مقارنة 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.

مقدمة 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.

YOLOv5: حصان العمل في الصناعة#

تم إطلاق YOLOv5 في صيف عام 2020، وأصبح بسرعة معيارًا صناعيًا بسبب تنفيذها الأصلي لـ PyTorch، مما قلل بشكل كبير من حاجز الدخول للتدريب والنشر. لقد ابتعدت عن أطر عمل Darknet C المعقدة لسلفها، مُقدمة نهجًا بايثونيًا لبناء النماذج.

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

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

YOLO11: 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
• Docs: YOLO11 Documentation

يقدم YOLO11 تجربة مستخدم مبسطة من خلال حزمة Python المدعومة عبر ultralytics، وتتميز بواجهة برمجة تطبيقات بسيطة توحد object detection، وتجزئة الحالات، والتصنيف، وتقدير الوضعية، ومربعات الإحاطة الموجهة (OBB). وهو يحقق توازنًا مواتياً للغاية بين السرعة والدقة، مما يجعله مثاليًا لسيناريوهات نشر متنوعة في العالم الحقيقي.

تعرف على المزيد حول YOLO11

مقارنة الأداء والمقاييس#

تكشف المقارنة المباشرة بين هذه النماذج عن كيف تترجم التحسينات المعمارية إلى مكاسب ملموسة في الأداء. يوضح الجدول أدناه متوسط الدقة المتوسطة (mAP) المُقاس على COCO dataset، إلى جانب سرعات الاستدلال لوحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU) وعدد المعلمات.

تحليل النتائج#

تسلط المقاييس الضوء على قفزة واضحة في توازن الأداء الذي حققه YOLO11. على سبيل المثال، يحقق نموذج YOLO11n (نانو) دقة mAP بنسبة 39.5% مقارنة بـ 28.0% لنموذج YOLOv5n، بينما يقلل في الوقت نفسه من وقت استدلال وحدة المعالجة المركزية عند التصدير عبر ONNX. علاوة على ذلك، يحافظ YOLO11 على متطلبات ذاكرة منخفضة بشكل ملحوظ أثناء التدريب مقارنة بالنماذج الثقيلة المستندة إلى Transformer، مما يجعله سهل الوصول للغاية للنشر على أجهزة المستهلكين والأجهزة الطرفية.

الاختلافات 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 أيضًا برأس معاد صياغته بشكل كبير. بالابتعاد عن التصميم المستند إلى الارتساء للنماذج القديمة، تتبنى بنيات Ultralytics الأحدث نهجًا خاليًا من الارتساء. هذا يقلل من عدد تنبؤات المربعات، ويبسط خط أنابيب المعالجة اللاحقة ويحسن قدرة النموذج على التعميم عبر مقاييس ونسب عرض مختلفة. بالإضافة إلى ذلك، تتميز هذه النماذج بكفاءة training efficiency متفوقة وأوزان مدربة مسبقًا متاحة جاهزة لتسريع تقارب مجموعات البيانات المُعدلة بدقة.

التنفيذ وأمثلة التعليمات البرمجية#

واحدة من الميزات البارزة في نظام Ultralytics البيئي هي بساطتها. بينما شاع استخدام torch.hub في YOLOv5 للاستدلال السريع، يأخذ YOLO11 هذا خطوة إلى الأمام مع حزمة Python الموحدة ultralytics.

التدريب 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")

الاستدلال 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()

حالات الاستخدام المثالية#

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

متى تختار YOLOv5#

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

متى تختار YOLO11#

• مشاريع المهام المتعددة: عندما يتطلب تطبيقك مزيجًا من المهام مثل pose estimation و instance segmentation باستخدام واجهة برمجة تطبيقات واحدة موحدة.
• النشر على الحافة (Edge Deployments): لسيناريوهات edge computing حيث يكون استخراج أقصى mAP لميزانية حسابية معينة (FLOPs) أمرًا بالغ الأهمية.
• حلول الذكاء الاصطناعي التجارية: مثالية لتطبيقات المؤسسات في التجزئة والأمن، للاستفادة من الدعم القوي لـ Ultralytics Platform.

الجيل القادم: Ultralytics YOLO26#

بينما يمثل YOLO11 توازنًا رائعًا بين السرعة والدقة، فإن مجال الذكاء الاصطناعي يتطور بسرعة. للمطورين الذين يبدؤون مشاريع جديدة اليوم، نوصي بشدة استكشاف أحدث معيار في مجال رؤية الكمبيوتر بالذكاء 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.
• التحسينات الخاصة بالمهام: يقدم تحسينات متخصصة، مثل تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) للوضعية وفقدان الزاوية المتخصص لـ oriented bounding boxes، مما يضمن أداءً متفوقًا عبر جميع مهام رؤية الكمبيوتر.

تعرف على المزيد حول YOLO26

للمستخدمين المهتمين بالبنى المعمارية المتخصصة التي تتجاوز اكتشاف الكائنات القياسي، يمكنك أيضاً استكشاف نماذج مثل RT-DETR للاكتشاف القائم على المحولات (Transformer)، أو YOLO-World للاكتشاف والتتبع ذوي المفردات المفتوحة. إن تبني هذه الأدوات المُصانة جيداً وعالية التحسين يضمن لك أن تظل خطوط أنابيب الرؤية الحاسوبية الخاصة بك فعالة وقابلة للتوسع ومتفوقة دائماً.