ابدأ

YOLOv5 مقابل YOLO11

عند اختيار بنية الرؤية الحاسوبية المناسبة لمشروع جديد، من المهم فهم كيفية تطور النماذج المتقدمة. ويسلط الانتقال من البنى الأقدم إلى أطر العمل الحديثة الموحّدة الضوء على قفزات كبيرة في الكفاءة الخوارزمية وتجربة المطورين معًا. يقدم هذا الدليل مقارنة تقنية بين نموذجين واسعَي الاستخدام طورتهما Ultralytics: YOLOv5 وخلفه YOLO11.

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#

صدر YOLOv5 في صيف 2020، وسرعان ما أصبح معيارًا في القطاع بفضل تطبيقه الأصلي باستخدام PyTorch، الذي خفّض عتبة البدء بالتدريب والنشر. وابتعد عن أطر عمل C المعقدة في Darknet التي استخدمتها إصداراته السابقة، مقدمًا نهجًا لبناء النماذج بأسلوب Python.

أرسى YOLOv5 خط أساس قويًا لسهولة الاستخدام وقدم منهجيات تدريب فعّالة، من بينها زيادة البيانات باستخدام Mosaic والضبط التلقائي للمراسي. ولا يزال شائعًا بين الباحثين الذين يطوّرون حلولًا استنادًا إلى قاعدة شيفرة موثّقة جيدًا وخضعت لاختبارات مكثفة.

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.

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.

منصة متكاملة

يستفيد كلا النموذجين من المنظومة التي تحظى بصيانة جيدة وتوفرها منصة Ultralytics. وتبسّط هذه البيئة المتكاملة التعليق التوضيحي على مجموعات البيانات والتدريب السحابي وتصدير النماذج إلى أهداف عتادية مختلفة.

مقارنة الأداء والمقاييس#

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

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

تحليل النتائج#

تُظهر المقاييس تحسنًا واضحًا في توازن الأداء الذي يحققه YOLO11. فعلى سبيل المثال، يحقق نموذج YOLO11n (nano) درجة mAP تبلغ 39.5% مقارنةً بـ 28.0% لـ YOLOv5n، أي مكسبًا قدره 11.5 نقطة باستخدام 0.7M معلمة إضافية فقط. كما يحافظ YOLO11 على احتياجات ذاكرة أقل أثناء التدريب مقارنةً بالنماذج القائمة على Transformer، ما يجعله عمليًا للتدريب على الأجهزة الاستهلاكية والنشر على الأجهزة 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 خضع لتحسينات كبيرة. فبدلًا من التصميم القائم على المراسي في النماذج الأقدم، تعتمد بنيات Ultralytics الأحدث نهجًا خاليًا من المراسي. يقلل ذلك عدد تنبؤات المربعات، ويبسط مسار المعالجة اللاحقة، ويحسّن قدرة النموذج على التعميم عبر المقاييس ونسب الأبعاد المختلفة. وإضافةً إلى ذلك، توفر هذه النماذج كفاءة تدريب أفضل وأوزانًا مدرّبة مسبقًا جاهزة للاستخدام تسرّع التقارب عند الضبط الدقيق على مجموعات بيانات مخصصة.

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 النمطية. وتوفر واجهة API إعدادات افتراضية مناسبة للتدريب، وتتولى تلقائيًا إدارة نقاط التحقق والتسجيل.

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 تصون مسار عمل أقدم، يتكامل YOLOv5 مباشرةً مع آلية التحميل الأصلية في PyTorch، ما يسهل إدراجه في نصوص الاستدلال الحالية.

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()
مرونة النشر

يدعم كلا النموذجين العديد من تنسيقات التصدير. سواء كنت تستهدف NVIDIA Jetson باستخدام TensorRT، أو تطبيق iOS باستخدام CoreML، فإن عملية النشر موثقة ومدعومة من المجتمع توثيقًا جيدًا.

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 البيع بالتجزئة والأمن، مع دعم من منصة Ultralytics.

الجيل التالي: Ultralytics YOLO26#

مع أن YOLO11 يحقق توازنًا قويًا بين السرعة والدقة، يتطور هذا المجال بسرعة. وبالنسبة إلى المطورين الذين يبدؤون مشروعات جديدة اليوم، توصي Ultralytics بأحدث نماذجها: Ultralytics YOLO26.

صدر YOLO26 في يناير 2026، ويقدم عدة تطورات مصممة لتلبية احتياجات النشر الحديثة:

  • تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يدعم YOLO26 الاستدلال الشامل الأصلي. ويلغي رأسه الاختياري أحادي المطابقة (nms=False) الحاجة إلى معالجة كبح الصناديق المحددة غير القصوى (NMS) اللاحقة، ما يبسط مسارات النشر ويقلل زمن الاستجابة.
  • محسّن MuSGD: استلهامًا من ابتكارات تدريب نماذج مثل Kimi K2 من Moonshot AI، يوفر هذا المزيج من SGD وMuon تدريبًا أكثر استقرارًا وتقاربًا أسرع.
  • استدلال أسرع على CPU: بعد إزالة Distribution Focal Loss (DFL)، يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، ما يجعل YOLO26 مناسبًا تمامًا للأجهزة الطرفية والبيئات التي لا تتوفر فيها وحدات GPU مخصصة.
  • أساليب تدريب متقدمة: يحقق دمج ProgLoss وSTAL تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتحليلات الطائرات المسيّرة وإنترنت الأشياء والروبوتات.
  • تحسينات مخصصة للمهام: يقدم النموذج تحسينات متخصصة، مثل تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) للوضعية ودالة خسارة زاوية متخصصة لـمربعات الإحاطة الموجّهة، ما يحسّن الدقة عبر المهام المدعومة.

للمهتمين بنماذج معمارية متخصصة تتجاوز الكشف المعتاد عن الأجسام، يمكنكم أيضًا استكشاف نماذج مثل RT-DETR للكشف القائم على Transformer، أو YOLO-World للتتبع والكشف باستخدام مفردات مفتوحة. وتساعد هذه الأدوات، جيدة الصيانة، في الحفاظ على كفاءة مسارات عمل الرؤية الحاسوبية وقابليتها للتوسع.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.