ابدأ

YOLOv5 مقابل YOLOv10

شهد مجال الرؤية الحاسوبية في الوقت الفعلي نموًا سريعًا خلال السنوات القليلة الماضية، إذ دفعت بنيات متنوعة حدود الإمكانات على الأجهزة الحديثة. وعند تقييم البنى المتقدمة، تسلط المقارنة بين YOLOv5 وYOLOv10 الضوء على خطوة تطورية مهمة في الكشف عن الأجسام. تستكشف هذه المقارنة التقنية النماذج المعمارية والمفاضلات في الأداء وكيفية استفادة المطورين من هذه الأدوات في بيئات الإنتاج.

تحليل معمّق للبنية#

من المهم فهم الاختلافات البنيوية بين هذه النماذج لنشرها بكفاءة في العالم الحقيقي.

Ultralytics YOLOv5: معيار القطاع#

قدّمت Ultralytics نموذج YOLOv5، الذي عُرف طويلًا بتوازنه القوي بين السرعة والدقة وسهولة الوصول.

يعتمد YOLOv5 على آلية كشف قائمة على المراسي، مقترنة ببنية أساسية CSPDarknet محسّنة بعمق. وتعتمد هذه البنية بدرجة كبيرة على العمليات القياسية المدعومة في جميع محركات الاستدلال تقريبًا، ما يجعلها قابلة للنقل بدرجة كبيرة. وتتمثل أبرز نقاط قوتها في حزمة Ultralytics Python SDK، التي توفر تجربة مستخدم مبسطة وواجهة API سهلة ووثائق شاملة. وإضافةً إلى ذلك، تعني احتياجات YOLOv5 الأقل للذاكرة مقارنةً بالنماذج القائمة على Transformer أنه يتدرب بسرعة على وحدات GPU الاستهلاكية دون عبء كبير على ذاكرة VRAM.

YOLOv10: كشف آني بلا NMS#

طوّر باحثون في جامعة تسينغهوا YOLOv10 بهدف معالجة اختناقات زمن الاستجابة المحددة الموجودة في البنى السابقة.

تعرّف على المزيد حول YOLOv10

تتمثل السمة المميزة لـ YOLOv10 في تصميمه الخالي من NMS (كبح غير الأقصى). فمن خلال استخدام إسنادات مزدوجة متسقة أثناء التدريب، يلغي الرأس من نوع واحد إلى واحد الحاجة إلى معالجة NMS اللاحقة أثناء الاستدلال، ما يقلل زمن المعالجة اللاحقة ويبسط مسارات النشر، مثل محركات NVIDIA TensorRT. وفي حزمة Ultralytics، يستخدم YOLOv10 افتراضيًا رأسه من نوع واحد إلى متعدد مع NMS؛ اضبط nms=False لاستخدام الرأس الخالي من NMS.

ميزة المنظومة

مع أن YOLOv10 يقدم ابتكارات معمارية مثيرة للاهتمام، تحظى نماذج Ultralytics مثل YOLOv5 وYOLO26 الأحدث بدعم أصلي ضمن منصة Ultralytics، ما يوفر تدريبًا فعّالًا وخيارات تصدير واسعة جاهزة للاستخدام.

تحليل الأداء#

عند مقارنة هذه النماذج، يحدد التوازن بين الدقة (mAP) والتكلفة الحاسوبية (زمن الاستجابة وعدد المعلمات) حالة الاستخدام الأنسب. فيما يلي مقارنة الأداء التقنية على مجموعة بيانات COCO.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

يحقق YOLOv10 بوضوح قيمة mAPval50-95 أعلى عند أحجام متكافئة، مستفيدًا من تصميم نموذجه المحدّث الذي يوازن بين الكفاءة والدقة. ومع ذلك، يحافظ YOLOv5 على زمن استجابة أقل لوحدة معالجة الرسوميات ضمن فئتي Nano وSmall، ما يجعله خيارًا عمليًا للبيئات المضمنة محدودة الموارد، مثل مجموعة أجهزة NVIDIA Jetson أو وحدات CPU القياسية عبر OpenVINO.

منهجيات التدريب والمنظومة#

ترتبط قيمة النموذج ارتباطًا وثيقًا بالمنظومة المحيطة به. وتحافظ Ultralytics على منظومة نشطة التطوير تدعم نطاقًا واسعًا من المهام. وبينما يقتصر YOLOv10 على الكشف عن الأجسام ثنائي الأبعاد، تدعم Ultralytics محليًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعية ومربعات الإحاطة الموجّهة (OBB).

علاوة على ذلك، يتطلب تدريب نموذج Ultralytics ذاكرة أقل بكثير من الأساليب المنافسة القائمة على Transformer، ما يحافظ على سرعة دورة التطوير وفعاليتها من حيث التكلفة.

مثال على الشيفرة#

يجمع API واحد بين تدريب النماذج والتحقق من صحتها وتصديرها. ويمكنك التبديل بين النماذج بمجرد تغيير سلسلة نصية.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv5 مدرّب مسبقًا لاختباره كخط أساس⁩
model_v5 = YOLO("yolov5su.pt")  # ⁨YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics⁩

# ⁨تحميل نموذج YOLOv10 للمقارنة⁩
model_v10 = YOLO("yolov10s.pt")

# ⁨تدريب النموذج بكفاءة على مجموعة بيانات COCO8⁩
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # ⁨يستخدم تسريع PyTorch CUDA تلقائيًا⁩
    batch=16,
)

# ⁨التصدير إلى ONNX لنشر الاستدلال على CPU⁩
model_v5.export(format="onnx", simplify=True)

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv5 وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للنظام المتكامل.

متى تختار YOLOv5#

يُعد YOLOv5 خيارًا قويًا لما يلي:

  • أنظمة إنتاج مجرّبة: عمليات النشر الحالية التي تحظى فيها خبرة YOLOv5 الطويلة في الاستقرار، ووثائقه الشاملة، ومجتمعه الكبير بالتقدير.
  • التدريب مع موارد محدودة: البيئات التي تعاني من محدودية موارد GPU، حيث يكون مسار التدريب الفعّال في YOLOv5 ومتطلباته الأقل للذاكرة مفيدين.
  • دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر بتنسيقات عديدة، منها ONNX وTensorRT وCoreML وLiteRT.

متى تختار YOLOv10#

يوصى بـ YOLOv10 في الحالات التالية:

  • الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
  • موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
  • التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

متى تختار Ultralytics (YOLO26)#

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

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

المستقبل: Ultralytics YOLO26#

مع أن YOLOv5 جعل الكشف عن الأجسام متاحًا على نطاق واسع وطور YOLOv10 البنية الخالية من NMS، يستمر تطور أحدث ما توصل إليه المجال. وتوصي Ultralytics للمشروعات الجديدة بنموذج Ultralytics YOLO26، الذي صدر في يناير 2026.

يجمع YOLO26 بين موثوقية منظومة Ultralytics وعدة تطورات:

  • تصميم شامل خالٍ من NMS: من خلال دمج نهج خلو النموذج من NMS مباشرةً في إطار عمل Ultralytics كطبقة إخراج اختيارية أحادية المطابقة (nms=False)، يبسّط YOLO26 النشر ويقلل زمن الاستجابة.
  • استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد إزالة خسارة البؤرة التوزيعية (DFL)، يعمل YOLO26n على CPU بسرعة تصل إلى 43% أكثر من YOLO11n، ما يفيد الأجهزة الطرفية التي لا تحتوي على GPUs.
  • مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج LLM التي طورتها Moonshot AI، يوفر مُحسِّن MuSGD تدريبًا أكثر استقرارًا وتقاربًا أسرع.
  • ProgLoss + STAL: يحسّن كل من الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لمجالات مثل صور الطائرات المسيّرة والروبوتات.

يمكنك إدارة YOLO26 وتدريبه ونشره مباشرةً عبر منصة Ultralytics.

الخلاصة#

غالبًا ما يتوقف الاختيار بين YOLOv5 وYOLOv10 على قيود المشروع المحددة. يقدم YOLOv10 قيمة mAP ممتازة للباحثين والتطبيقات التي تستفيد من الإنتاجية الخام لوحدات GPU. وعلى النقيض، يظل YOLOv5 خيارًا عمليًا موثوقًا ومتوافقًا بدرجة عالية لعمليات النشر القياسية.

لكن مجال الرؤية الحاسوبية يتسم بالتغير المستمر. ولتحقيق أفضل توازن بين الأداء وتعدد الاستخدامات وسهولة الاستخدام، ينبغي للمطورين التوجه إلى Ultralytics YOLO26. فهو يجمع بين الاستدلال الاختياري الخالي من NMS ومنظومة Ultralytics الموثقة جيدًا. ولحالات الاستخدام المتخصصة، يمكن للمطورين أيضًا استكشاف YOLO11 لما يوفره من متانة عامة، أو RT-DETR لما يقدمه من دقة قائمة على Transformer.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.