YOLOv5 مقابل YOLO11: مقارنة تقنية شاملة

في المشهد سريع التطور في مجال الرؤية الحاسوبية، يعد اختيار النموذج الصحيح لاكتشاف الأجسام أمراً بالغ الأهمية لنجاح المشروع. اثنان من أهم المعالم البارزة في هذا المجال هما YOLOv5 والإصدار الأخير YOLO11. بينما أنشأ YOLOv5 معيارًا أسطوريًا لسهولة الاستخدام والسرعة، فإن YOLO11 يتخطى حدود الدقة والكفاءة، مستفيدًا من سنوات من البحث والتطوير.

يوفر هذا الدليل تحليلاً تقنياً مفصلاً لهاتين البنيتين، مما يساعد المطورين والباحثين والمهندسين على اتخاذ قرارات مستنيرة لتطبيقات الذكاء الاصطناعي الخاصة بهم.

Ultralytics YOLOv5: العمود الفقري الموثوق به

تم إصدار YOLOv5 في عام 2020، وقد أحدثت ثورة في إمكانية الوصول إلى اكتشاف الأجسام. كان أول نموذج "أنت تنظر مرة واحدة فقط" يُطبَّق محليًا في PyTorchمما يجعل من السهل جدًا على المطورين تدريبه ونشره. كما أن توازنه بين السرعة والدقة جعله الخيار المفضل لكل شيء بدءًا من الفحص الصناعي وحتى المركبات ذاتية القيادة.

تفاصيل فنية:

المؤلفون: Glenn Jocher
المنظمةUltralytics
التاريخ: 2020-06-26
جيثبhttps://github.com/ultralytics/yolov5
المستنداتhttps://docs.ultralytics.com/models/yolov5/

الميزات الرئيسية والهندسة المعمارية

يستخدم YOLOv5 بنية قائمة على الارتكاز. وقد أدخل العمود الفقري لشبكة تجميع المسار (CSPDarknet)، والتي حسّنت بشكل كبير من تدفق التدرج وخفضت التكلفة الحسابية مقارنةً بالتكرارات السابقة. يوظف النموذج عنق شبكة تجميع المسار (PANet) لتعزيز تدفق المعلومات ويدمج زيادة بيانات الفسيفساء أثناء التدريب، وهي تقنية أصبحت معيارًا لتحسين متانة النموذج ضد الأجسام الأصغر حجمًا.

نقاط القوة

يشتهر YOLOv5 بثباته ونضجه. وبفضل سنوات من الاختبارات المجتمعية، فإن النظام البيئي للدروس التعليمية والتكاملات الخارجية وأدلة النشر واسع النطاق. إنه خيار ممتاز للأنظمة القديمة أو الأجهزة المتطورة حيث توجد بالفعل تحسينات محددة للأجهزة الخاصة بهندستها المعمارية.

تعرف على المزيد حول YOLOv5

Ultralytics YOLO11: أحدث ما توصلت إليه التكنولوجيا

الإطلاق في أواخر عام 2024, YOLO11 يمثل أحدث ما توصل إليه الذكاء الاصطناعي للرؤية. وهو يعتمد على الدروس المستفادة من YOLOv5 و YOLOv8 لتقديم نموذج أسرع وأكثر دقة وفعالية من الناحية الحسابية.

تفاصيل فنية:

المؤلفون: Glenn Jocher و Jing Qiu
المنظمةUltralytics
التاريخ: 2024-09-27
جيثبhttps://github.com/ultralytics/ultralytics
المستنداتhttps://docs.ultralytics.com/models/yolo11/

البنية والميزات الرئيسية

يقدم YOLO11 تحسينات معمارية مهمة، بما في ذلك كتلة C3k2 ووحدات C2PSA (الجزئي عبر المراحل مع الانتباه المكاني). على عكس YOLOv5 يستخدم YOLO11 رأس كشف خالٍ من المرساة، مما يبسّط عملية التدريب من خلال إلغاء الحاجة إلى حساب مربعات الارتكاز يدويًا. هذا التحول في التصميم يعزز التعميم ويسمح للنموذج بالتكيف بشكل أفضل مع مجموعات البيانات المتنوعة.

براعة لا مثيل لها

تتمثل إحدى الخصائص المميزة ل YOLO11 في دعمه الأصلي لمهام الرؤية الحاسوبية المتعددة في إطار عمل واحد. بينما ركز YOLOv5 في المقام الأول على الاكتشاف (مع دعم لاحق للتجزئة)، صُمم YOLO11 من الألف إلى الياء للتعامل مع

يسمح هذا التنوع للمطورين بمعالجة مشاكل الروبوتات والتحليلات المعقدة دون الحاجة إلى تبديل الأطر.

تعرف على المزيد حول YOLO11

مقارنة الأداء

ينتج عن الانتقال من YOLOv5 إلى YOLO11 مكاسب كبيرة في الأداء. تُظهر المقاييس أن YOLO11 يوفر مفاضلة أفضل بين السرعة والدقة.

الدقة مقابل الكفاءة

يحقق YOLO11 باستمرار متوسط دقة أعلى في مجموعة بيانات COCO مقارنةً بنماذج YOLOv5 ذات الحجم المماثل. فعلى سبيل المثال، يتفوق نموذج YOLO11m على نموذج YOLO11m على نموذج YOLOv5x الأكبر حجمًا في الدقة (51.5 مقابل 50.7 mAP) بينما يعمل بجزء بسيط من المعلمات (20.1 مليون مقابل 97.2 مليون). يُترجم هذا الانخفاض الكبير في حجم النموذج إلى انخفاض متطلبات الذاكرة أثناء التدريب والاستدلال على حد سواء، وهو عامل حاسم للنشر على أجهزة الذكاء الاصطناعي ذات الموارد المحدودة.

سرعة الاستدلال

بفضل الخيارات المعمارية المحسّنة، يتألق YOLO11 في سرعات الاستدلال على CPU . ينشئ نموذج YOLO11n معيارًا جديدًا للتطبيقات في الوقت الفعلي، حيث يبلغ 56.1 مللي ثانية فقط على CPU مع ONNX وهو أسرع بكثير من سابقه.

كفاءة الذاكرة

تم تصميم طرازات Ultralytics YOLO11 للاستخدام الأمثل للذاكرة. مقارنةً بالكاشفات القائمة على المحولات مثل RT-DETRفإن YOLO11 يتطلب ذاكرة CUDA أقل بكثير أثناء التدريب، مما يجعله متاحًا للمطورين الذين يستخدمون وحدات معالجة رسومات قياسية للمستهلكين.

النموذج	الحجم ^{(بالبكسل)}	mAP^فال 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

التدريب وخبرة المطورين

يستفيد كلا الطرازين من نظامUltralytics الشامل المعروف بـ "سهولة الاستخدام".

التكامل السلس

تم دمج YOLO11 في ultralytics حزمة Python التي توحد جميع المهام تحت واجهة برمجة تطبيقات بسيطة. وهذا يسمح بالتدريب والتحقق من الصحة والنشر في بضعة أسطر من التعليمات البرمجية.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

بينما يمتلك YOLOv5 مستودعًا مخصصًا خاصًا به، يمكن أيضًا تحميله بسهولة عبر PyTorch Hub أو استخدامه داخل النظام البيئي الأحدث لمهام معينة. يضمن التوثيق القوي لكلا النموذجين أنك سواءً كنت تقوم بضبط المعلمة الفائقة أو التصدير إلى OpenVINOفإن العملية تكون مبسطة.

فوائد النظام البيئي

إن اختيار نموذج Ultralytics يعني الحصول على إمكانية الوصول إلى مجموعة من الأدوات التي تتم صيانتها بشكل جيد. من التكامل مع Comet لتتبع التجارب إلى الإدارة السلسة لمجموعة البيانات، يدعم النظام البيئي دورة حياة عمليات التشغيل الآلي المتعددة بالكامل. يضمن هذا التطوير النشط تقديم تصحيحات الأمان وتحسينات الأداء بانتظام.

حالات الاستخدام المثالية

متى تختار YOLOv5

الأجهزة القديمة: إذا كان لديك أجهزة حافة حالية (مثل Raspberry Pis الأقدم) مع خطوط أنابيب محسّنة خصيصًا لبنية YOLOv5 .
عمليات سير العمل القائمة: بالنسبة للمشاريع التي تكون في عمق وضع الصيانة حيث سيؤدي تحديث بنية النموذج الأساسي إلى تكبد تكاليف كبيرة لإعادة الهيكلة.
تحسينات محددة GPU : في حالات نادرة حيث يتم ضبط محركات TensorRT المحددة بشكل كبير لبنية طبقة YOLOv5 الدقيقة.

متى تختار YOLO11

التطورات الجديدة: بالنسبة لجميع المشاريع الجديدة تقريبًا، فإن YOLO11 هو نقطة البداية الموصى بها نظرًا لنسبة الدقة الفائقة إلى الحساب.
تطبيقات وحدة CPU المركزية في الوقت الحقيقي: تستفيد التطبيقات التي تعمل على المعالجات القياسية، مثل أجهزة الكمبيوتر المحمولة أو مثيلات السحابة، استفادة كبيرة من تحسينات سرعة CPU في YOLO11.
المهام المعقدة: المشاريع التي تتطلب تجزئة المثيل أو تقدير الوضعية إلى جانب الكشف.
متطلبات عالية الدقة: مجالات مثل التصوير الطبي أو تحليل صور الأقمار الصناعية، حيث يكون اكتشاف الأجسام الصغيرة بدقة عالية أمرًا بالغ الأهمية.

الخلاصة

لا يزال YOLOv5 شاهداً على كفاءة تصميم الذكاء الاصطناعي وسهولة الوصول إليه، بعد أن دعم ابتكارات لا حصر لها على مدار السنوات القليلة الماضية. ومع ذلك، يمثلYOLO11 المستقبل. فهو يوفر للمطورين مجموعة أدوات أكثر قوة لحل تحديات الرؤية الحاسوبية الحديثة، بفضل بنيته المتقدمة الخالية من الارتكاز، ودرجات mAP المتفوقة، وتعدد استخداماته المحسّنة.

من خلال اعتماد YOLO11 لن تحصل على أداء أفضل فحسب، بل ستحصل أيضًا على أداء أفضل في المستقبل لتطبيقاتك ضمن نظام Ultralytics البيئي المزدهر.

استكشف نماذج أخرى

إذا كنت مهتماً بمقارنة هذه البنى مع النماذج الرائدة الأخرى، استكشف مقارناتنا التفصيلية: