YOLO11 أيضًا برأس محسّن بدرجة كبيرة. وابتعادًا عن التصميم القائم على المراسي في النماذج الأقدم، تعتمد بنيات Ultralytics الأحدث نهجًا خاليًا من المراسي. ويقلل ذلك عدد تنبؤات المربعات، ما يبسط مسار المعالجة اللاحقة ويحسّن قدرة النموذج على التعميم عبر المقاييس ونسب الأبعاد المختلفة. إضافةً إلى ذلك، تتميز هذه النماذج بـكفاءة تدريب أعلى وأوزان مدرّبة مسبقًا متاحة بسهولة، ما يسرّع تقارب مجموعات البيانات المضبوطة دقيقًا.

التنفيذ وأمثلة الشيفرة#

تُعد البساطة إحدى أبرز ميزات منظومة Ultralytics. فبينما عمّم YOLOv5 استخدام torch.hub للاستدلال السريع، يتجاوز YOLO11 ذلك باستخدام حزمة Python الموحدة ultralytics.

التدريب باستخدام YOLO11#

يتطلب تحميل النموذج وتدريبه والتحقق من صحته قدرًا ضئيلًا من الشيفرة التمهيدية. وتتولى API ضبط المعلمات الفائقة وإدارة النماذج بسلاسة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 مدرّب مسبقًا⁩
model = YOLO("yolo11s.pt")

# ⁨درّب على مجموعة بيانات مخصصة لمدة 50 حقبة⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨نفّذ استدلالًا سريعًا واعرض النتائج⁩
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# ⁨صدّر النموذج بسهولة إلى TensorRT لتسريع العتاد⁩
model.export(format="engine")

الاستدلال القديم باستخدام YOLOv5#

إذا كنت تتولى صيانة مسار عمل أقدم، فإن YOLOv5 يتكامل مباشرةً مع آلية التحميل الأصلية في PyTorch، ما يجعل إدراجه في نصوص الاستدلال الحالية أمرًا يسيرًا.

import torch

# ⁨حمّل نموذج YOLOv5 مخصصًا أو مدرّبًا مسبقًا من PyTorch Hub⁩
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# ⁨نفّذ الاستدلال على عنوان URL لصورة⁩
results = model("https://ultralytics.com/images/zidane.jpg")

# ⁨اطبع تفاصيل التنبؤ في وحدة التحكم⁩
results.print()

حالات الاستخدام المثالية#

يعتمد الاختيار بين هذين النموذجين إلى حد كبير على مرحلة دورة حياة مشروعك ومتطلباته المحددة.

متى تختار YOLOv5#

• صيانة قواعد الشيفرة القديمة: إذا كانت بيئة الإنتاج لديك مخصصة بدرجة كبيرة حول بنية مستودع YOLOv5 أو تقنيات تطور المعلمات الفائقة المحددة.
• خطوط الأساس الأكاديمية: عند نشر أبحاث تتطلب إجراء مقارنة معيارية مباشرة مع معايير الرؤية الحاسوبية الراسخة للفترة 2020-2022.

متى تختار YOLO11#

• مشاريع متعددة المهام: عندما يتطلب تطبيقك مزيجًا من المهام، مثل تقدير الوضعية وتجزئة الكائنات، باستخدام API واحدة موحدة.
• عمليات النشر الطرفية: في سيناريوهات الحوسبة الطرفية التي يكون فيها تحقيق أقصى mAP ضمن ميزانية حسابية محددة (FLOPs) أمرًا بالغ الأهمية.
• حلول الذكاء الاصطناعي التجارية: مثالية لتطبيقات المؤسسات في قطاعي التجزئة والأمن، مع الاستفادة من الدعم المتين الذي توفره منصة Ultralytics.

الجيل التالي: Ultralytics YOLO26#

على الرغم من أن YOLO11 يحقق توازنًا رائعًا بين السرعة والدقة، فإن مجال الذكاء الاصطناعي يتطور بسرعة. ونوصي بشدة المطورين الذين يبدؤون مشاريع جديدة اليوم باستكشاف أحدث معيار في الذكاء الاصطناعي البصري: Ultralytics YOLO26.

أُطلق YOLO26 في يناير 2026، ويقدّم تطورات تُحدث تحولًا نوعيًا، وقد صُمم خصيصًا لتلبية احتياجات النشر الحديثة:

• تصميم شامل من البداية إلى النهاية دون NMS: استنادًا إلى المفاهيم التي ابتكرها YOLOv10 أولًا، يعمل YOLO26 أصيلًا من البداية إلى النهاية. ويلغي رأسه الاختياري أحادي المطابقة (nms=False) الحاجة إلى المعالجة اللاحقة بكبت غير الأعظميات (NMS)، ما يبسّط مسارات النشر بدرجة كبيرة ويقلل زمن الاستجابة.
• محسّن MuSGD: استلهامًا من ابتكارات تدريب نماذج اللغة الكبيرة في نماذج مثل Kimi K2 من Moonshot AI، يضمن هذا المزيج من SGD وMuon تدريبًا مستقرًا للغاية وتقاربًا أسرع بدرجة كبيرة.
• سرعة CPU غير مسبوقة: بإزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، ما يجعله الخيار الأمثل للأجهزة الطرفية والبيئات التي لا تتوفر فيها وحدات GPU مخصصة.
• دوال خسارة متقدمة: يؤدي دمج ProgLoss وSTAL إلى تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتحليلات الطائرات المسيّرة وإنترنت الأشياء والروبوتات.
• تحسينات خاصة بالمهام: يقدّم النموذج تحسينات متخصصة، مثل تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) للوضعيات وخسارة الزاوية المتخصصة لـمربعات الإحاطة الموجّهة، ما يضمن أداءً متفوقًا في جميع مهام الرؤية الحاسوبية.

للمستخدمين المهتمين ببنى متخصصة تتجاوز كشف الأجسام القياسي، يمكن أيضًا استكشاف نماذج مثل RT-DETR للكشف المعتمد على Transformer، أو YOLO-World للتتبع والكشف ذوي المفردات المفتوحة. ويضمن اعتماد هذه الأدوات المحسّنة جيدًا والتي تحظى بصيانة جيدة بقاء مسارات عمل الرؤية الحاسوبية فعالة وقابلة للتوسع ومتقدمة على غيرها.