YOLOv8 مقابل YOLO11#
لقد كان التطور السريع لرؤية الكمبيوتر مدفوعاً بشكل كبير بالتقدم المستمر في أطر عمل اكتشاف الكائنات فيเวล الفعلي (real-time). بالنسبة للمطورين والباحثين الذين يتعاملون مع المشهد الحديث، يعد اختيار النموذج المناسب أمراً بالغ الأهمية لتحقيق التوازن بين الدقة والسرعة وكفاءة الموارد. في هذه المقارنة التقنية، سنستكشف الاختلافات بين نموذجين أساسيين من نظام Ultralytics البيئي وهما: Ultralytics YOLOv8 و Ultralytics YOLO11.
كلا النموذجين يظهران السمات المميزة لهياكل Ultralytics—سهولة الاستخدام، ونظام بيئي مُصان جيداً، وكفاءة تدريب لا مثيل لها مع متطلبات ذاكرة منخفضة. دعونا نتعمق في تصميماتهما المعمارية، ومقاييس الأداء، وسيناريوهات النشر المثالية.
نظرة عامة على النماذج#
قبل مقارنة مزاياهما التقنية المحددة، من المفيد تحديد أصول ومواصفات كل نموذج.
Ultralytics YOLOv8#
تم إطلاق YOLOv8 كقفزة نوعية في أوائل عام 2023، حيث قدم الكشف الخالي من نقاط الارتكاز (anchor-free) وتحسينات كبيرة على دوال الخسارة، ليصبح سريعاً المعيار الذهبي لمجموعة واسعة من مهام التعلم الآلي.
- المؤلفون: Glenn Jocher، وAyush Chaurasia، وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
بناءً على نجاح سابقيه، قام YOLO11 بتنقيح البنية الأساسية لدفع حدود باريتو (Pareto frontier) للدقة وزمن الانتقال بشكل أكبر، مقدماً عدداً محسناً للغاية من المعلمات دون التضحية بالقوة التنبؤية.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: ultralytics/ultralytics
إذا كنت تستكشف نهجاً بديلة، فإن Ultralytics تدعم أيضاً نماذج تعتمد على المحولات (transformer-based) مثل RT-DETR وأجهزة الكشف عن المفردات المفتوحة الصفرية مثل YOLO-World. ومع ذلك، للحصول على الحد الأدنى من زمن الانتقال (latency) وكفاءة الذاكرة، عادة ما تظل معماريات YOLO القياسية هي الخيار المفضل.
الاختلافات المعمارية والمنهجية#
يمثل التحول من YOLOv8 إلى YOLO11 تطوراً حذراً في تصميم الشبكة العصبية بدلاً من كونه تجديداً كاملاً، مما يضمن بقاء النظام البيئي المُصان جيداً المحيط بالنماذج مستقراً.
تحسينات العمود الفقري (Backbone) والعنق (Neck)#
قدمت YOLOv8 بنية أساسية مبسطة لشبكات CNN تخلت عن مربعات التثبيت التقليدية، معالجة اكتشاف الكائنات كمسألة تنبؤ بنقطة المركز فقط. هذا النهج الخالي من مربعات التثبيت قلل بشكل كبير من تعقيد انحدار مربع المحيط (bounding box regression). أخذت YOLO11 هذا الأساس وقدمت شبكة هرمية محسنة للميزات (FPN) وعدلت كتل C2f لتصبح وحدات C3k2. هذا التعديل يتيح لـ YOLO11 استخراج ميزات مكانية أكثر ثراءً، مما يترجم إلى دقة أفضل على الكائنات الأصغر الموجودة عادة في مجموعة بيانات COCO.
متطلبات الذاكرة وكفاءة التدريب#
واحدة من أبرز مزايا كل من YOLOv8 و YOLO11 هي متطلبات الذاكرة المنخفضة أثناء التدريب. على عكس محولات الرؤية الثقيلة التي يمكنها استنفاد ذاكرة VRAM بسهولة على الأجهزة الاستهلاكية، تم تحسين هذه النماذج لتدريب PyTorch السهل على وحدات معالجة الرسوميات القياسية. تحقق YOLO11 تخفيضاً كبيراً في إجمالي المعلمات -ما يصل إلى 42% معلمات أقل في المتغير الكبير (L) مقارنة بـ YOLOv8- مع زيادة دقة المتوسط الحسابي (mAP) في الوقت ذاته. هذا يعني عصور (epochs) أسرع وبصمة كربونية أقل لتدريب النموذج.
مقاييس الأداء#
لتقييم توازن الأداء لهذه النماذج بشكل موضوعي، يجب علينا النظر في المعايير الموضوعية. يقارن الجدول أدناه بين YOLOv8 و YOLO11 عبر متغيرات التحجيم القياسية (من النانو إلى الحجم الكبير جداً).
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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 | 165.2 |
| 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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
كما هو موضح، تفوق YOLO11 باستمرار YOLOv8 في الدقة بينما تستخدم معلمات و FLOPs أقل. تسلط سرعة الاستدلال (inference) على وحدة المعالجة المركزية (CPU)، المقاسة باستخدام ONNX Runtime، الضوء على كفاءة YOLO11 الفائقة لعمليات النشر على الحافة (edge deployments). عند التصدير إلى NVIDIA TensorRT، يقدم كلا النموذجين أوقات استجابة استثنائية تقل عن 15 مللي ثانية، وهو أمر ضروري لتحليل تدفق الفيديو في العالم الحقيقي.
النظام البيئي وسهولة الاستخدام#
يستفيد كلا النموذجين بشكل كبير من حزمة Python الموحدة ultralytics. هذه سهولة الاستخدام تتيح للمهندسين الانتقال بسلاسة بين YOLOv8 و YOLO11. يمكن تحقيق التدريب، والتحقق من الصحة، والتصدير في بضع أسطر فقط من التعليمات البرمجية.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model (you can simply swap to "yolov8n.pt")
model = YOLO("yolo11n.pt")
# Train the model efficiently on a local dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the optimized model to ONNX
model.export(format="onnx")تمتد التكاملات السلسة إلى منصة Ultralytics Platform، والتي تبسط التدريب المستند إلى السحابة، ومراقبة النماذج، والنشر دون الحاجة إلى معرفة متقدمة في DevOps.
التنوع وتطبيقات العالم الحقيقي#
سمة رئيسية لإطار عمل Ultralytics هي تنوعه المتأصل. يدعم كل من YOLOv8 و YOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية بخلاف الكشف القياسي عن الأجسام:
- تجزئة المثيلات: أقنعة عالية الدقة على مستوى البكسل مفيدة للتصوير الطبي والقيادة الذاتية.
- تقدير الوضعية: اكتشاف النقاط الرئيسية مصمم خصيصاً لتحليلات الرياضات والتفاعل بين الإنسان والآلة.
- تصنيف الصور: تصنيف خفيف الوزن يستخدم الشبكات الأساسية المدربة على ImageNet.
- مربعات التحيط الموجهة (OBB): حيوية لتحديد الكائنات الدتورة في صور الأقمار الصناعية.
يفتخر YOLOv8، لكونه متاحاً لفترة أطول، بمستودع ضخم من دروس المجتمع وعمليات النشر المؤسسية المختبرة بكثافة. إذا كنت تتكامل مع خطوط أنابيب قديمة تتوقع بدقة أشكال موتر YOLOv8، فإنه يظل خياراً موثوقاً للغاية. ومع ذلك، بالنسبة للمشاريع الجديدة التي تعطي الأولوية لأقصى قدر من الكفاءة—مثل النشر على أجهزة الحافة المدمجة مثل Raspberry Pi—يعد YOLO11 الفائز التشغيلي الواضح نظراً لنسبة السرعة إلى المعلمات الفائقة لديه.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv8 و YOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLOv8#
يعد YOLOv8 خياراً قوياً لـ:
- نشر متعدد المهام متعدد الاستخدامات: المشاريع التي تتطلب نموذجاً مثبتًا لـ الاكتشاف، والتقسيم، والتصنيف، وتقدير الوضع ضمن نظام Ultralytics البيئي.
- أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8 مع خطوط أنابيب نشر مستقرة ومختبرة جيداً.
- دعم مجتمعي ونظام بيئي واسع: التطبيقات التي تستفيد من دروس YOLOv8 الواسعة، والتكاملات مع أطراف ثالثة، وموارد المجتمع النشطة.
متى تختار YOLO11#
يوصى بـ YOLO11 لـ:
- نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
طليعة التكنولوجيا: ميزة YOLO26#
بينما تعد YOLOv8 و YOLO11 معماريات استثنائية، فإن مشهد الذكاء الاصطناعي لا يتوقف عن التطور أبداً. بالنسبة للمطورين الذين يستهدفون أحدث ما توصلت إليه التكنولوجيا في عام 2026، فإن Ultralytics YOLO26 يمثل القفزة الكبرى التالية.
يعيد YOLO26 تصور خط أنابيب النشر بشكل جذري. فهو يتميز بـ تصميم شامل خالٍ من NMS (قمع غير الحد الأقصى)، وهو نهج مبتكر تم ريادته لأول مرة في YOLOv10، مما يلغي خطوات المعالجة اللاحقة المعقدة. علاوة على ذلك، فإن إزالة DFL (خسارة البؤرة التوزيعية) تبسط منطق التصدير بشكل كبير وتعزز التوافق مع أجهزة الحافة منخفضة الطاقة، مما يؤدي إلى استنتاج أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43% مقارنة بأسلافه.
تم تحسين استقرار التدريب وسرعات التقارب بشكل كبير بواسطة محسن MuSGD الجديد، وهو هجين مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM). بالإضافة إلى ذلك، تعزز صياغات الخسارة الجديدة مثل ProgLoss + STAL التعرف على الأجسام الصغيرة بشكل كبير—وهي نقطة ضعف تاريخية لإنترنت الأشياء (IoT) والروبوتات. مع تحسينات خاصة بالمهام مثل RLE لتقدير الوضعية و
ابدأ رحلتك مع YOLOv8 إذا كنت بحاجة إلى دعم مجتمعي واسع للأنظمة القديمة. قم بالترقية إلى YOLO11 للحصول على توازن دقيق للغاية بين السرعة والمعلمات المخفضة. انتقل إلى YOLO26 للحصول على البنية النهائية المحسنة للحافة والخالية من NMS للمستقبل.
الخلاصة#
يعتمد الاختيار بين YOLOv8 و YOLO11 في النهاية على الجدول الزمني لمشروعك وقيود الأجهزة. YOLOv8 هو عملاق مختبر في الصناعة، ويوفر استقراراً لا مثيل له. وعلى العكس من ذلك، ينقح YOLO11 تلك البنية، مقدماً متوسط دقة (mAP) أعلى مع معلمات أقل، مما يجعله جذاباً بشكل لا يصدق لتطبيقات الحافة المحدودة الموارد. بغض النظر عن اختيارك، تضمن واجهة برمجة تطبيقات Ultralytics Python السلسة بقاء سير عمل التطوير الخاص بك مرناً وفعالاً ومدعوماً بالكامل. وعندما تكون مستعداً لدفع حدود الممكن على أجهزة الحافة، فإن YOLO26 جاهز وينتظر.