YOLOv5 مقارنة بـ YOLOv9: مقارنة تفصيلية

تقدم هذه الصفحة مقارنة فنية بين نموذجين مهمين لاكتشاف الكائنات: Ultralytics YOLOv5 و YOLOv9. كلا النموذجين جزء من سلسلة YOLO (You Only Look Once) المؤثرة، والمعروفة بتحقيق التوازن بين السرعة والدقة في اكتشاف الكائنات في الوقت الفعلي. يستكشف هذا التحليل الاختلافات المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار النموذج الأنسب لمشاريع رؤية الكمبيوتر الخاصة بك.

Ultralytics YOLOv5: معيار الصناعة المعمول به

المؤلف: جلين جوتشر
المنظمة: Ultralytics
التاريخ: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
التوثيق: https://docs.ultralytics.com/models/yolov5/

اكتسب Ultralytics YOLOv5 شعبية سريعة بعد إطلاقه نظرًا لتوازنه الملحوظ بين السرعة والدقة وسهولة الاستخدام. يتميز YOLOv5، الذي تم تطويره بالكامل في PyTorch، ببنية تستخدم CSPDarknet53 كعمود فقري وPANet لتجميع الميزات، جنبًا إلى جنب مع رأس كشف فعال يعتمد على المرساة. إنه يوفر أحجام نماذج مختلفة (n, s, m, l, x)، مما يسمح للمستخدمين بالاختيار بناءً على مواردهم الحسابية واحتياجات الأداء.

نقاط القوة

• سرعة وكفاءة استثنائيتان: تم تحسين YOLOv5 بشكل كبير للاستدلال السريع، مما يجعله مثاليًا للتطبيقات في الوقت الفعلي على مختلف الأجهزة، بما في ذلك الأجهزة الطرفية.
• سهولة الاستخدام: تشتهر Ultralytics YOLOv5 بتجربة المستخدم المبسطة وواجهات Python و CLI البسيطة و الوثائق الشاملة.
• نظام بيئي مُدار بشكل جيد: يستفيد من نظام Ultralytics البيئي المتكامل، والذي يتميز بالتطوير النشط، ومجتمع كبير وداعم، والتحديثات المتكررة، والموارد الشاملة مثل Ultralytics HUB للتدريب بدون تعليمات برمجية.
• موازنة الأداء: تحقق مقايضة قوية بين سرعة الاستدلال ودقة الاكتشاف، ومناسبة لسيناريوهات النشر المتنوعة في العالم الحقيقي.
• تنوع الاستخدامات: يدعم مهامًا متعددة بما في ذلك اكتشاف الكائنات، و تجزئة المثيلات، و تصنيف الصور.
• كفاءة التدريب: يوفر عمليات تدريب فعالة، وأوزان مُدرَّبة مسبقًا متاحة بسهولة، ومتطلبات ذاكرة أقل بشكل عام مقارنة بالعديد من البنى الأخرى، وخاصة النماذج القائمة على المحولات.

نقاط الضعف

• الدقة: على الرغم من دقتها العالية في وقتها، يمكن للنماذج الأحدث مثل YOLOv9 تحقيق درجات mAP أعلى في المعايير القياسية مثل COCO.
• يعتمد على المربعات المحورية (Anchor-Based): يعتمد على مربعات محورية محددة مسبقًا، الأمر الذي قد يتطلب المزيد من الضبط لمجموعات بيانات معينة مقارنةً بالطرق الخالية من المربعات المحورية (anchor-free).

حالات الاستخدام

• المراقبة بالفيديو في الوقت الفعلي وأنظمة الأمان.
• النشر على الأجهزة الطرفية محدودة الموارد مثل Raspberry Pi و NVIDIA Jetson.
• الأتمتة الصناعية ومراقبة الجودة، مثل تحسين التصنيع باستخدام رؤية الكمبيوتر.
• النماذج الأولية والتطوير السريع نظرًا لسهولة استخدامه ونظامه البيئي القوي.

تعرف على المزيد حول YOLOv5

YOLOv9: تعزيز الدقة مع تقنيات جديدة

المؤلفون: Chien-Yao Wang, Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
التاريخ: 2024-02-21
Arxiv: https://arxiv.org/abs/2402.13616
GitHub: https://github.com/WongKinYiu/yolov9
التوثيق: https://docs.ultralytics.com/models/yolov9/

يقدم YOLOv9 ابتكارات معمارية كبيرة، وتحديدًا معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تهدف PGI إلى التخفيف من فقدان المعلومات أثناء تدفق البيانات عبر الشبكات العميقة من خلال توفير معلومات إدخال كاملة لحساب دالة الخسارة. GELAN عبارة عن بنية جديدة مصممة لتحقيق استخدام فائق للمعلمات وكفاءة حسابية. تسمح هذه التطورات لـ YOLOv9 بتحقيق دقة أعلى مع الحفاظ على الكفاءة.

نقاط القوة

• دقة محسنة: يسجل نتائج حديثة وممتازة على مجموعة بيانات COCO لكاشفات الأجسام في الوقت الفعلي، متجاوزًا YOLOv5 ونماذج أخرى في mAP.
• كفاءة محسّنة: تساهم GELAN و PGI في النماذج التي تتطلب عددًا أقل من المعلمات والموارد الحسابية (FLOPs) للحصول على أداء مماثل أو أفضل من النماذج السابقة.
• الحفاظ على المعلومات: يعالج PGI بشكل فعال مشكلة عنق الزجاجة المعلوماتي، وهو أمر بالغ الأهمية لتدريب الشبكات العميقة والأكثر تعقيدًا بدقة.

نقاط الضعف

• موارد التدريب: قد يكون تدريب نماذج YOLOv9 أكثر استهلاكًا للموارد ويستغرق وقتًا أطول مقارنة بـ Ultralytics YOLOv5، كما هو مذكور في وثائق YOLOv9.
• بنية أحدث: باعتباره نموذجًا أحدث من مجموعة بحثية مختلفة، فإن نظامه البيئي ودعم المجتمع وعمليات تكامل الطرف الثالث أقل نضجًا من Ultralytics YOLOv5 الراسخ.
• تنوع المهام: يركز بشكل أساسي على اكتشاف الكائنات، ويفتقر إلى الدعم المدمج للتقسيم والتصنيف و تقدير الوضع الموجود في نماذج Ultralytics مثل YOLOv5 و YOLOv8.

حالات الاستخدام

• التطبيقات التي تتطلب أعلى دقة ممكنة في الكشف عن الأجسام.
• السيناريوهات التي تكون فيها الكفاءة الحسابية ضرورية جنبًا إلى جنب مع الأداء العالي.
• تحليلات الفيديو المتقدمة والفحص الصناعي عالي الدقة.
• الذكاء الاصطناعي في إدارة حركة المرور وتطبيقات المدن الذكية التي تتطلب كشفًا عالي المستوى.

تعرف على المزيد حول YOLOv9

الأداء والمعايير: YOLOv5 ضد YOLOv9

عند مقارنة الأداء، تحقق نماذج YOLOv9 عمومًا درجات mAP أعلى من نظيراتها في YOLOv5، مما يدل على فعالية ابتكاراتها المعمارية. ومع ذلك، يحافظ Ultralytics YOLOv5 على مكانة قوية نظرًا لسرعة الاستدلال الاستثنائية والتنفيذ المحسن للغاية، مما يجعله خيارًا هائلاً للتطبيقات في الوقت الفعلي حيث يكون معدل الإطارات في الثانية (FPS) مقياسًا حاسمًا.

نظرة معمارية متعمقة

بنية YOLOv5

التصميم المعماري لـ Ultralytics YOLOv5 هو تطبيق مُحسَّن لمبادئ عائلة YOLO. ويتكون من ثلاثة أجزاء رئيسية:

• العمود الفقري: شبكة CSPDarknet53، وهي نسخة معدلة من Darknet-53 تتضمن وحدات Cross Stage Partial (CSP) لتقليل العمليات الحسابية مع الحفاظ على الدقة.
• الرقبة: يتم استخدام شبكة تجميع المسار (PANet) لتجميع الميزات من مستويات العمود الفقري المختلفة، مما يحسن اكتشاف الكائنات بمقاييس مختلفة.
• الرأس: رأس الاكتشاف قائم على المرساة، ويتوقع مربعات الإحاطة من أشكال مربعات المرساة المحددة مسبقًا، مما يساهم في سرعته العالية.

بنية YOLOv9

يقدم YOLOv9 مفاهيم جديدة لتجاوز حدود الدقة والكفاءة:

• معلومات التدرج القابلة للبرمجة (PGI): تم تصميم هذه الآلية لمكافحة مشكلة عنق الزجاجة المعلوماتي في الشبكات العميقة. وهي تضمن توفر معلومات الإدخال الكاملة لحساب دالة الخسارة، مما يؤدي إلى تحديثات تدرج أكثر موثوقية وتقارب أفضل للنموذج.
• شبكة تجميع الطبقات الفعالة المعممة (GELAN): هذه بنية شبكة جديدة تعتمد على مبادئ CSPNet و ELAN. تم تصميم GELAN لتحسين استخدام المعلمات والكفاءة الحسابية، مما يسمح للنموذج بتحقيق دقة أعلى بموارد أقل.

التدريب والنظام البيئي

تعتبر تجربة التدريب ودعم النظام البيئي هما المجالان اللذان تتألق فيهما Ultralytics YOLOv5 حقًا.

• سهولة الاستخدام: توفر YOLOv5 تجربة سهلة الاستخدام بشكل لا يصدق مع واجهات برمجة تطبيقات بسيطة لسطر الأوامر و Python، ودروس تعليمية شاملة، و وثائق شاملة.
• نظام بيئي مُدار بشكل جيد: باعتباره نموذج Ultralytics رسميًا، يُعد YOLOv5 جزءًا من نظام بيئي قوي يتضمن تطويرًا نشطًا ومجتمعًا كبيرًا على GitHub و Discord وتحديثات متكررة وتكاملًا سلسًا مع أدوات MLOps مثل Ultralytics HUB.
• كفاءة التدريب: يتميز YOLOv5 بكفاءة عالية في التدريب، مع أوزان مُدرَّبة مسبقًا متاحة بسهولة ومتطلبات ذاكرة أقل مقارنة بالبنى الأكثر تعقيدًا. وهذا يجعله في متناول المستخدمين الذين لديهم مجموعة واسعة من الأجهزة.

في حين أن YOLOv9 هو نموذج قوي، إلا أن عملية التدريب الخاصة به يمكن أن تكون أكثر تطلبًا، ونظامه البيئي ليس ناضجًا أو متكاملًا مثل نظام نماذج Ultralytics. بالنسبة للمطورين الذين يبحثون عن مسار سلس ومدعوم جيدًا من التدريب إلى النشر، يوفر YOLOv5 ميزة واضحة.

الخلاصة: أي نموذج يجب أن تختاره؟

يعتبر كل من YOLOv5 و YOLOv9 من النماذج الممتازة، لكنهما يلبيان أولويات مختلفة.

• Ultralytics YOLOv5 هو الخيار الأمثل للمطورين الذين يعطون الأولوية للسرعة وسهولة الاستخدام ونظام بيئي ناضج ومدعوم جيدًا. إن توازنه الاستثنائي في الأداء يجعله مثاليًا للتطبيقات في الوقت الفعلي، والنماذج الأولية السريعة، والنشر على أجهزة الذكاء الاصطناعي الطرفية (edge AI) ذات الموارد المحدودة. تزيد تنوعه عبر مهام رؤية متعددة من قيمته كإطار عمل للذكاء الاصطناعي البصري للأغراض العامة.

• YOLOv9 هو الأنسب للتطبيقات التي يكون فيها تحقيق أعلى دقة ممكنة للكشف عن الكائنات هو الهدف الأساسي، وتكون الموارد الحسابية للتدريب أقل أهمية. توفر بنيته المبتكرة نتائج متطورة على المعايير القياسية الصعبة.

بالنسبة لمعظم المستخدمين، وخاصة أولئك الذين يبحثون عن نموذج موثوق وسريع وسهل الاستخدام مع دعم مجتمعي وتجاري قوي، يظل Ultralytics YOLOv5 هو التوصية الأفضل. بالنسبة لأولئك المهتمين بأحدث التطورات من Ultralytics، فإن النماذج مثل YOLOv8 وأحدث YOLO11 تقدم أداءً وتنوعًا أكبر مع الحفاظ على تجربة سهلة الاستخدام تحدد نظام Ultralytics البيئي.

📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد

تعليقات