Link to this sectionمقارنة بين YOLOv5 وYOLO11#

عند اختيار بنية الرؤية الحاسوبية المناسبة لمشروع جديد، يعد فهم تطور النماذج المتطورة أمراً بالغ الأهمية. فالتدرج من البنى المبكرة إلى الأطر الموحدة الحديثة يسلط الضوء على قفزات كبيرة في كل من كفاءة الخوارزميات وتجربة المطورين. يقدم هذا الدليل مقارنة تقنية متعمقة بين نموذجين بارزين طورتهما Ultralytics: نموذج YOLOv5 الرائد ونموذج YOLO11 عالي الدقة.

Link to this sectionمقدمة عن النماذج#

تمثل كلتا هاتين البنيتين معالم مهمة في مجال اكتشاف الكائنات في الوقت الفعلي، حيث تقدمان مزايا متميزة اعتماداً على بيئة النشر ومتطلبات النظام القديم لديك.

Link to this sectionYOLOv5: حصان العمل في الصناعة#

بعد إصداره في صيف عام 2020، سرعان ما أصبح YOLOv5 معياراً صناعياً بفضل تنفيذه الأصلي في PyTorch، مما أدى إلى خفض عتبة الدخول للتدريب والنشر بشكل كبير. لقد ابتعد عن أطر عمل Darknet C المعقدة لأسلافه، مقدماً نهجاً برمجياً بلغة Python لبناء النماذج.

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: ultralytics/yolov5
• التوثيق: توثيق YOLOv5

وضع YOLOv5 أساساً قوياً لسهولة الاستخدام وقدم منهجيات تدريب قوية، بما في ذلك زيادة بيانات الموزاييك المتقدمة والإرساء التلقائي (auto-anchoring). ولا يزال يتمتع بشعبية كبيرة بين الباحثين الذين يبنون على قاعدة تعليمات برمجية موثقة جيداً ومختبرة بكثافة.

اعرف المزيد عن YOLOv5

Link to this sectionYOLO11: إطار عمل الرؤية الموحد#

بناءً على سنوات من التعليقات والبحوث المعمارية، تم تقديم YOLO11 كجزء من إطار عمل موحد قادر على التعامل مع مهام رؤية متعددة بشكل أصلي. وبالتجاوز عن مجرد صناديق الإحاطة، فقد صُمم من الألف إلى الياء لتحقيق أقصى قدر من التنوع والكفاءة.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: ultralytics/ultralytics
• المستندات: توثيق YOLO11

يوفر YOLO11 تجربة مستخدم مبسطة من خلال حزمة ultralytics بلغة Python، ويتميز بواجهة برمجة تطبيقات (API) بسيطة توحد بين اكتشاف الكائنات وتجزئة المثيل والتصنيف وتقدير الوضعية وصناديق الإحاطة الموجهة (OBB). وهو يحقق توازناً إيجابياً للغاية بين السرعة والدقة، مما يجعله مثالياً لسيناريوهات النشر المتنوعة في العالم الحقيقي.

تعرف على المزيد حول YOLO11

Link to this sectionمقارنة الأداء والمقاييس#

A direct comparison of these models reveals how architectural refinements translate to tangible performance gains. The table below illustrates the mean Average Precision (mAP) evaluated on the COCO dataset, alongside CPU and GPU inference speeds and parameter counts.

Link to this sectionتحليل النتائج#

تسلط المقاييس الضوء على قفزة واضحة في توازن الأداء الذي حققه YOLO11. على سبيل المثال، يحقق نموذج YOLO11n (نانو) دقة mAP تبلغ 39.5% مقارنة بـ 28.0% لنموذج YOLOv5n، مع تقليل وقت الاستدلال على وحدة المعالجة المركزية في نفس الوقت عند التصدير عبر ONNX. علاوة على ذلك، يحافظ YOLO11 على متطلبات ذاكرة أقل بشكل ملحوظ أثناء التدريب مقارنة بالنماذج الثقيلة القائمة على المحولات (Transformer)، مما يجعله متاحاً للغاية للنشر على أجهزة المستهلكين وأجهزة الحافة.

Link to this sectionالاختلافات المعمارية#

تنبع تحسينات الأداء في YOLO11 من العديد من التطورات المعمارية الرئيسية. في حين استخدم YOLOv5 بنية CSPNet قياسية مع وحدات C3، قدم YOLO11 كتل استخراج ميزات أكثر كفاءة مثل C2f ولاحقاً C3k2، والتي تعمل على تحسين تدفق التدرج وتقليل العبء الحسابي.

يتميز YOLO11 أيضاً برأس معاد تصميمه بشكل كبير. بالابتعاد عن التصميم المعتمد على المرساة (anchor-based) للنماذج القديمة، تتبنى بنيات Ultralytics الأحدث نهجاً خالياً من المراسي (anchor-free). وهذا يقلل من عدد تنبؤات الصناديق، مما يبسط خط أنابيب المعالجة اللاحقة ويحسن قدرة النموذج على التعميم عبر المقاييس ونسب العرض إلى الارتفاع المختلفة. بالإضافة إلى ذلك، تتميز هذه النماذج بـ كفاءة تدريب فائقة وأوزان مدربة مسبقاً متاحة بسهولة تسرع من تقارب مجموعات البيانات التي تم ضبطها بدقة.

Link to this sectionالتنفيذ وأمثلة التعليمات البرمجية#

إحدى السمات البارزة لنظام Ultralytics البيئي هي بساطته. في حين نشر YOLOv5 استخدام torch.hub للاستدلال السريع، يخطو YOLO11 خطوة أبعد مع حزمة ultralytics الموحدة بلغة Python.

Link to this sectionالتدريب باستخدام YOLO11#

يتطلب تحميل النموذج وتدريبه والتحقق منه حداً أدنى من الكود المكرر (boilerplate code). تتعامل واجهة برمجة التطبيقات (API) مع ضبط المعلمات الفائقة وإدارة النماذج بسلاسة.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")

# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")

Link to this sectionالاستدلال القديم باستخدام YOLOv5#

إذا كنت تحافظ على خط أنابيب أقدم، فإن YOLOv5 يتكامل مباشرة مع آلية التحميل الأصلية لـ PyTorch، مما يجعل من السهل دمجه في نصوص الاستدلال الحالية.

import torch

# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")

# Print prediction details to the console
results.print()

Link to this sectionحالات الاستخدام المثالية#

يعتمد الاختيار بين هذه النماذج بشكل كبير على مرحلة دورة حياة مشروعك ومتطلباته المحددة.

Link to this sectionمتى تختار YOLOv5#

• الحفاظ على قواعد التعليمات البرمجية القديمة: إذا كانت بيئة الإنتاج الخاصة بك مخصصة بشكل كبير حول بنية مستودع YOLOv5 أو تقنيات محددة لـ تطور المعلمات الفائقة.
• أساسيات البحث الأكاديمي: عند نشر الأبحاث التي تتطلب قياساً مباشراً للأداء مقابل معايير الرؤية الحاسوبية الراسخة للفترة 2020-2022.

Link to this sectionمتى تختار YOLO11#

• المشاريع متعددة المهام: عندما يتطلب تطبيقك مزيجاً من المهام مثل تقدير الوضعية وتجزئة المثيل باستخدام واجهة برمجة تطبيقات واحدة وموحدة.
• نشر الحافة: لسيناريوهات حوسبة الحافة حيث يعد استخراج أقصى قدر من mAP لميزانية حسابية معينة (FLOPs) أمراً بالغ الأهمية.
• حلول الذكاء الاصطناعي التجارية: مثالية لتطبيقات المؤسسات في البيع بالتجزئة والأمن، مع الاستفادة من الدعم القوي لـ منصة Ultralytics.

Link to this sectionالجيل القادم: Ultralytics YOLO26#

بينما يمثل YOLO11 توازناً رائعاً بين السرعة والدقة، فإن مجال الذكاء الاصطناعي يتطور بسرعة. بالنسبة للمطورين الذين يبدأون مشاريع جديدة اليوم، نوصي بشدة باستكشاف المعيار الأحدث في رؤية الذكاء الاصطناعي: Ultralytics YOLO26.

بعد إصداره في يناير 2026، يقدم YOLO26 تطورات تغير النموذج المصممة خصيصاً لاحتياجات النشر الحديثة:

• تصميم شامل (End-to-End) خالٍ من NMS: بناءً على المفاهيم التي تم ريادتها لأول مرة في YOLOv10، فإن YOLO26 شامل أصلاً. إنه يلغي الحاجة إلى المعالجة اللاحقة لقمع الحد الأقصى غير (NMS)، مما يبسط خطوط أنابيب النشر بشكل كبير ويقلل من زمن الوصول.
• مُحسِّن MuSGD: مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) من نماذج مثل Kimi K2 من Moonshot AI، يضمن هذا الهجين من SGD وMuon تدريباً مستقراً بشكل لا يصدق وتقارباً أسرع بكثير.
• سرعة وحدة المعالجة المركزية (CPU) غير مسبوقة: من خلال إزالة فقدان التنسيق التوزيعي (DFL)، يحقق YOLO26 استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية، مما يجعله الخيار الأفضل على الإطلاق لأجهزة الحافة والبيئات التي لا تحتوي على وحدات معالجة رسومات مخصصة.
• وظائف خسارة متقدمة: يؤدي دمج ProgLoss وSTAL إلى تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لتحليلات الطائرات بدون طيار، وإنترنت الأشياء (IoT)، والروبوتات.
• تحسينات خاصة بالمهام: يقدم تحسينات متخصصة، مثل تقدير احتمالية السجل المتبقي (RLE) للوضعية وخسارة الزاوية المتخصصة لـ صناديق الإحاطة الموجهة، مما يضمن أداءً فائقاً عبر جميع مهام الرؤية الحاسوبية.

تعرف على المزيد حول YOLO26

بالنسبة للمستخدمين المهتمين بالبنى المتخصصة بخلاف اكتشاف الكائنات القياسي، قد ترغب أيضاً في استكشاف نماذج مثل RT-DETR للاكتشاف القائم على المحولات، أو YOLO-World للتتبع والاكتشاف ذي المفردات المفتوحة. إن تبني هذه الأدوات المدارة جيداً والمحسنة للغاية يضمن بقاء خطوط أنابيب الرؤية الحاسوبية الخاصة بك فعالة وقابلة للتطوير ومواكبة للتطورات.