YOLOv5 مقابل YOLO11#

عند اختيار بنية الرؤية الحاسوبية المناسبة لمشروع جديد، من الضروري فهم تطور النماذج المتقدمة. يسلّط الانتقال من البنى السابقة إلى الأطر الحديثة الموحّدة الضوء على قفزات كبيرة في كلٍّ من الكفاءة الخوارزمية وتجربة المطوّر. يقدّم هذا الدليل مقارنة تقنية متعمقة بين نموذجين بارزين طوّرتهما Ultralytics: YOLOv5 الرائد وYOLO11 عالي التطوير.

مقدمة إلى النماذج#

تمثل كلتا البنيتين محطتين بارزتين في مجال اكتشاف الأجسام في الوقت الفعلي، وتقدمان مزايا متميزة وفقًا لبيئة النشر ومتطلبات الأنظمة القديمة لديك.

YOLOv5: أداة العمل الأساسية في المجال#

أُطلق YOLOv5 في صيف عام 2020، وسرعان ما أصبح معيارًا في المجال بفضل تطبيقه الأصلي باستخدام PyTorch، مما خفّض بشكل كبير عتبة البدء بالتدريب والنشر. وقد ابتعد عن أطر Darknet C المعقدة التي استخدمتها النماذج السابقة، وقدم نهجًا بأسلوب Python لبناء النماذج.

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

أرسى YOLOv5 أساسًا قويًا لسهولة الاستخدام، وقدم منهجيات تدريب فعّالة، شملت تعزيز البيانات المتقدم باستخدام الفسيفساء والضبط التلقائي للمراسي. ولا يزال يحظى بشعبية كبيرة بين الباحثين الذين يبنون على قاعدة شيفرة موثقة جيدًا ومختبرة على نطاق واسع.

YOLO11: إطار الرؤية الموحّد#

استنادًا إلى سنوات من الملاحظات والبحوث المعمارية، قُدّم YOLO11 بوصفه جزءًا من إطار موحّد قادر على التعامل مع مهام رؤية متعددة بشكل أصلي. وصُمّم منذ البداية لتوفير أقصى قدر من التعددية والكفاءة، متجاوزًا نطاق المربعات المحيطة وحده.

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

يوفّر YOLO11 تجربة مستخدم مبسطة من خلال حزمة Python المسماة ultralytics، مع API بسيطة توحّد بين اكتشاف الأجسام، وتقسيم المثيلات، والتصنيف، وتقدير الوضعية، والمربعات المحيطة الموجّهة (OBB). ويحقق مفاضلة مواتية للغاية بين السرعة والدقة، مما يجعله مناسبًا لسيناريوهات النشر المتنوعة في العالم الحقيقي.

مقارنة الأداء والمقاييس#

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

تحليل النتائج#

تُبرز المقاييس قفزة واضحة في توازن الأداء الذي حققه YOLO11. فعلى سبيل المثال، يحقق نموذج YOLO11n (نانو) قيمة mAP تبلغ 39.5% مقارنةً بـ 28.0% لنموذج YOLOv5n، مع تقليل زمن الاستدلال على CPU في الوقت نفسه عند التصدير عبر ONNX. علاوة على ذلك، يحافظ YOLO11 على متطلبات ذاكرة أقل بكثير أثناء التدريب مقارنةً بالنماذج الثقيلة القائمة على Transformer، مما يجعله سهل الإتاحة للنشر على الأجهزة الاستهلاكية والأجهزة الطرفية.

الاختلافات المعمارية#

ترجع تحسينات الأداء في YOLO11 إلى عدة تطورات معمارية رئيسية. ففي حين استخدم YOLOv5 بنية CSPNet أساسية قياسية مع وحدات C3، قدّم YOLO11 كتلًا أكثر كفاءة لاستخراج السمات، مثل C2f ولاحقًا C3k2، تعمل على تحسين تدفق التدرجات وتقليل الحمل الحسابي.

يتميز YOLO11 أيضًا برأس محسّن بدرجة كبيرة. فبدلًا من التصميم القائم على المراسي في النماذج الأقدم، تعتمد البنى الأحدث من Ultralytics نهجًا خاليًا من المراسي. ويقلل ذلك عدد تنبؤات المربعات، مما يبسّط خط أنابيب المعالجة اللاحقة ويحسّن قدرة النموذج على التعميم عبر المقاييس ونِسَب العرض إلى الارتفاع المختلفة. بالإضافة إلى ذلك، تتميز هذه النماذج بـكفاءة تدريب أعلى وأوزان مُدرّبة مسبقًا متاحة بسهولة، تسرّع تقارب مجموعات البيانات التي خضعت للضبط الدقيق.

التنفيذ وأمثلة الشيفرة#

تُعد البساطة إحدى أبرز ميزات منظومة Ultralytics. فبينما عمّم YOLOv5 استخدام torch.hub للاستدلال السريع، يرتقي YOLO11 بذلك من خلال حزمة Python الموحّدة ultralytics.

التدريب باستخدام YOLO11#

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

الاستدلال على الأنظمة القديمة باستخدام YOLOv5#

إذا كنت تدير خط أنابيب أقدم، فإن YOLOv5 يتكامل مباشرةً مع آلية التحميل الأصلية في PyTorch، مما يجعل إدراجه في نصوص الاستدلال الحالية أمرًا سهلًا للغاية.

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()

حالات الاستخدام المثالية#

يعتمد الاختيار بين هذين النموذجين بدرجة كبيرة على مرحلة دورة حياة مشروعك ومتطلباته المحددة.

متى تختار YOLOv5#

• الحفاظ على قواعد الشيفرة القديمة: إذا كانت بيئة الإنتاج لديك مخصصة بدرجة كبيرة وفق بنية مستودع YOLOv5 أو تقنيات محددة لـتطور المعلمات الفائقة.
• خطوط الأساس الأكاديمية: عند نشر أبحاث تتطلب إجراء قياس معياري مباشر مقابل معايير الرؤية الحاسوبية الراسخة للفترة 2020–2022.

متى تختار YOLO11#

• المشاريع متعددة المهام: عندما يتطلب تطبيقك مزيجًا من المهام، مثل تقدير الوضعية وتقسيم المثيلات، باستخدام API موحّدة واحدة.
• عمليات النشر الطرفية: لسيناريوهات الحوسبة الطرفية التي يكون فيها استخراج أقصى قيمة mAP ضمن ميزانية حسابية محددة (FLOPs) أمرًا بالغ الأهمية.
• حلول الذكاء الاصطناعي التجارية: مثالية لتطبيقات المؤسسات في قطاعَي البيع بالتجزئة والأمن، مع الاستفادة من الدعم المتين الذي توفره منصة Ultralytics.

الجيل التالي: Ultralytics YOLO26#

مع أن YOLO11 يمثل توازنًا ممتازًا بين السرعة والدقة، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وبالنسبة إلى المطورين الذين يبدأون مشاريع جديدة اليوم، نوصي بشدة باستكشاف أحدث معيار في ذكاء الرؤية: Ultralytics YOLO26.

أُطلق YOLO26 في يناير 2026، ويقدم تطورات مغيرة للنموذج الفكري مصممة خصيصًا لتلبية احتياجات النشر الحديثة:

• تصميم شامل من البداية وخالٍ من NMS: استنادًا إلى المفاهيم التي ابتكرها YOLOv10 أولًا، يعمل YOLO26 أصليًا بطريقة شاملة من البداية إلى النهاية. فهو يلغي الحاجة إلى المعالجة اللاحقة لقمع غير الأقصى (NMS)، مما يبسّط خطوط أنابيب النشر بدرجة كبيرة ويقلل زمن الاستجابة.
• مُحسِّن MuSGD: مستوحى من ابتكارات تدريب LLM في نماذج مثل Kimi K2 من Moonshot AI، يضمن هذا المزيج الهجين من SGD وMuon تدريبًا مستقرًا للغاية وتقاربًا أسرع بكثير.
• سرعة غير مسبوقة على CPU: بإزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، مما يجعله الخيار الأفضل على الإطلاق للأجهزة الطرفية والبيئات التي لا تتوفر فيها 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 تحسينات متخصصة، مثل تقدير اللوغاريتم الاحتمالي المتبقي (RLE) للوضعية وخسارة زاوية متخصصة لـالمربعات المحيطة الموجّهة، بما يضمن أداءً فائقًا عبر جميع مهام الرؤية الحاسوبية.

بالنسبة إلى المستخدمين المهتمين ببنى متخصصة تتجاوز اكتشاف الأجسام القياسي، يمكنكم أيضًا استكشاف نماذج مثل RT-DETR للاكتشاف القائم على Transformer، أو YOLO-World للتتبع والاكتشاف ذوي المفردات المفتوحة. ويضمن اعتماد هذه الأدوات المحسّنة بدرجة كبيرة والتي تحظى بصيانة جيدة بقاء خطوط أنابيب الرؤية الحاسوبية فعّالة وقابلة للتوسع ومتقدمة على الاتجاه السائد.