Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv5 مقابل YOLOv10#

شهد مجال الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً على مدى السنوات القليلة الماضية، مع وجود معماريات متنوعة تدفع حدود ما هو ممكن على الأجهزة الحديثة. عند تقييم المعماريات المتطورة، تسلط المقارنة بين YOLOv5 و YOLOv10 الضوء على خطوة تطورية مهمة في مجال اكتشاف الكائنات. يستكشف هذا التحليل التقني العميق نماذجها المعمارية، والمقايضات في الأداء، وكيف يمكن للمطورين الاستفادة من هذه الأدوات في بيئات الإنتاج.

Link to this sectionغوص معمق في البنية#

يعد فهم الاختلافات الهيكلية بين هذه النماذج أمراً بالغ الأهمية لنشرها بكفاءة في العالم الحقيقي.

Link to this sectionUltralytics YOLOv5: المعيار الصناعي#

تم تقديم YOLOv5 بواسطة Ultralytics، وقد اشتهر منذ فترة طويلة بتوازنه الذي لا مثيل له بين السرعة والدقة وسهولة الوصول.

اعرف المزيد عن YOLOv5

يعتمد YOLOv5 على آلية اكتشاف قائمة على المراسي (anchor-based) مقترنة بهيكل CSPDarknet مُحسّن بعمق. تعتمد هذه المعمارية بشكل كبير على العمليات القياسية المدعومة عبر جميع محركات الاستنتاج تقريباً، مما يجعلها متعددة الاستخدامات بشكل لا يصدق. تكمن قوتها الرئيسية في Ultralytics Python SDK، الذي يوفر تجربة مستخدم مبسطة، وواجهة برمجة تطبيقات بسيطة، وتوثيقاً شاملاً. بالإضافة إلى ذلك، فإن متطلبات الذاكرة الأقل في YOLOv5 مقارنة بالنماذج القائمة على Transformer تعني أنها تتدرب بسرعة على وحدات معالجة الرسومات (GPUs) المخصصة للمستهلكين دون الحاجة إلى ذاكرة فيديو (VRAM) كبيرة.

Link to this sectionYOLOv10: تطوير النموذج#

تم تطوير YOLOv10 من قبل باحثين في جامعة تسينغhua، وكان يهدف إلى معالجة اختناقات زمن الاستجابة (latency) المحددة الموجودة في المعماريات السابقة.

تعرف على المزيد حول YOLOv10

السمة المميزة لـ YOLOv10 هي تصميمه الخالي أصلاً من NMS (قمع غير الحد الأقصى). من خلال استخدام تعيينات مزدوجة متسقة أثناء التدريب، يلغي النموذج الحاجة إلى المعالجة اللاحقة بواسطة NMS أثناء الاستنتاج. يُعد هذا التقليل النظري في زمن الاستجابة مفيداً للغاية لعمليات النشر التي تعمل على أجهزة متطورة مع تسريع NVIDIA TensorRT القوي، على الرغم من أنه يمكن أن يقدم تعقيدات هيكلية لأجهزة الحافة (edge devices).

ميزة النظام البيئي

في حين يقدم YOLOv10 ابتكارات معمارية مثيرة للاهتمام، فإن نماذج Ultralytics مثل YOLOv5 و YOLO26 الأحدث مدعومة محلياً داخل Ultralytics Platform، مما يوفر كفاءة تدريب فائقة، وتطوير تلقائي للمعلمات الفائقة، وخيارات تصدير واسعة جاهزة للاستخدام.

Link to this sectionتحليل الأداء#

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

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

يحقق YOLOv10 بوضوح mAP50-95 أعلى عند مقاييس الحجم المتكافئة، مستفيداً من تصميمه الحديث الذي يعتمد على كفاءة الأداء والدقة. ومع ذلك، يحافظ YOLOv5 على زمن استجابة تنافسي للغاية، خاصة في فئتي Nano و Small، مما يجعله موثوقاً للغاية للبيئات المدمجة المقيدة مثل خط NVIDIA Jetson أو وحدات المعالجة المركزية (CPUs) القياسية عبر OpenVINO.

Link to this sectionمنهجيات التدريب والنظام البيئي#

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

علاوة على ذلك، يتطلب تدريب نموذج Ultralytics عبئاً إضافياً أقل بكثير من الذاكرة مقارنة بالطرق المنافسة القائمة على Transformer، مما يجعل دورة التطوير سريعة وفعالة من حيث التكلفة.

Link to this sectionتنفيذ الكود بسلاسة#

التدريب والتحقق من الصحة وتصدير النماذج موحد تحت واجهة برمجة تطبيقات 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)

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv5 و YOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار YOLOv5#

يعد YOLOv5 خيارًا قويًا لـ:

  • أنظمة الإنتاج المثبتة: عمليات النشر الحالية حيث يتم تقدير سجل YOLOv5 الطويل من الاستقرار، والوثائق الشاملة، ودعم المجتمع الضخم.
  • التدريب محدود الموارد: البيئات ذات موارد GPU المحدودة حيث تكون خط أنابيب التدريب الفعال لـ YOLOv5 ومتطلبات الذاكرة الأقل ميزة.
  • دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX وTensorRT وCoreML وTFLite.

Link to this sectionمتى تختار YOLOv10#

يوصى باستخدام YOLOv10 في الحالات التالية:

  • الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
  • الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
  • تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال القابلة للتنبؤ أمراً بالغ الأهمية، مثل الروبوتات أو الأنظمة ذاتية القيادة.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
  • بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionالمستقبل: Ultralytics YOLO26#

بينما أحدث YOLOv5 ثورة في سهولة الوصول ودفع YOLOv10 حدود المعمارية الخالية من NMS، فإن أحدث التقنيات تستمر في التطور. بالنسبة للمشاريع الجديدة، نوصي بشدة بـ Ultralytics YOLO26 المتطور، الذي تم إصداره في يناير 2026.

يدمج YOLO26 موثوقية نظام Ultralytics البيئي مع تطورات رائدة:

  • تصميم NMS-Free من البداية للنهاية: من خلال دمج نموذج العمل الخالي من NMS مباشرة في إطار عمل Ultralytics، يعمل YOLO26 على تبسيط عملية النشر وضمان زمن استجابة أقل.
  • استنتاج أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): مع إزالة خسارة التوزيع البؤري (DFL)، أصبح YOLO26 أسرع بشكل ملحوظ على أجهزة الحافة التي لا تحتوي على وحدات معالجة رسومات (GPUs).
  • محسن MuSGD: مستوحى من ابتكارات تدريب LLM من Moonshot AI، يوفر محسن MuSGD استقراراً غير مسبوق وتقارباً سريعاً.
  • 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.

Link to this sectionالخلاصة#

غالباً ما يعود الاختيار بين YOLOv5 و YOLOv10 إلى قيود مشروع معينة. يوفر YOLOv10 دقة mAP ممتازة للباحثين والتطبيقات التي تستفيد من سرعة معالجة وحدة معالجة الرسومات (GPU) الخام. في المقابل، يظل YOLOv5 حصاناً ثابتاً ومتوافقاً للغاية لعمليات النشر القياسية.

ومع ذلك، فإن مجال الرؤية الحاسوبية ديناميكي. للاستفادة من أفضل توازن ممكن في الأداء، وتعدد الاستخدامات، وسهولة الاستخدام، يجب على المطورين التطلع إلى Ultralytics YOLO26. إنه يغلف سرعة الاستنتاج الخالي من NMS مع نظام Ultralytics البيئي القوي والموثق جيداً، مما يضمن أن حلول الذكاء الاصطناعي للرؤية الخاصة بك جاهزة للمستقبل. بالنسبة لحالات الاستخدام المتخصصة، يمكن للمطورين أيضاً استكشاف YOLO11 من أجل القوة العامة، أو RT-DETR للحصول على دقة قائمة على Transformer.

المساهمون
GLglenn-jocher13

التعليقات