YOLOv8 مقابل YOLO11#
كان التطور السريع في الرؤية الحاسوبية مدفوعًا بالتقدم المستمر في أطر عمل اكتشاف الكائنات الآني. ويُعد اختيار النموذج المناسب أمرًا أساسيًا للمطورين والباحثين لتحقيق التوازن بين الدقة والسرعة وكفاءة الموارد. تستكشف هذه المقارنة التقنية الفروق بين نموذجين أساسيين من منظومة Ultralytics: Ultralytics YOLOv8 وUltralytics YOLO11.
يشترك النموذجان في السمات المميزة لبنى Ultralytics: سهولة الاستخدام ومنظومة تحظى بصيانة جيدة والتدريب الفعال مع متطلبات ذاكرة منخفضة. وتتناول الأقسام التالية تصميميهما المعماريين ومعايير الأداء وسيناريوهات النشر المثلى.
نظرة عامة على النماذج#
قبل مقارنة مزاياهما التقنية المحددة، من المفيد توضيح أصول النموذجين ومواصفاتهما الأساسية.
Ultralytics YOLOv8#
أُطلق YOLOv8 في أوائل عام 2023، وقدّم اكتشافًا خاليًا من المراسي وتحسينات كبيرة لدوال الخسارة، وسرعان ما انتشر استخدامه في العديد من مهام الرؤية.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
استنادًا إلى أسلافه، حسّن YOLO11 البنية الأساسية لتحقيق توازن أفضل بين الدقة وزمن الاستجابة، فقلّل عدد المعلمات مع زيادة الدقة.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: ultralytics/ultralytics
إذا كنت تستكشف أساليب بديلة، فإن Ultralytics تدعم أيضًا النماذج القائمة على المحولات مثل RT-DETR وكواشف المفردات المفتوحة ذات التعلم الصفري مثل YOLO-World. ومع ذلك، تظل بنى YOLO القياسية عادةً الخيار المفضل لتحقيق أفضل زمن استجابة وكفاءة ذاكرة.
الاختلافات المعمارية والمنهجية#
يمثل الانتقال من YOLOv8 إلى YOLO11 تطورًا مدروسًا في تصميم الشبكات العصبية، لا إصلاحًا شاملًا، ما يضمن استقرار المنظومة التي تحظى بصيانة جيدة حول النموذجين.
تحسينات العمود الفقري والعنق#
قدّم YOLOv8 عمودًا فقريًا مبسطًا قائمًا على CNN ابتعد عن صناديق المراسي التقليدية، وتعامل مع اكتشاف الكائنات بوصفه مسألة تنبؤ بنقطة مركزية فحسب. وقد خفّض هذا النهج الخالي من المراسي تعقيد انحدار المربعات المحيطة بدرجة كبيرة. واستند YOLO11 إلى هذا الأساس، فقدم شبكة هرمية للميزات (FPN) محسّنة، وحوّل كتل C2f إلى وحدات C3k2. ويتيح هذا التعديل لـYOLO11 استخراج ميزات مكانية أغنى، ما يحسن الدقة على الأجسام الأصغر التي تظهر عادةً في مجموعة بيانات COCO.
متطلبات الذاكرة وكفاءة التدريب#
من أبرز مزايا YOLOv8 وYOLO11 انخفاض متطلبات الذاكرة أثناء التدريب. فعلى خلاف محولات الرؤية الثقيلة التي قد تستنفد ذاكرة VRAM بسهولة على الأجهزة الاستهلاكية، صُمم هذان النموذجان للتدريب باستخدام PyTorch على وحدات GPU القياسية. ويحقق YOLO11 انخفاضًا كبيرًا في إجمالي المعلمات، يصل إلى 42% في النسخة الكبيرة (L) مقارنةً بـYOLOv8، مع زيادة متوسط الدقة (mAP). وهذا يعني حقبًا تدريبية أسرع وبصمة كربونية أقل لتدريب النماذج.
مقاييس الأداء#
تُظهر المعايير الموضوعية توازن الأداء بين هذين النموذجين. ويقارن الجدول أدناه YOLOv8 وYOLO11 عبر أحجامهما القياسية (من Nano إلى Extra-Large).
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
كما هو موضح، يتفوق YOLO11 باستمرار على YOLOv8 من حيث الدقة، مع استخدام عدد أقل من المعلمات وعمليات FLOPs. وتبرز سرعة استدلال CPU، المقاسة باستخدام ONNX Runtime، كفاءة YOLO11 في عمليات النشر الطرفية. وعند التصدير إلى NVIDIA TensorRT، يستغرق كلا النموذجين أقل من 15 ms لكل صورة على وحدة GPU من طراز T4، ما يجعلهما مناسبين لتحليل تدفقات الفيديو في العالم الحقيقي.
المنظومة وسهولة الاستخدام#
يشترك النموذجان في حزمة Python الموحدة ultralytics، لذا يمكن للمهندسين التبديل بين YOLOv8 وYOLO11 بتغيير ملف الأوزان. ويمكن تنفيذ التدريب والتحقق والتصدير باستخدام بضعة أسطر من التعليمات البرمجية.
from ultralytics import YOLO
# تحميل نموذج YOLO11 مدرّب مسبقًا (يمكنك ببساطة التبديل إلى "yolov8n.pt")
model = YOLO("yolo11n.pt")
# تدريب النموذج بكفاءة على مجموعة بيانات محلية
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# تصدير النموذج المحسّن إلى ONNX
model.export(format="onnx")توسّع منصة Ultralytics نطاق سير العمل هذا من خلال التدريب السحابي ومراقبة النماذج ونشرها، دون الحاجة إلى معرفة متقدمة بعمليات DevOps.
التنوع والتطبيقات العملية#
تتمثل إحدى نقاط القوة الرئيسية لإطار عمل Ultralytics في تعدد الاستخدامات. يدعم كل من YOLOv8 وYOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية، إلى جانب اكتشاف الكائنات القياسي:
- تجزئة المثيلات: أقنعة دقيقة على مستوى البكسل، مفيدة في التصوير الطبي والقيادة الذاتية.
- تصنيف الصور: تصنيف خفيف الوزن باستخدام أعمدة فقريّة مدرّبة على ImageNet.
- تقدير الوضعيات: اكتشاف النقاط المفتاحية لتحليلات الرياضة والتفاعل بين الإنسان والحاسوب.
- صناديق الإحاطة الموجّهة (OBB): أساسية لتحديد الأجسام المستديرة في صور الأقمار الصناعية.
نظرًا إلى توفر YOLOv8 منذ مدة أطول، تتوافر له مجموعة كبيرة من الشروحات المجتمعية وعمليات النشر المؤسسية المجربة جيدًا. وإذا كنت تدمجه مع مسارات عمل قديمة تتوقع أشكال موترات YOLOv8 تحديدًا، فسيظل خيارًا موثوقًا. أما للمشاريع الجديدة التي تعطي الأولوية للكفاءة، مثل النشر على أجهزة الحافة المضمنة كـRaspberry Pi، فيُعد YOLO11 الخيار الأفضل بفضل دقته الأعلى وعدد معلماته الأقل وزمن استجابته الأدنى على CPU.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv8 وYOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.
متى تختار YOLOv8#
يُعد YOLOv8 خيارًا قويًا لـ:
- نشر مرن متعدد المهام: مشاريع تتطلب نموذجًا مثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعيات ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار YOLO11#
يوصى بـ YOLO11 لما يلي:
- النشر الطرفي في بيئات الإنتاج: تطبيقات تجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أساسيتين.
- تطبيقات الرؤية متعددة المهام: مشاريع تتطلب الكشف والتجزئة وتقدير الوضعيات وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
مزايا YOLO26#
يُعد كل من YOLOv8 وYOLO11 بنية قوية، لكن Ultralytics YOLO26 هو الخيار التالي الموصى به للمشاريع الجديدة في عام 2026.
يبسّط YOLO26 مسار النشر. ويتضمن تصميمًا شاملًا من البداية إلى النهاية بلا NMS، وهو نهج أدخله YOLOv10 إلى نماذج YOLO، ويلغي (باستخدام nms=False) المعالجة اللاحقة باستخدام NMS. وتبسّط إزالة DFL (خسارة التركيز التوزيعي) منطق التصدير وتحسّن التوافق مع الأجهزة الطرفية منخفضة الطاقة، كما يوفر YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLO11n.
يتحسن استقرار التدريب وسرعة التقارب باستخدام محسّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تقنيات تدريب LLM. ويحسّن ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة) اكتشاف الأجسام الصغيرة، وهو تحدٍ قائم منذ زمن طويل في إنترنت الأشياء والروبوتات. وتشمل التحسينات الخاصة بالمهام استخدام RLE لتقدير الوضعيات ووحدة نموذج أولي متعددة المقاييس للتجزئة.
اختر YOLOv8 إذا كنت تعتمد على موارده المجتمعية الواسعة وعمليات النشر الحالية. واختر YOLO11 لتحقيق توازن محسّن بين السرعة وعدد المعلمات. واختر YOLO26، النموذج الموصى به حاليًا، للاستدلال الطرفي المحسّن والخالي من NMS.
الخلاصة#
يتوقف الاختيار بين YOLOv8 وYOLO11 في النهاية على الجدول الزمني لمشروعك وقيود العتاد. YOLOv8 مجرّب ومستقر. أما YOLO11 فيحسّن بنيته، محققًا mAP أعلى بعدد أقل من المعلمات، ما يجعله خيارًا جذابًا للتطبيقات الطرفية محدودة الموارد. وفي كلتا الحالتين، تحافظ واجهة Python API المشتركة من Ultralytics على اتساق سير عمل التطوير ودعمه جيدًا، كما يتوفر YOLO26 عند الحاجة إلى أفضل أداء طرفي.