YOLOv5 مقابل YOLOv10#
شهد مجال الرؤية الحاسوبية في الوقت الفعلي نمواً هائلاً على مدار السنوات القليلة الماضية، حيث دفعت مختلف الهيكليات حدود ما هو ممكن على الأجهزة الحديثة. وعند تقييم أحدث الهيكليات المتطورة، تسلط المقارنة بين YOLOv5 و YOLOv10 الضوء على خطوة تطورية هامة في مجال اكتشاف الكائنات. يستكشف هذا التحليل التقني المعمق نماذجها الهيكلية، والمقايضات في الأداء، وكيف يمكن للمطورين الاستفادة من هذه الأدوات في بيئات الإنتاج.
غوص معمق في البنية#
يعد فهم الاختلافات الهيكلية بين هذه النماذج أمراً بالغ الأهمية لنشرها بكفاءة في العالم الحقيقي.
Ultralytics YOLOv5: المعيار الصناعي#
تم تقديم YOLOv5 بواسطة Ultralytics، وقد اشتهر منذ فترة طويلة بتوازنه الذي لا مثيل له بين السرعة والدقة وسهولة الوصول.
- المؤلف: Glenn Jocher
- المنظمة: Ultralytics
- التاريخ: 26-06-2020
- GitHub: مستودع YOLOv5
- التوثيق: وثائق YOLOv5
تعتمد YOLOv5 على آلية اكتشاف قائمة على المراسي مدمجة مع هيكل أساسي من نوع CSPDarknet مُحسّن بشكل عميق. تعتمد هذه البنية بشكل كبير على العمليات القياسية المدعومة عبر جميع محركات الاستدلال تقريباً، مما يجعلها مرنة بشكل لا يصدق. تكمن قوتها الرئيسية في Ultralytics Python SDK، والذي يوفر تجربة مستخدم مبسطة، وواجهة برمجة تطبيقات بسيطة، وتوثيقاً شاملاً. بالإضافة إلى ذلك، فإن متطلبات الذاكرة الأقل لـ YOLOv5 مقارنة بالنماذج القائمة على المحولات تعني أنها تتدرب بسرعة على وحدات معالجة الرسوميات للمستهلكين دون عبء ذاكرة الوصول العشوائي للرسوميات (VRAM) الكبير.
YOLOv10: تطوير النموذج#
تم تطوير YOLOv10 من قبل باحثين في جامعة تسينغhua، وكان يهدف إلى معالجة اختناقات زمن الاستجابة (latency) المحددة الموجودة في المعماريات السابقة.
- المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
- Organization: Tsinghua University
- التاريخ: 2024-05-23
- ArXiv: 2405.14458
- GitHub: مستودع YOLOv10
- التوثيق: وثائق YOLOv10
السمة المميزة لـ YOLOv10 هي تصميمها الخالي من كبح الت suppressing غير الأقصى (NMS) بشكل أصلي. من خلال استخدام تعيينات مزدوجة متسقة أثناء التدريب، يلغي النموذج الحاجة إلى المعالجة اللاحقة لـ NMS أثناء الاستدلال. هذا الانخفاض النظري في زمن الانتقال مفيد للغاية عمليات التشريد التي تعمل على أجهزة عالية الأداء مع تسارع قوي من NVIDIA TensorRT، على الرغم من أنه قد يقدم تعقيدات هيكلية لأجهزة الحافة.
في حين تقدم YOLOv10 ابتكارات هيكلية مثيرة للاهتمام، فإن نماذج Ultralytics مثل YOLOv5 و YOLO26 الأحدث مدعومة بشكل أصلي ضمن منصة Ultralytics، مما يوفر كفاءة تدريب فائقة، وتطوّراً تلقائياً للمعلمات الفائقة، وخيارات تصدير واسعة النطاق خارج الصندوق.
تحليل الأداء#
عند مقارنة هذه النماذج، فإن التوازن بين الدقة (mAP) والتكلفة الحسابية (زمن الانتقال والمعلمات) يحدد حالة الاستخدام الأفضل. وفيما يلي مقارنة الأداء التقني على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 |
| 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 |
تحقق YOLOv10 بوضوح mAP50-95 أعلى بمقاييس الحجم المكافئة، مستفيدة من تصميم نموذجها الموجه نحو الكفاءة والدقة الحديثة. ومع ذلك، تحافظ YOLOv5 على زمن انتقال تنافسي بشكل لا يصدق، خاصة في فئتي Nano و Small، مما يجعلها موثوقة للغاية للبيئات المدمجة المقيدة مثل خط NVIDIA Jetson أو وحدات المعالجة المركزية القياسية عبر OpenVINO.
منهجيات التدريب والنظام البيئي#
ترتبط قيمة النموذج ارتباطاً وثيقاً بالنظام البيئي المحيط به. تحافظ Ultralytics على نظام بيئي مُدار بشكل استثنائي يدعم مجموعة واسعة بشكل لا يصدق من المهام. بينما تركز YOLOv10 حصرياً على اكتشاف الكائنات ثنائية الأبعاد، تدعم Ultralytics بشكل أصلي تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، ومربعات 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.
تنفيذ 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)حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv5 و YOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى 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.
- Extensive Export Format Support: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، وTensorRT، وCoreML، وTFLite.
متى 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.
- تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- 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.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
المستقبل: 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 منصة Ultralytics.
الخلاصة#
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، والمرونة، وسهولة الاستخدام، يجب على المطورين التطلع إلى Ultralytics YOLO26. فهو يغلف سرعة الاستدلال الخالي من NMS مع نظام Ultralytics البيئي القوي والموثق جيداً، مما يضمن أن تكون حلول الذكاء الاصطناعي الخاصة بالرؤية مستقبلية. لحالات الاستخدام المتخصصة، يمكن للمطورين أيضاً استكشاف YOLO11 للمتانة العامة، أو RT-DETR للدقة القائمة على المحولات.