مقارنة بين YOLOv5 وYOLOv8#

عند بناء تطبيقات الرؤية الحاسوبية القابلة للتوسع والفعالة، يُعد اختيار البنية المناسبة أمرًا بالغ الأهمية. وقد واصل تطور منظومة Ultralytics دفع حدود السرعة والدقة باستمرار، موفرًا للمطورين أدوات قوية لعمليات النشر في العالم الحقيقي. تتناول هذه المقارنة التقنية أوجه الاختلاف بين YOLOv5 وYOLOv8، وتستكشف بنيتيهما، والمفاضلات بين أدائهما، وحالات الاستخدام المثلى لمساعدتك على اتخاذ قرار مستنير لمشروعك التالي في مجال الذكاء الاصطناعي.

يمثل كلا النموذجين محطتين بارزتين في تاريخ اكتشاف الأجسام في الزمن الحقيقي، ويستفيدان معًا من متطلبات الذاكرة المحسّنة بدرجة كبيرة وسهولة الاستخدام اللتين تميزان منظومة Ultralytics.

YOLOv5: المعيار الموثوق في القطاع#

طُرح YOLOv5 في عام 2020، وسرعان ما أصبح المعيار المعتمد في القطاع لاكتشاف الأجسام بسرعة وسهولة وموثوقية. ومن خلال الاستفادة من تنفيذ أصلي باستخدام PyTorch، بسّط دورة حياة التدريب والنشر للمهندسين حول العالم.

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: ultralytics/yolov5
• التوثيق: وثائق YOLOv5

نقاط القوة المعمارية#

يعمل YOLOv5 وفق نهج اكتشاف قائم على المراسي، إذ يعتمد على صناديق المراسي المحددة مسبقًا للتنبؤ بحدود الأجسام. وتضم بنيته شبكة أساسية من نوع Cross-Stage Partial (CSP)، تعمل على تحسين تدفق التدرجات وتقليل التكرار الحسابي. وينتج عن ذلك استهلاك خفيف للغاية للذاكرة، ما يجعله سريعًا بصورة استثنائية في التدريب حتى على وحدات GPU الاستهلاكية القياسية.

حالات الاستخدام المثالية#

يوصى باستخدام YOLOv5 بشدة في المشاريع التي تكون فيها أقصى إنتاجية وأدنى استخدام للموارد أولوية قصوى. وهو يتفوق في بيئات الذكاء الاصطناعي الطرفي، مثل النشر على Raspberry Pi أو الأجهزة المحمولة. وتعني درجة نضجه أنه خضع لاختبارات عملية مكثفة في آلاف عمليات النشر التجارية، موفرًا استقرارًا لا مثيل له في سير عمل اكتشاف الأجسام التقليدي.

YOLOv8: إطار الرؤية الموحد#

أُطلق YOLOv8 في يناير 2023، ومثّل تحولًا معماريًا هائلًا، إذ تطور من كاشف مخصص للأجسام إلى إطار رؤية متعدد المهام ومتعدد الاستخدامات.

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

الابتكارات المعمارية#

وعلى خلاف سابقه، يقدم YOLOv8 رأس اكتشاف خاليًا من المراسي. ويُلغي ذلك الحاجة إلى ضبط إعدادات المراسي يدويًا استنادًا إلى توزيعات مجموعات البيانات، مما يعزز قابلية التعميم عبر مجموعات البيانات المخصصة المتنوعة مثل مجموعة بيانات COCO الشائعة.

كما ترقى البنية الشبكة الأساسية باستخدام وحدة C2f (عنق زجاجة من نوع Cross-Stage Partial مع تلافيف اثنين)، لتحل محل وحدة C3 الأقدم. ويحسن هذا التعزيز تمثيل السمات دون فرض عبء كبير على الذاكرة. بالإضافة إلى ذلك، يؤدي تطبيق رأس مفصول—يفصل بين مهام وجود الجسم والتصنيف والانحدار—إلى تحسين التقارب بدرجة كبيرة أثناء تدريب النموذج.

التنوع وواجهة Python البرمجية#

قدم YOLOv8 واجهة Python البرمجية الحديثة ultralytics، موحدًا سير العمل عبر مختلف مهام الرؤية الحاسوبية. وسواء كنت تنفذ تجزئة الصور أو تصنيف الصور أو تقدير الوضعيات، فلا تتطلب الواجهة الموحدة سوى تغييرات طفيفة في الإعدادات.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with built-in memory efficiency
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference and easily parse results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

مقارنة مفصلة للأداء#

عند مقارنة الجيلين، نلاحظ مفاضلة تقليدية: يحقق YOLOv8 متوسط دقة أعلى (mAP) على امتداد جميع المقاييس، بينما يحتفظ YOLOv5 بأفضلية طفيفة في سرعة الاستدلال الخام المطلقة وعدد المعلمات في أصغر إصداراته.

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

تكشف البيانات أن YOLOv8 يوفر زيادة كبيرة في الدقة. فعلى سبيل المثال، يحقق YOLOv8s قيمة mAP تبلغ 44.9، مقارنةً بـYOLOv5s الذي يحقق 37.4 mAP، وهي قفزة هائلة تحسن الأداء بدرجة كبيرة في البيئات الكثيفة أو عند تحديد الأجسام الصغيرة. ومع ذلك، يظل YOLOv5n فعالًا للغاية في البيئات شديدة التقييد، إذ يحقق أدنى عدد من المعلمات وFLOPs.

ميزة المنظومة#

يمنح اختيار YOLOv5 أو YOLOv8 المطورين إمكانية الوصول إلى منصة Ultralytics التي تحظى بصيانة جيدة. توفر هذه البيئة المتكاملة أدوات بسيطة لإضافة تعليقات توضيحية إلى مجموعات البيانات، وضبط المعلمات الفائقة، والتدريب السحابي، ومراقبة النماذج. ويضمن التطوير النشط والدعم القوي من المجتمع قدرة المطورين على حل المشكلات بسرعة والتكامل مع أدوات خارجية مثل Weights & Biases وClearML.

في حين قد تعاني الأطر الأخرى من منحنيات تعلم حادة، تعطي Ultralytics الأولوية لتجربة مستخدم سلسة، بما يضمن مفاضلة مواتية بين السرعة والدقة، ومناسبة لسيناريوهات النشر المتنوعة في العالم الحقيقي.

ما بعد v8: استكشاف YOLO11 وYOLO26#

رغم أن YOLOv8 إطار عالي القدرات، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وينبغي للمطورين المهتمين بأحدث أداء استكشاف YOLO11 أيضًا، إذ يبني على v8 مع تحسين الدقة والسرعة.

أما الباحثون عن أحدث ما توصلت إليه تقنيات الرؤية الحاسوبية، فنوصيهم بشدة باستخدام Ultralytics YOLO26. وقد أُطلق YOLO26 في عام 2026، ويمثل قفزة هائلة إلى الأمام:

• تصميم شامل خالٍ من NMS: طُوّر هذا النهج في الأصل ضمن بنى تجريبية، ويُلغي YOLO26 معالجة Non-Maximum Suppression اللاحقة بصورة أصلية، ما يؤدي إلى مسارات نشر أبسط وأسرع بكثير.
• مُحسِّن MuSGD: مستلهمًا ابتكارات تدريب LLM الظاهرة في نماذج مثل Kimi K2، يستخدم YOLO26 مُحسِّنًا هجينًا لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
• إتقان الحوسبة الطرفية: بفضل استدلال CPU أسرع بنسبة تصل إلى 43% مقارنةً بالأجيال السابقة، يُعد النموذج الأمثل للأجهزة التي تفتقر إلى وحدات GPU مخصصة.
• دقة محسّنة: باستخدام دوال الخسارة الجديدة ProgLoss + STAL، يحسن النموذج بدرجة كبيرة التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في الروبوتات والصور الملتقطة بواسطة الطائرات المسيّرة.

سواء كنت تحافظ على نظام قديم باستخدام YOLOv5، أو توسّع تطبيقًا متعدد الاستخدامات باستخدام YOLOv8، أو تبتكر بالاستفادة من القدرات المتطورة في YOLO26، فإن حزمة Ultralytics توفر الأدوات الشاملة اللازمة للنجاح في مجال الذكاء الاصطناعي الحديث للرؤية الحاسوبية.