YOLOv5 مقابل YOLOv10: مقارنة تقنية شاملة

شهد مجال الرؤية الحاسوبية في الوقت الفعلي نموًا هائلاً على مدى السنوات القليلة الماضية، حيث تساهم معماريات متنوعة في دفع حدود ما هو ممكن على الأجهزة الحديثة. عند تقييم أحدث المعماريات، تسلط المقارنة بين YOLOv5 وYOLOv10 الضوء على خطوة تطورية هامة في مجال اكتشاف الكائنات. يستعرض هذا التحليل التقني العميق نماذجها المعمارية، والمقايضات في الأداء، وكيف يمكن للمطورين الاستفادة من هذه الأدوات في بيئات الإنتاج.

نظرة معمارية متعمقة

إن فهم الاختلافات الهيكلية بين هذه النماذج أمر بالغ الأهمية لنشرها بكفاءة في العالم الحقيقي.

Ultralytics YOLOv5: معيار الصناعة

تم تقديم YOLOv5 بواسطة Ultralytics، ولطالما تم الاعتراف به لتوازنه غير المسبوق بين السرعة والدقة وسهولة الوصول.

المؤلف: Glenn Jocher
المنظمة: Ultralytics
التاريخ: 2020-06-26
GitHub: مستودع YOLOv5
التوثيق: وثائق YOLOv5

اعرف المزيد حول YOLOv5

يعتمد YOLOv5 على آلية اكتشاف قائمة على المرساة (anchor-based) مدمجة مع هيكل CSPDarknet محسّن للغاية. تعتمد هذه المعمارية بشكل كبير على العمليات القياسية المدعومة عبر جميع محركات الاستدلال تقريبًا، مما يجعلها متعددة الاستخدامات بشكل لا يصدق. تكمن قوتها الرئيسية في Ultralytics Python SDK، الذي يوفر تجربة مستخدم مبسطة، وواجهة برمجة تطبيقات (API) بسيطة، وتوثيقًا شاملًا. بالإضافة إلى ذلك، فإن متطلبات الذاكرة الأقل لـ YOLOv5 مقارنة بالنماذج القائمة على المحولات (transformer-based) تعني أنها تتدرب بسرعة على وحدات معالجة الرسومات (GPUs) المخصصة للمستهلكين دون حمل إضافي كبير على ذاكرة الفيديو (VRAM).

YOLOv10: تطوير النموذج

تم تطوير YOLOv10 من قبل باحثين في جامعة تسينغوا، ويهدف إلى معالجة اختناقات زمن الوصول المحددة الموجودة في المعماريات السابقة.

المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
المؤسسة: جامعة تسينغوا
التاريخ: 23-05-2024
ArXiv: 2405.14458
GitHub: مستودع YOLOv10
التوثيق: وثائق YOLOv10

اعرف المزيد عن YOLOv10

السمة المميزة لـ YOLOv10 هي تصميمه الذي لا يعتمد على NMS (كبح غير الحد الأقصى) بشكل أصلي. من خلال استخدام تخصيصات مزدوجة متسقة أثناء التدريب، يلغي النموذج الحاجة إلى معالجة NMS اللاحقة أثناء الاستدلال. يعد هذا الانخفاض النظري في زمن الوصول مفيدًا للغاية لعمليات النشر التي تعمل على أجهزة متطورة ذات تسريع قوي بواسطة NVIDIA TensorRT، على الرغم من أنه يمكن أن يقدم تعقيدات هيكلية لأجهزة الحافة (edge devices).

ميزة النظام البيئي

بينما يقدم YOLOv10 ابتكارات معمارية مثيرة للاهتمام، فإن نماذج Ultralytics مثل YOLOv5 وYOLO26 الأحدث مدعومة بشكل أصلي داخل Ultralytics Platform، مما يوفر كفاءة تدريب فائقة، وتطويرًا تلقائيًا للمعاملات الفائقة، وخيارات تصدير واسعة النطاق جاهزة للاستخدام.

تحليل الأداء

عند مقارنة هذه النماذج، فإن التوازن بين الدقة (mAP) والتكلفة الحسابية (زمن الوصول والمعلمات) يحدد حالة الاستخدام الأفضل. فيما يلي مقارنة الأداء التقني على مجموعة بيانات COCO.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ملي ثانية)}	السرعة ^{T4 TensorRT10 (ملي ثانية)}	المعلمات ^(مليون)	FLOPs ^(مليار)
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

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

يحقق YOLOv10 بوضوح mAP50-95 أعلى عند مستويات الحجم المتكافئة، مستفيدًا من تصميم نموذجه الحديث القائم على كفاءة الدقة. ومع ذلك، يحافظ YOLOv5 على زمن وصول تنافسي للغاية، خاصة في فئات Nano وSmall، مما يجعله موثوقًا للغاية للبيئات المدمجة المقيدة مثل خط NVIDIA Jetson أو وحدات المعالجة المركزية القياسية عبر OpenVINO.

منهجيات التدريب والنظام البيئي

ترتبط قيمة النموذج ارتباطًا وثيقًا بالنظام البيئي المحيط به. تحافظ Ultralytics على نظام بيئي مُدار بشكل استثنائي يدعم مجموعة واسعة جدًا من المهام. بينما يركز YOLOv10 بشكل صارم على اكتشاف الكائنات ثنائي الأبعاد، تدعم Ultralytics بشكل أصلي تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، وصناديق التحديد الموجهة (OBB).

علاوة على ذلك، يتطلب تدريب نموذج Ultralytics حمل ذاكرة أقل بكثير من الطرق المنافسة القائمة على المحولات، مما يحافظ على سرعة دورة التطوير وفعاليتها من حيث التكلفة.

تنفيذ كود سلس

يتم توحيد تدريب النماذج والتحقق منها وتصديرها تحت واجهة برمجة تطبيقات (API) واحدة. يمكنك التبديل بين النماذج بمجرد تغيير سلسلة نصية.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model for baseline testing
model_v5 = YOLO("yolov5s.pt")

# Load a YOLOv10 model for comparison
model_v10 = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset efficiently
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes PyTorch CUDA acceleration
    batch=16,
)

# Export to ONNX for CPU inference deployment
model_v5.export(format="onnx", simplify=True)

حالات الاستخدام والتوصيات

يعتمد الاختيار بين YOLOv5 وYOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv5

YOLOv5 هو خيار قوي لـ:

أنظمة الإنتاج المثبتة: عمليات النشر الحالية التي يتم فيها تقدير سجل YOLOv5 الطويل من الاستقرار، والتوثيق المكثف، والدعم المجتمعي الهائل.
التدريب بموارد محدودة: البيئات ذات موارد GPU المحدودة حيث يكون خط أنابيب التدريب الفعال ومتطلبات الذاكرة الأقل لـ YOLOv5 ميزة كبيرة.
دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، و TensorRT، و CoreML، و TFLite.

متى تختار YOLOv10

يُنصح بـ YOLOv10 لـ:

اكتشاف الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف الشامل دون Non-Maximum Suppression، مما يقلل من تعقيد النشر.
موازنة مقايضات السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الاكتشاف عبر مختلف مقاييس النماذج.
Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

متى تختار Ultralytics (YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

المستقبل: Ultralytics YOLO26

بينما أحدث YOLOv5 ثورة في سهولة الوصول ودفع YOLOv10 حدود المعمارية الخالية من NMS، يستمر أحدث ما توصلت إليه التكنولوجيا في التطور. للمشاريع الجديدة، نوصي بشدة باستخدام Ultralytics YOLO26 المتطور، الذي تم إصداره في يناير 2026.

يدمج YOLO26 موثوقية نظام Ultralytics البيئي مع تطورات رائدة:

تصميم شامل بدون NMS: من خلال دمج نموذج العمل بدون NMS مباشرة في إطار عمل Ultralytics، يبسط YOLO26 عملية النشر ويضمن زمن وصول أقل.
سرعة استدلال على وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43%: مع إزالة Distribution Focal Loss (DFL)، يعد YOLO26 أسرع بشكل ملحوظ على أجهزة الحافة التي لا تحتوي على وحدات معالجة رسومات (GPUs).
MuSGD Optimizer: مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) من Moonshot AI، يوفر محسن MuSGD استقرارًا غير مسبوق وتقاربًا سريعًا.
ProgLoss + STAL: تعمل دوال الخسارة المبتكرة هذه على تحسين التعرف على الكائنات الصغيرة بشكل كبير، وهو أمر حيوي لمجالات مثل تصوير الطائرات بدون طيار والروبوتات.

يمكنك إدارة وتدريب ونشر YOLO26 مباشرة عبر Ultralytics Platform.

خاتمة

غالبًا ما يرجع الاختيار بين YOLOv5 وYOLOv10 إلى قيود محددة للمشروع. يوفر YOLOv10 دقة mAP ممتازة للباحثين والتطبيقات التي تستفيد من الإنتاجية الخام لوحدة معالجة الرسومات. وعلى العكس من ذلك، يظل YOLOv5 حصان عمل ثابتًا ومتوافقًا للغاية لعمليات النشر القياسية.

ومع ذلك، فإن مجال الرؤية الحاسوبية ديناميكي. للاستفادة من أفضل توازن للأداء، وتعدد الاستخدامات، وسهولة الاستخدام، يجب على المطورين النظر إلى Ultralytics YOLO26. إنه يجسد سرعة الاستدلال بدون NMS مع نظام Ultralytics البيئي القوي والموثق جيدًا، مما يضمن أن حلول الرؤية بالذكاء الاصطناعي الخاصة بك جاهزة للمستقبل. لحالات الاستخدام المتخصصة، قد يستكشف المطورون أيضًا YOLO11 من أجل المتانة العامة، أو RT-DETR للحصول على دقة تعتمد على المحولات.

Contributors

GLglenn-jocher¹²

Created ٢٧ يناير ٢٠٢٥Updated الأسبوع الماضي