YOLOv8 مقابل YOLO: مقارنة تقنية مفصلة
يعد اختيار النموذج الصحيح لاكتشاف الأجسام أمرًا بالغ الأهمية لمشاريع الرؤية الحاسوبية. تقدم هذه الصفحة مقارنة تقنية بين نموذجي Ultralytics YOLOv8 YOLO وهما من أحدث النماذج، مع تحليل بنيتهما وأدائهما وتطبيقاتهما.
Ultralytics YOLOv8
Ultralytics YOLOv8 هو التكرار الأحدث في سلسلة YOLO والمعروف بتوازنه بين السرعة والدقة في اكتشاف الأجسام ومهام الرؤية الأخرى مثل تجزئة المثيل وتقدير الوضعية. تم تطوير YOLOv8 من قبل جلين يوتشر، وأيوش تشوراسيا، وجينغ تشيو من شركة Ultralytics وتم إصداره في 2023-01-10، وهو يعتمد على إصدارات YOLO السابقة مع تحسينات معمارية وتركيز على سهولة الاستخدام. تؤكد وثائقها على سهولة الاستخدام وتعدد الاستخدامات، مما يجعلها مناسبة لمجموعة واسعة من التطبيقات والمستخدمين، من المبتدئين إلى الخبراء.
نقاط القوة:
- الأداء: يحقق YOLOv8 أحدث ما توصلت إليه التكنولوجيا مع الحفاظ على سرعات استدلالية مذهلة. يوفر أحجام نماذج مختلفة (n، s، m، l، x) لتناسب الاحتياجات الحسابية المختلفة.
- تعدد الاستخدامات: بالإضافة إلى اكتشاف الأشياء، يدعم YOLOv8 مهام رؤية متعددة بما في ذلك التجزئة والتصنيف وتقدير الوضعية، مما يوفر حلاً موحدًا لاحتياجات الرؤية الحاسوبية المتنوعة.
- سهولة الاستخدام: توفر Ultralytics وثائق وأدوات شاملة، مما يسهل التدريب والنشر والتكامل مع منصات مثل Ultralytics HUB.
- دعم المجتمع: يضمن المجتمع الكبير والنشط مفتوح المصدر التحسين المستمر والدعم الواسع النطاق.
نقاط الضعف:
- كثيفة الموارد: تتطلب نماذج YOLOv8 الأكبر حجمًا موارد حاسوبية كبيرة للتدريب والاستدلال.
- احتياجات التحسين: بالنسبة للأجهزة ذات الموارد المحدودة للغاية، قد يكون من الضروري إجراء المزيد من التحسينات مثل تقليم النماذج.
حالات الاستخدام:
إن تعدد استخدامات YOLOv8 يجعله مثاليًا لمجموعة واسعة من التطبيقات، بدءًا من تحليلات الفيديو في الوقت الفعلي في أنظمة الأمن والمدن الذكية إلى المهام المعقدة في الرعاية الصحية والتصنيع. كما أن سهولة استخدامه تجعله ممتازًا للنماذج الأولية والتطوير السريع.
دامو-YOLO
YOLO هو نموذج للكشف عن الأجسام تم تطويره من قبل مجموعة علي بابا وتم تقديمه في ورقة بحثية نُشرت على ArXiv في 2022-11-23. يركّز YOLO الذي ألّفه كل من شيانزي شو، ويكي جيانغ، وويهوا تشين، ويلون هوانغ، ويوان تشانغ، وشيويو صن، على إنشاء كاشف سريع ودقيق من خلال استخدام تقنيات مبتكرة. وتشمل هذه التقنيات العمود الفقري القائم على NAS، و RepGFPPN الفعال، و ZeroHead، إلى جانب استراتيجيات التدريب المتقدمة مثل AlignedOTA وتحسين التقطير. توفر الوثائق الرسمية ومستودع GitHub تفاصيل حول بنيته وتنفيذه.
نقاط القوة:
- دقة عالية: صُمم YOLO لتحقيق دقة عالية، وتحقيق نتائج تنافسية في خريطة MAP، ويتفوق بشكل خاص في السيناريوهات التي تتطلب اكتشافًا دقيقًا للأجسام.
- تصميم فعال: تُسهم الابتكارات المعمارية مثل ZeroHead في تصميم نموذج مبسط، يوازن بين الدقة والكفاءة الحسابية.
- تقنيات متقدمة: يدمج تقنيات متطورة مثل البحث عن البنية العصبية (NAS) لتصميم العمود الفقري و AlignedOTA للتدريب الأمثل.
نقاط الضعف:
- تنوع المهام المحدود: يركز في المقام الأول على اكتشاف الأجسام، ويفتقر إلى قدرات YOLOv8 متعددة المهام.
- التوثيق والمجتمع: بالمقارنة مع YOLOv8 قد يكون لدى YOLO مجتمع أصغر ووثائق أقل شمولاً، مما قد يشكل تحديات للمستخدمين الجدد أو أولئك الذين يسعون للحصول على دعم واسع النطاق.
- سرعة الاستدلال: على الرغم من كفاءة مقارنات السرعة المباشرة مع YOLOv8 على المعايير القياسية إلا أن مقارنات السرعة المباشرة مع YOLOv8 على المعايير القياسية أقل سهولة، وقد تختلف السرعة بناءً على تطبيقات وأجهزة معينة.
حالات الاستخدام:
يعد YOLO مناسبًا تمامًا للتطبيقات التي تكون فيها دقة الكشف العالية أمرًا بالغ الأهمية، مثل القيادة الذاتية والفحص الصناعي عالي الدقة وأنظمة المراقبة بالفيديو المتقدمة. إن تركيزها على الدقة والكفاءة يجعلها منافسًا قويًا للسيناريوهات التي يكون فيها الكشف التفصيلي والموثوق للأشياء أمرًا بالغ الأهمية.
جدول مقارنة الأداء
| الطراز | الحجم (بكسل) |
مافال 50-95 |
السرعة CPU ONNX (مللي ثانية) |
السرعة T4 T4TensorRT10 (مللي ثانية) |
بارامز (م) |
(ب) |
|---|---|---|---|---|---|---|
| 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| دامو يولوت | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| دامو يولو | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| دامو يولوم | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| دامو يولول | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
الخاتمة
يعد كل من YOLOv8 و YOLO نموذجين قويين للكشف عن الكائنات. يتميز YOLOv8 بتعدد استخداماته وسهولة استخدامه ومجتمعه القوي، مما يجعله مناسبًا لمجموعة واسعة من المهام وسيناريوهات التطوير. يتفوق YOLO في الدقة والتصميم الفعال، مما يجعله خيارًا قويًا للتطبيقات التي تتطلب اكتشافًا دقيقًا للأجسام. قد يفكر المستخدمون المهتمون بالنماذج الأخرى أيضًا في YOLOv7 أو YOLOv9 أو YOLOv9 أو YOLOX وفقًا لاحتياجاتهم وأولوياتهم الخاصة.
