تخطي إلى المحتوى

YOLOv5 مقابل YOLO11: مقارنة فنية

يُعد اختيار نموذج الكشف عن الأجسام المناسب قرارًا بالغ الأهمية، حيث يوازن بين الحاجة إلى الدقة والسرعة وكفاءة الموارد. تقدم هذه الصفحة مقارنة فنية مفصلة بين نموذجين بارزين من Ultralytics: Ultralytics YOLOv5 واسع الانتشار و Ultralytics YOLO11 الحديث. في حين أن YOLOv5 قد وضع معيارًا صناعيًا للأداء وسهولة الاستخدام، فإن YOLO11 يمثل التطور التالي، حيث يقدم دقة فائقة وتنوعًا أكبر وكفاءة محسّنة داخل نفس نظام Ultralytics البيئي القوي.

Ultralytics YOLOv5: معيار الصناعة المعمول به

تم إصدار YOLOv5 في عام 2020، وسرعان ما أصبح أحد أكثر نماذج الكشف عن الكائنات شيوعًا في العالم. تعتمد سمعته على مزيج استثنائي من السرعة والموثوقية وسهولة الاستخدام، مما يجعله خيارًا مفضلاً لعدد لا يحصى من المطورين والباحثين.

تفاصيل فنية:

البنية والميزات الرئيسية

تم بناء YOLOv5 على PyTorch ويتميز بهيكل CSPDarknet53 مقترنًا بـ PANet لتجميع الميزات بشكل فعال. تتميز بنيتها بقابلية عالية للتطوير، حيث تقدم مجموعة من النماذج من YOLOv5n الصغير والسريع إلى YOLOv5x الكبير والدقيق. إحدى الخصائص الرئيسية لـ YOLOv5 هي رأس الكشف القائم على المرساة، والذي كان فعالًا للغاية في وقت إصداره.

نقاط القوة

  • سرعة استدلال استثنائية: تم تحسين YOLOv5 بشكل كبير للاستدلال السريع، مما يجعله خيارًا قويًا للتطبيقات في الوقت الفعلي، وخاصةً على أجهزة GPU.
  • نظام بيئي ناضج: كنموذج راسخ، يستفيد YOLOv5 من مجتمع ضخم، ودروس تعليمية شاملة، ودعم واسع من جهات خارجية. لقد تم اختباره في العديد من بيئات الإنتاج.
  • سهولة الاستخدام: يشتهر YOLOv5 بواجهة برمجة التطبيقات البسيطة والـ وثائق الشاملة، مما يسمح بالنماذج الأولية والنشر السريع. تم دمج النموذج بسلاسة في نظام Ultralytics البيئي، بما في ذلك Ultralytics HUB للتدريب بدون تعليمات برمجية.
  • كفاءة التدريب: يوفر YOLOv5 عملية تدريب فعالة مع أوزان مُدرَّبة مسبقًا متاحة بسهولة، مما يتيح التعلم بالنقل الفعال ودورات تطوير أسرع.

نقاط الضعف

  • اكتشاف قائم على المرساة: يمكن أن يتطلب اعتماده على مربعات مرساة محددة مسبقًا في بعض الأحيان ضبطًا دقيقًا لمجموعات البيانات ذات الكائنات ذات الأشكال غير العادية، وهو قيد تعالجه أجهزة الكشف الأحدث الخالية من المرساة.
  • الحد الأقصى للدقة: في حين أنها لا تزال دقيقة للغاية، فقد تم تجاوز أدائها على المعايير القياسية مثل COCO من خلال بنيات أحدث مثل YOLO11.

حالات الاستخدام المثالية

تظل YOLOv5 خيارًا ممتازًا للتطبيقات التي تكون فيها السرعة والاستقرار أمرًا بالغ الأهمية:

  • الحوسبة الطرفية: متغيراتها الأصغر مثالية للنشر على الأجهزة ذات الموارد المحدودة مثل Raspberry Pi و NVIDIA Jetson.
  • المراقبة الآنية: تشغيل أنظمة الأمان وتطبيقات المراقبة التي تتطلب معدل إطارات عالي في الثانية (FPS).
  • الأتمتة الصناعية: تستخدم في مراقبة الجودة وأتمتة العمليات في بيئات التصنيع.

تعرف على المزيد حول YOLOv5

Ultralytics YOLO11: التطور التالي في مجال الذكاء الاصطناعي البصري

تعتبر YOLO11 أحدث نموذج متطور من Ultralytics، وهي مصممة لتوسيع حدود الممكن في رؤية الكمبيوتر. وهي تعتمد على نجاحات سابقاتها، بما في ذلك YOLOv8، لتقديم تحسينات كبيرة في الدقة والسرعة والتنوع.

تفاصيل فنية:

البنية والميزات الرئيسية

تقدم YOLO11 بنية شبكة مُحسَّنة مع إمكانات متقدمة لاستخراج الميزات وتصميم مبسط. يتمثل أحد التطورات الرئيسية في رأس الكشف الخالي من المرساة (anchor-free detection head)، مما يحسن التعميم ويبسط عملية التدريب. يتيح هذا التصميم الحديث لـ YOLO11 تحقيق دقة أعلى مع استخدام أكثر كفاءة للمعلمات، مما يؤدي إلى سرعات استدلال أسرع ومتطلبات حسابية أقل.

نقاط القوة

  • أداء هو الأفضل على الإطلاق: يضع YOLO11 معيارًا جديدًا للدقة، حيث يحقق درجات mAP أعلى من YOLOv5 عبر جميع أحجام النماذج.
  • تنوع مُحسّن: YOLO11 هو إطار عمل حقيقي متعدد المهام، يدعم اكتشاف الأجسام، و تجزئة المثيلات، و تصنيف الصور، و تقدير الوضعية، والمربعات المحيطة الموجهة (OBB) ضمن نموذج موحد واحد.
  • كفاءة فائقة: النموذج فعال للغاية، مما يوفر مقايضة أفضل بين السرعة والدقة. والجدير بالذكر أنه يُظهر استدلالًا أسرع بكثير على وحدات المعالجة المركزية (CPUs) مقارنة بـ YOLOv5، مما يجعله متاحًا لمجموعة واسعة من الأجهزة. كما يتطلب ذاكرة أقل للتدريب والاستدلال مقارنة بالعديد من البنى الأخرى.
  • تجربة مستخدم مبسطة: كجزء من نظام Ultralytics البيئي، يحافظ YOLO11 على نفس الالتزام بسهولة الاستخدام مع واجهة برمجة تطبيقات Python بسيطة، و CLI قوي، ووثائق شاملة.

نقاط الضعف

  • الطلب الحسابي للنماذج الكبيرة: على الرغم من كفاءتها العالية، إلا أن أكبر نماذج YOLO11 (مثل YOLO11x) لا تزال تتطلب موارد حسابية كبيرة لتحقيق أقصى قدر من الدقة.
  • عمليات تكامل متطورة: باعتباره نموذجًا أحدث، فإن النظام البيئي لأدوات وعمليات التكامل الخاصة بالجهات الخارجية ينمو بسرعة ولكنه قد لا يكون واسع النطاق مثل نظام YOLOv5 الراسخ منذ فترة طويلة.

حالات الاستخدام المثالية

تعتبر YOLO11 الخيار الأمثل للمشاريع الجديدة التي تتطلب أعلى مستويات الدقة والمرونة:

  • الروبوتات المتقدمة: تمكين التفاعل الدقيق مع الأجسام والملاحة في البيئات الديناميكية المعقدة.
  • الرعاية الصحية والتصوير الطبي: دعم مهام مثل الكشف عن الأورام حيث الدقة العالية أمر بالغ الأهمية.
  • المدن الذكية: تشغيل إدارة حركة المرور المتطورة وأنظمة السلامة العامة.
  • تحليلات البيع بالتجزئة: تحسين إدارة المخزون وتحليل سلوك العملاء بدقة أكبر.

تعرف على المزيد حول YOLO11

مقارنة الأداء وجهًا لوجه: YOLOv5 ضد YOLO11

توضح مقاييس الأداء بوضوح التطورات التي تم إحرازها مع YOLO11. تقدم نماذج YOLO11 بشكل عام تعزيزًا كبيرًا في mAP مع الحفاظ على سرعة الاستدلال أو حتى تحسينها. على سبيل المثال، تحقق YOLO11s نسبة mAP تبلغ 47.0، وهي قابلة للمقارنة مع YOLOv5l، ولكن مع عدد أقل بكثير من المعلمات واستدلال أسرع بكثير لوحدة المعالجة المركزية (CPU). وبالمثل، تتجاوز YOLO11m دقة YOLOv5x (51.5 مقابل 50.7 mAP) مع كونها أسرع بأكثر من 4 مرات على وحدة المعالجة المركزية (CPU).

النموذج الحجم
(بالبكسل)		 mAPval
50-95		 السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		 السرعة
T4 TensorRT10
(بالمللي ثانية)		 المعلمات
(M)		 FLOPs
(B)
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9

الخلاصة: أي نموذج يجب أن تختاره؟

في حين أن YOLOv5 يظل نموذجًا قويًا وموثوقًا به، فإن YOLO11 هو الخلف الواضح والخيار الموصى به لجميع المشاريع الجديدة تقريبًا. فهو يوفر قفزة كبيرة في الأداء، مما يوفر دقة أعلى وتنوعًا أكبر في المهام وكفاءة محسنة دون التضحية بسهولة الاستخدام التي جعلت أسلافه يتمتعون بشعبية كبيرة.

  • اختر YOLOv5 إذا كنت تعمل على مشروع قديم يستخدمه بالفعل، أو إذا كان قيدك الأساسي هو النشر على الأجهزة حيث توفر تحسينات سرعة GPU المحددة ميزة حاسمة.

  • اختر YOLO11 لأي تطبيق جديد. إن دقته الفائقة وتصميمه الخالي من المرساة وقدرات المهام المتعددة والأداء الممتاز عبر كل من CPU و GPU يجعله الحل الأكثر قوة ومرونة ومقاومة للمستقبل.

يدعم كلا النموذجين نظام Ultralytics البيئي القوي، مما يضمن تجربة تطوير سلسة مع دعم ووثائق ممتازة.

استكشف مقارنات النماذج الأخرى

إذا كنت مهتمًا بمعرفة كيف تقارن هذه النماذج بالبنى الرائدة الأخرى، فراجع صفحات المقارنة الأخرى الخاصة بنا:



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد
glenn-jocher

تعليقات