مقارنة بين YOLOv5 و YOLOv9#

شهد مشهد الرؤية الحاسوبية واكتشاف الأشياء في الوقت الفعلي تطورات ملحوظة على مدى السنوات القليلة الماضية. ويعد التنقل بين خيارات النماذج الراسخة والمختبرة ميدانياً وبين معماريات البحث الأحدث تحدياً شائعاً لمهندسي تعلم الآلة. يقدم هذا الدليل مقارنة تقنية شاملة بين نموذجين مؤثرين للغاية في عائلة YOLO: YOLOv5 و YOLOv9.

سواء كنت تقوم نشر النماذج على حافة الأجهزة المقيدة، أو تبحث في استخراج الميزات عالية الدقة، أو تبني خطوط أنابيب object detection المعقدة، فإن فهم الفروق الدقيقة المعمارية، ومقاييس الأداء، واختلافات النظام البيئي لهذه النماذج يعد أمراً بالغ الأهمية.

نظرة عامة على النماذج#

قبل الغوص في المقارنات المعمارية، من المفيد فهم أصول وأهداف كل نموذج.

Ultralytics YOLOv5#

تم تطوير YOLOv5 بواسطة Glenn Jocher وتم إصداره بواسطة Ultralytics في 26 يونيو 2020، مما يمثل تحولاً نموذجياً في كيفية تفاعل المطورين مع نماذج الرؤية. من خلال تبني إطار عمل PyTorch بشكل كامل، استبدلت YOLOv5 خطوات التجميع المعقدة لنماذج Darknet السابقة بتجربة مستخدم بديهية تعتمد على Python أولاً.

• المؤلف: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: YOLOv5 Repository
• Docs: YOLOv5 Documentation

تشتهر YOLOv5 بـ Ease of Use وأدائها المستقر عبر بيئات الأجهزة المتنوعة. وهي لا تدعم الاكتشاف فحسب، بل تدعم أيضاً image classification و instance segmentation.

اعرف المزيد عن YOLOv5

YOLOv9#

تم تقديم YOLOv9 بواسطة Chien-Yao Wang و Hong-Yuan Mark Liao من معهد علوم المعلومات في أكاديمية سينيكا، تايوان، ويركز بشكل كبير على النظرية المعمارية لتخفيف مشاكل اختناق المعلومات في الشبكات العصبية العميقة.

• المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
• المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
• التاريخ: 21-02-2024
• Arxiv: 2402.13616
• GitHub: مستودع YOLOv9
• المستندات: توثيق YOLOv9

يعتمد جوهر YOLOv9 على ابتكارين نظريين رئيسيين: معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تساعد هذه المفاهيم النموذج على الاحتفاظ بالميزات المكانية الحيوية عبر طبقات الشبكة العميقة.

اعرف المزيد عن YOLOv9

الاختلافات المعمارية والتقنية#

يعد فهم ما يدعم هذه نماذج الرؤية تحت غطاء المحرك أمراً حيوياً لتحسين استراتيجيات model deployment.

استخراج الميزات والاحتفاظ بالمعلومات#

تستخددم YOLOv5 هيكل Cross Stage Partial Network (CSPNet)، والذي يقلل بشكل فعال من الحمل الحسابي مع الحفاظ على تدفق التدرج الدقيق أثناء الانتشار الخلفي. هذا التصميم محسّن للغاية لعمليات GPU operations التقليدية ويضمن متطلبات ذاكرة أقل أثناء التدريب مقارنة بدائل المحولات الثقيلة.

تقدم YOLOv9 هيكل GELAN، وهو بنية عامة توسع مبادئ CSPNet. إلى جانب PGI - وهو فرع إضافي قابل للاسترجاع - تضمن YOLOv9 ألا تفقد الطبقات العميقة البيانات الدلالية اللازمة لدوال الأهداف الدقيقة. يتيح ذلك لـ YOLOv9 تحقيق accuracy عالية، لا سيما على الكائنات الصغيرة، على الرغم من أن التفريع الإضافي المعقد يمكن أن يعقد أحياناً خطوط أنابيب التصدير إلى الأجهزة الطرفية المقيدة بشدة.

متطلبات الذاكرة وكفاءة التدريب#

عندما يتعلق الأمر بكفاءة التدريب، تظل YOLOv5 قوية بشكل لا يصدق. يضمن Ultralytics ecosystem المُدار جيداً أن تستهلك نماذج YOLOv5 ذاكرة CUDA أقل بكثير، مما يسمح للباحثين بتعظيم batch sizes على وحدات معالجة الرسومات الاستهلاكية. في حين أن YOLOv9 تحقق كفاءة متميزة في المعلمات (دقة عالية بالنسبة لحجمها)، فإن عملية التدريب الخاصة بها يمكن أن تتطلب موارد أكثر إذا لم يتم استخدام أطر عمل محسنة. لحسن الحظ، فإن دمج YOLOv9 في Ultralytics API يقربها من التكافؤ مع إدارة الموارد المبسطة لـ YOLOv5.

الأداء والمقاييس#

لتقييم هذه المعماريات بموضوعية، نقارن أداءها على مجموعات بيانات قياسية مثل COCO. فيما يلي تفصيل دقيق للمقاييس مثل mAP (متوسط الدقة)، وسرعة الاستنتاج، وعدد المعلمات.

كما يُظهر الجدول، تحقق YOLOv9 دقة خام أعلى في المستويات المكافئة، مما يعكس بنيتها الأحدث. ومع ذلك، تحافظ YOLOv5n على زمن وصول TensorRT منخفض بشكل لا يصدق يبلغ 1.12 مللي ثانية، مما يسلط الضوء على قوتها المستمرة لتطبيقات edge computing عالية السرعة والمحلية.

منهجيات التدريب وسهولة الاستخدام#

تكمن الميزة الحقيقية للاستفادة من computer vision اليوم في إمكانية الوصول إلى مجموعة الأدوات.

ميزة Ultralytics#

في حين أن مستودعات البحث الأصلية لنماذج مثل YOLOv9 تعتبر أساسية، إلا أنها غالباً ما تأتي مع مصفوفات تبعية معقدة ونصوص برمجية أساسية. تقوم Ultralytics Python API بتجريد هذه التعقيدات تماماً. مع نظام Ultralytics البيئي، يمكنك تدريب وتقييم وتصدير كل من YOLOv5 و YOLOv9 بناءً على بناء جملة موحد ومطابق.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model for fast deployment
model_v5 = YOLO("yolov5s.pt")

# Or leverage a YOLOv9 model for high-fidelity accuracy
model_v9 = YOLO("yolov9c.pt")

# Train seamlessly on custom data with automatic MLflow logging
results = model_v9.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export the trained model to ONNX
model_v9.export(format="onnx")

يوفر نهج واجهة برمجة التطبيقات (API) الفردية هذا Versatility هائلة، فهو لا يدعم الاكتشاف فحسب، بل يدعم أيضاً pose estimation و oriented bounding boxes (OBB) اعتماداً على النموذج المختار. علاوة على ذلك، يتم دمج عمليات التكامل القوية مع أدوات مثل Comet ML و Weights & Biases مباشرة في حلقة التدريب.

حالات الاستخدام المثالية والتطبيقات الواقعية#

يعتمد الاختيار بين هذه المعماريات إلى حد كبير على قيود أجهزتك والدقة التي يتطلبها مجال تطبيقك.

متى تختار YOLOv5#

YOLOv5 هو مخضرم تم اختباره في المعارك ويتألق في عمليات النشر التي تعطي الأولوية للاستقرار، وبصمات الذاكرة المنخفضة، وتوافق التصدير الفائق.

• Mobile Deployments: يُعد تصدير YOLOv5 إلى TFLite أو CoreML للاستدلال على الجهاز في الهواتف الذكية القديمة أمراً سلساً بشكل لا يصدق.
• Legacy Edge Hardware: بالنسبة للأجهزة مثل Raspberry Pi أو الجيل المبكر من NVIDIA Jetson Nanos، تضمن الالتفافات البسيطة لـ YOLOv5 معدلات إطارات ثابتة لتطبيقات مثل smart parking management.
• Rapid Prototyping: التوفر الواسع النطاق لدروس المجتمع، وتوافق pre-trained weights المخصصة، ومجموعات البيانات الضخمة يجعلها أسرع طريقة للتحقق من صحة إثبات المفهوم.

متى تختار YOLOv9#

يعد YOLOv9 مثالياً للسيناريوهات التي يكون فيها التقاط التفاصيل المعقدة وتقليل السلبيات الكاذبة أمراً بالغ الأهمية، حتى لو تطلب ذلك عبئاً حسابياً أكبر قليلاً.

• Aerial and Satellite Imagery: يتمتع إطار عمل PGI بمهارة عالية في الحفاظ على دقة الكائنات الصغيرة، مما يجعل YOLOv9 ممتازة لعمليات agricultural monitoring المعتمدة على الطائرات بدون طيار.
• تشخيص التصوير الطبي: عند اكتشاف تشوهات أو آفات دقيقة في عمليات المسح عالية الدقة، يوفر تدفق التدرج الدقيق لـ GELAN ميزة ضرورية في الاستدعاء.
• تحليلات التجزئة المتطورة: يستفيد تتبع المنتجات المتداخلة على الأرفف الكثيفة بشكل كبير من قدرات الاحتفاظ بالميزات المتفوقة في YOLOv9.

توسيع آفاقك#

في حين أن مقارنة YOLOv5 و YOLOv9 تقدم نظرة واضحة على كيفية تطور البنى من عام 2020 إلى عام 2024، فإن مجال الذكاء الاصطناعي يتحرك بشكل أسرع من أي وقت مضى. بالنسبة للمطورين الذين يسعون للحصول على أحدث حدود الأداء، يُشجع بشدة استكشاف أحدث YOLO26 models. من خلال استبدال كبح الحد الأقصى غير البصري (NMS) التقليدي بـ End-to-End NMS-Free Design أصلي واستخدام MuSGD Optimizer المتقدم، تعمل YOLOv26 على سد الفجوة بين دقة مستوى البحث وسرعة مستوى الإنتاج. ومع DFL Removal (إزالة فقدان بؤرة التوزيع لتصدير مبسط وتحسين توافق الأجهزة الطرفية / منخفضة الطاقة)، تحقق YOLOv26 استدلال وحدة معالجة مركزية (CPU) أسرع بنسبة تصل إلى 43% faster CPU inference، مما يجعلها مثالية للحوسبة الطرفية. بالإضافة إلى ذلك، يوفر ProgLoss + STAL وظائف فقدان محسنة مع تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء، والروبوتات، والتر-ايمجري الجوية.

قد تكون مهتمًا أيضًا بمقارنة هذه البنى مقابل نماذج أخرى متطورة مثل RT-DETR أو YOLO11 عالية الكفاءة. يضمن استخدام إطار عمل Ultralytics الموحد أنه بغض النظر عن النموذج الذي تختاره، يظل مسار التطوير الخاص بك نظيفًا وفعالًا وقابلاً للتوسع.