YOLOv5 مقابل YOLOv8
عند بناء تطبيقات الرؤية الحاسوبية القابلة للتوسع والفعالة، يُعد اختيار المعمارية المناسبة أمرًا بالغ الأهمية. واصلت منظومة Ultralytics تحسين السرعة والدقة، موفرةً للمطورين أدوات موثوقة لعمليات النشر في العالم الحقيقي. تفحص هذه المقارنة التقنية الاختلافات بين YOLOv5 وYOLOv8، وتستعرض معماريتيهما والمفاضلات بين الأداء وحالات الاستخدام المثالية، لمساعدتك على اتخاذ قرار مدروس لمشروع الذكاء الاصطناعي المقبل.
يمثل هذان النموذجان محطتين بارزتين في تاريخ كشف الأجسام في الزمن الفعلي، ويستفيدان كلاهما من انخفاض متطلبات الذاكرة وسهولة الاستخدام اللتين تميزان منظومة Ultralytics.
YOLOv5: المعيار الصناعي الموثوق#
ظهر YOLOv5 في عام 2020 وسرعان ما أصبح معيارًا واسع الاعتماد لكشف الأجسام بسرعة وسهولة وموثوقية. وبالاستفادة من تطبيق أصلي لـ PyTorch، بسّط مراحل التدريب والنشر للمهندسين حول 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 المراسي المحددة مسبقًا للتنبؤ بحدود الأجسام. وتضم معماريته عمودًا فقريًا شبكيًا من نوع Cross-Stage Partial (CSP)، ما يحسّن تدفق التدرجات ويقلل التكرار الحسابي. وينتج عن ذلك استهلاك منخفض للذاكرة، ما يجعله سريع التدريب حتى على GPUs الاستهلاكية المعتادة.
حالات الاستخدام المثالية#
يناسب YOLOv5 المشاريع التي تعطي الأولوية لأعلى معدل معالجة وأقل استهلاك للموارد. ويتفوق في بيئات الذكاء الاصطناعي الطرفي، مثل النشر على Raspberry Pi أو الأجهزة المحمولة. وبفضل نضجه، أثبت كفاءته في آلاف عمليات النشر التجارية، موفرًا سلوكًا مستقرًا لسير عمل كشف الأجسام التقليدي.
YOLOv8: إطار عمل موحد للرؤية#
أُصدر YOLOv8 في يناير 2023، وشكّل تحولًا معماريًا كبيرًا؛ إذ تطور من كاشف مخصص للأجسام إلى إطار عمل متنوع لمهام الرؤية المتعددة.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
- الوثائق: وثائق YOLOv8
ابتكارات البنية#
على خلاف الإصدار السابق، يقدم YOLOv8 رأس كشف خالٍ من المراسي. وهذا يلغي الحاجة إلى ضبط إعدادات المراسي يدويًا وفق توزيعات مجموعة البيانات، ويحسن التعميم عبر مجموعات البيانات، من مجموعة بيانات COCO الشائعة إلى البيانات المخصصة المتنوعة.
كما تطور المعمارية العمود الفقري بإضافة وحدة C2f (عنق زجاجة Cross-Stage Partial يتضمن عمليتي التفاف)، لتحل محل وحدة C3 الأقدم. ويحسن هذا التطوير تمثيل السمات دون تحميل الذاكرة عبئًا كبيرًا. بالإضافة إلى ذلك، يحسن تطبيق رأس مفصول، يفصل بين مهمتي التصنيف والانحدار، التقارب أثناء تدريب النموذج.
تعدد الاستخدامات وواجهة Python API#
قدم YOLOv8 واجهة Python API الحديثة ultralytics، موحدًا سير العمل عبر مختلف مهام الرؤية الحاسوبية. سواء أكنت تجري تجزئة المثيلات، أم تصنيف الصور، أم تقدير الوضعية، فإن واجهة API الموحدة لا تتطلب 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، يظهر تنازل تقليدي: يحقق YOLOv8 متوسط دقة متوسطًا أعلى (mAP) في مختلف الفئات، بينما يحتفظ YOLOv5 بتفوق في سرعة الاستدلال الخام وعدد المعلمات ضمن أصغر إصداراته.
فيما يلي مقارنة تفصيلية لمقاييس أدائهما على مجموعة بيانات COCO بحجم صورة يبلغ 640 بكسل.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
تُظهر البيانات أن YOLOv8 يحقق تحسنًا كبيرًا في الدقة. فعلى سبيل المثال، يحقق YOLOv8s قيمة mAP تبلغ 44.9، مقابل 37.4 لـ YOLOv5s، أي بزيادة قدرها 7.5 نقاط تساعد في المشاهد المكتظة ومع الأجسام الصغيرة. لكن YOLOv5n يظل الخيار الأكثر كفاءة للبيئات شديدة التقييد، إذ يمتلك أقل عدد من المعلمات وأقل عدد من عمليات FLOPs.
كلا النموذجين محسّن بدرجة كبيرة لاستهلاك ذاكرة CUDA أقل أثناء التدريب مقارنةً بالبنى الأثقل مثل نماذج Transformer. وهذا يتيح للممارسين استخدام أحجام دفعات أكبر على وحدات GPU القياسية، ما يسرّع دورة البحث.
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.
رغم أن منحنيات التعلم قد تكون أشد في أطر العمل الأخرى، تعطي Ultralytics الأولوية لتجربة استخدام مبسطة، بما يضمن مفاضلة مناسبة بين السرعة والدقة لمختلف سيناريوهات النشر في العالم الحقيقي.
ما بعد الإصدار 8: استكشاف YOLO11 وYOLO26#
على الرغم من القدرات العالية لإطار عمل YOLOv8، فإن مجال الذكاء الاصطناعي يتطور بسرعة. وينبغي للمطورين المهتمين بأحدث مستويات الأداء استكشاف YOLO11 أيضًا، إذ يبني على الإصدار v8 مع تحسين الدقة والسرعة.
للمشاريع الجديدة، توصي Ultralytics باستخدام Ultralytics YOLO26. وقد صدر YOLO26 في يناير 2026، ويقدم عدة تحسينات:
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يزيل الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) معالجة كبح الصناديق المحددة غير القصوى اللاحقة، ما يؤدي إلى مسارات نشر أبسط وأسرع. - مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج LLM التي تظهر في نماذج مثل Kimi K2، يستخدم YOLO26 مُحسِّنًا هجينًا لتدريب أكثر استقرارًا وتقارب أسرع.
- الحوسبة الطرفية: يعمل YOLO26n على CPU بسرعة تصل إلى 43% أكثر من YOLO11n، ما يجعل YOLO26 مناسبًا للأجهزة التي لا تحتوي على GPUs مخصصة.
- دقة محسّنة: يؤدي استخدام الخسارة التدريجية الجديدة وإسناد التسميات المراعي للأهداف الصغيرة (ProgLoss + STAL) إلى تحسين التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالروبوتات وصور الطائرات المسيّرة الجوية.
سواء أكنت تحافظ على نظام قديم يستخدم YOLOv5، أم توسع تطبيقًا متعدد الاستخدامات باستخدام YOLOv8، أم تعتمد YOLO26 للمشاريع الجديدة، توفر منظومة Ultralytics الأدوات اللازمة لتدريب ذكاء اصطناعي حديث للرؤية ونشره وصيانته.
التعليقات1
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
EllaSophia(تم التعديل)
Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.