YOLOv5 مقابل YOLOv8#

عند بناء تطبيقات الرؤية الحاسوبية القابلة للتوسع والفعالة، يُعد اختيار البنية المناسبة أمرًا بالغ الأهمية. وقد واصلت منظومة Ultralytics دفع حدود السرعة والدقة، موفرةً للمطورين أدوات قوية للنشر في العالم الحقيقي. تتناول هذه المقارنة التقنية الاختلافات بين YOLOv5 وYOLOv8، وتستكشف بنيتيهما ومفاضلات الأداء وحالات الاستخدام المثالية لمساعدتك على اتخاذ قرار مدروس لمشروع الذكاء الاصطناعي القادم.

يمثل كلا النموذجين محطتين بارزتين في تاريخ كشف الأجسام في الزمن الفعلي، ويستفيد كلاهما من متطلبات الذاكرة المحسّنة للغاية وسهولة الاستخدام اللتين تميزان منظومة Ultralytics.

YOLOv5: المعيار الصناعي الموثوق#

أُطلق YOLOv5 في عام 2020، وسرعان ما أصبح المعيار الصناعي لكشف الأجسام بسرعة وسهولة وموثوقية. ومن خلال الاستفادة من تطبيق أصلي قائم على PyTorch، بسّط دورة حياة التدريب والنشر للمهندسين في جميع أنحاء العالم.

• المؤلف: Glenn Jocher
• الجهة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: ultralytics/yolov5
• الوثائق: وثائق YOLOv5

نقاط القوة المعمارية#

يعتمد YOLOv5 نهجًا لكشف الأجسام قائمًا على المراسي، ويستخدم مربعات مراسي محددة مسبقًا للتنبؤ بحدود الأجسام. وتتضمن بنيته عمودًا فقريًا من شبكة الأجزاء الجزئية المتقاطعة (CSP)، ما يحسن تدفق التدرج ويقلل التكرار الحسابي. وينتج عن ذلك استهلاك منخفض للغاية للذاكرة، ما يجعله سريع التدريب بشكل استثنائي حتى على وحدات GPU الاستهلاكية القياسية.

حالات الاستخدام المثالية#

يوصى بشدة باستخدام YOLOv5 في المشروعات التي تعطي الأولوية القصوى لمعدل الإنتاجية وتقليل استخدام الموارد. ويتفوق في بيئات الذكاء الاصطناعي الطرفي، مثل النشر على Raspberry Pi أو الأجهزة المحمولة. وبفضل نضجه، خضع لاختبارات مكثفة في آلاف عمليات النشر التجارية، موفرًا استقرارًا لا مثيل له في مسارات عمل كشف الأجسام التقليدية.

YOLOv8: إطار عمل موحد للرؤية#

صدر YOLOv8 في يناير 2023، ومثّل تحولًا معماريًا هائلًا، إذ تطور من كاشف مخصص للأجسام إلى إطار عمل متعدد الاستخدامات لمهام الرؤية.

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: ultralytics/ultralytics
• الوثائق: وثائق YOLOv8

ابتكارات البنية#

على خلاف سلفه، يقدم YOLOv8 طبقة إخراج للكشف خالية من المراسي. وهذا يلغي الحاجة إلى ضبط إعدادات المراسي يدويًا وفقًا لتوزيعات مجموعات البيانات، ويحسن التعميم عبر مجموعات البيانات المخصصة المتنوعة مثل مجموعة بيانات COCO الشائعة.

كما تطور البنية عمودها الفقري باستخدام وحدة C2f (عنق زجاجة من الأجزاء الجزئية المتقاطعة مع عمليتي التفاف)، لتحل محل وحدة C3 الأقدم. ويحسن هذا التطوير تمثيل السمات دون استهلاك كبير للذاكرة. بالإضافة إلى ذلك، يؤدي تطبيق طبقة إخراج منفصلة تفصل مهام التصنيف عن الانحدار إلى تحسين التقارب أثناء تدريب النموذج بدرجة كبيرة.

تعدد الاستخدامات وواجهة Python API#

قدم YOLOv8 واجهة Python API الحديثة ultralytics، موحدًا مسار العمل عبر مختلف مهام الرؤية الحاسوبية. وسواء أكنت تنفذ تجزئة الصور، أو تصنيف الصور، أو تقدير الوضعيات، فلن تتطلب واجهة API الموحدة سوى تعديلات طفيفة على الإعدادات.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

# ⁨التدريب على مجموعة بيانات مخصصة مع كفاءة ذاكرة مدمجة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تشغيل الاستدلال وتحليل النتائج بسهولة⁩
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

مقارنة مفصلة للأداء#

عند مقارنة الجيلين، نلاحظ مفاضلة تقليدية: يحقق YOLOv8 متوسط دقة (mAP) أعلى في مختلف الحالات، بينما يحتفظ YOLOv5 بأفضلية في سرعة الاستدلال الخام وعدد المعلمات ضمن أصغر إصداراته.

فيما يلي مقارنة تفصيلية لمقاييس أدائهما على مجموعة بيانات COCO بحجم صورة يبلغ 640 بكسل.

تكشف البيانات أن YOLOv8 يقدم تحسنًا كبيرًا في الدقة. فعلى سبيل المثال، يحقق YOLOv8s قيمة mAP تبلغ 44.9 مقارنةً بـ YOLOv5s الذي يحقق 37.4 mAP، وهو تقدم كبير يحسن الأداء بدرجة ملحوظة في البيئات المكتظة أو عند تحديد الأجسام الصغيرة. ومع ذلك، يظل YOLOv5n فعالًا للغاية في البيئات شديدة القيود، إذ يحقق أقل عدد من المعلمات وعمليات FLOPs.

ميزة المنظومة المتكاملة#

يتيح اختيار YOLOv5 أو YOLOv8 للمطورين الوصول إلى منصة Ultralytics التي تحظى بصيانة جيدة. توفر هذه البيئة المتكاملة أدوات سهلة لتعليق مجموعات البيانات والتدريب السحابي ومراقبة النماذج، بينما تضيف حزمة ultralytics ميزة ضبط المعلمات الفائقة المدمجة. ويضمن التطوير النشط والدعم المجتمعي القوي قدرة المطورين على حل المشكلات بسرعة والتكامل مع الأدوات الخارجية مثل Weights & Biases وClearML.

في حين قد تعاني أطر العمل الأخرى من منحنيات تعلم حادة، تعطي Ultralytics الأولوية لتجربة استخدام مبسطة، بما يضمن مفاضلة ملائمة بين السرعة والدقة، ومناسبة لسيناريوهات النشر المتنوعة في العالم الحقيقي.

ما بعد الإصدار 8: استكشاف YOLO11 وYOLO26#

مع أن YOLOv8 إطار عمل عالي القدرات، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وينبغي للمطورين المهتمين بأحدث مستويات الأداء استكشاف YOLO11 أيضًا، إذ يبني على الإصدار 8 مع تحسين الدقة والسرعة.

لمن يسعون إلى أحدث ما توصلت إليه تقنيات الرؤية الحاسوبية، نوصي بشدة بـ Ultralytics YOLO26. يمثّل YOLO26، الذي أُطلق في عام 2026، قفزة هائلة إلى الأمام:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: انطلاقًا من ريادته في الأصل ضمن البنى التجريبية، يزيل الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) المعالجة اللاحقة لكبح غير الحد الأقصى، ما يؤدي إلى مسارات نشر أبسط وأسرع بكثير.
• مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج LLM التي ظهرت في نماذج مثل Kimi K2، يستخدم YOLO26 مُحسِّنًا هجينًا لتدريب أكثر استقرارًا وتقارب أسرع.
• إتقان الحوسبة الطرفية: بفضل استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة، فهو النموذج الأمثل للأجهزة التي لا تحتوي على وحدات GPU مخصصة.
• دقة محسّنة: باستخدام دالتي الخسارة الجديدتين ProgLoss وSTAL، يحسّن النموذج بدرجة كبيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في الروبوتات وتصوير الطائرات المسيّرة الجوية.

سواء أكنت تصون نظامًا قديمًا باستخدام YOLOv5، أم توسّع تطبيقًا متعدد الاستخدامات باستخدام YOLOv8، أم تبتكر بالاستفادة من الإمكانات المتطورة لـ YOLO26، فإن مجموعة Ultralytics توفر الأدوات الشاملة اللازمة للنجاح في مجال الذكاء الاصطناعي للرؤية الحديث.