YOLOv8 ضد YOLO11: مقارنة فنية مفصلة
عند اختيار نموذج رؤية حاسوبية، خاصةً للكشف عن الكائنات، فإن فهم نقاط القوة والضعف في البنى المختلفة أمر ضروري. تقدم هذه الصفحة مقارنة فنية مفصلة بين Ultralytics YOLOv8 و Ultralytics YOLO11، وهما من أحدث النماذج من Ultralytics المصممة للكشف عن الكائنات ومهام الرؤية الأخرى. سنقوم بتحليل الفروق الدقيقة المعمارية ومعايير الأداء والتطبيقات المناسبة لإرشادك في اتخاذ قرار مستنير لمشروعك.
Ultralytics YOLOv8
المؤلفون: جلين جوتشر، أيوش شوراسيا، و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolov8/
تم إصدار YOLOv8 في أوائل عام 2023، وسرعان ما أصبح معيارًا للكشف عن الكائنات في الوقت الفعلي، مما يوفر قفزة كبيرة في الأداء مقارنة بالإصدارات السابقة. قدم آلية كشف خالية من المرساة وعمودًا فقريًا جديدًا يعتمد على CSPDarknet53، مما أدى إلى تحسين كل من الدقة والسرعة. YOLOv8 هو نموذج متعدد الاستخدامات للغاية، يدعم مجموعة كاملة من مهام رؤية الذكاء الاصطناعي، بما في ذلك الكشف و تجزئة المثيل و تقدير الوضعية و تصنيف الصور.
البنية والميزات الرئيسية
تم تصميم بنية YOLOv8 لتحقيق الكفاءة والمرونة. يقلل رأسها الخالي من الـ anchors عدد التوقعات للصندوق، مما يبسط خط أنابيب ما بعد المعالجة ويسرع الاستدلال. تم تصميم النموذج كإطار عمل شامل، وليس مجرد نموذج واحد، مما يوفر نظامًا أساسيًا موحدًا لتدريب النماذج لمهام مختلفة. يعني هذا التكامل في نظام Ultralytics البيئي أن المستخدمين يستفيدون من سير عمل مبسط، من التدريب إلى النشر، مدعومًا بـ وثائق شاملة ومجموعة قوية من الأدوات.
نقاط القوة
- أداء مثبت: نموذج موثوق به للغاية ومعتمد على نطاق واسع وقد وضع معايير صناعية للأداء والسرعة.
- تنوع المهام: إطار عمل واحد وموحد قادر على التعامل مع الاكتشاف والتقسيم والتصنيف وتقدير الوضع.
- نظام بيئي ناضج: يستفيد من عدد كبير من الدروس التعليمية للمجتمع، وعمليات تكامل الجهات الخارجية، والنشر الواسع النطاق في بيئات الإنتاج.
- سهولة الاستخدام: يتميز بـ Python API و CLI بسيط، مما يجعله في متناول كل من المبتدئين والخبراء.
نقاط الضعف
- في حين أنه لا يزال من أفضل المؤدين، فقد تم تجاوز دقته وسرعته من قبل خلفه، YOLO11، خاصة في السيناريوهات المقيدة بوحدة المعالجة المركزية CPU.
- قد تكون النماذج الأكبر (YOLOv8l، YOLOv8x) مكثفة حسابيًا، وتتطلب موارد GPU كبيرة لتحقيق أداء في الوقت الفعلي.
حالات الاستخدام
لا يزال YOLOv8 خيارًا ممتازًا لمجموعة واسعة من التطبيقات، خاصةً حيث يتم تقدير الاستقرار والنظام البيئي الناضج. يتفوق في:
- الأتمتة الصناعية: لمراقبة الجودة واكتشاف العيوب في التصنيع.
- أنظمة الأمان: تشغيل أنظمة الأمان المتقدمة للمراقبة في الوقت الفعلي والكشف عن التسلل.
- تحليلات البيع بالتجزئة: تحسين إدارة المخزون وتحليل سلوك العملاء.
Ultralytics YOLO11
المؤلفون: جلين جوتشر و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolo11/
تعتبر YOLO11 أحدث تطور في سلسلة Ultralytics YOLO، وهي مصممة لتحقيق دقة وكفاءة فائقتين. بالاعتماد على الأساس القوي لـ YOLOv8، تقدم YOLO11 تحسينات معمارية تعمل على تحسين استخراج الميزات ومعالجتها. ينتج عن هذا دقة اكتشاف أعلى مع عدد أقل من المعلمات وسرعات استدلال أسرع، خاصة على وحدات المعالجة المركزية (CPUs). مثل سابقتها، YOLO11 هو نموذج متعدد المهام يدعم الاكتشاف والتجزئة والتصنيف وتقدير الوضع والمربعات المحيطة الموجهة (OBB) داخل نفس الإطار المبسط.
البنية والميزات الرئيسية
تعمل YOLO11 على تحسين هيكل الشبكة لتحقيق توازن أفضل بين التكلفة الحسابية والأداء. إنها تحقق دقة أعلى مع عدد أقل من المعلمات وعدد أقل من FLOPs مقارنة بـ YOLOv8، كما هو موضح في جدول الأداء أدناه. هذه الكفاءة تجعلها مناسبة جدًا للنشر عبر مجموعة واسعة من الأجهزة، من الأجهزة الطرفية ذات الموارد المحدودة إلى خوادم السحابة القوية. تتمثل إحدى الميزات الرئيسية لـ YOLO11 في تكاملها السلس في نظام Ultralytics البيئي الذي تتم صيانته جيدًا، والذي يضمن تجربة مستخدم ممتازة وعمليات تدريب فعالة مع أوزان مُدرَّبة مسبقًا متاحة بسهولة، واستخدام أقل للذاكرة أثناء التدريب والاستدلال.
نقاط القوة
- دقة هي الأحدث على مستوى التقنية: تقدم نتائج mAP أعلى من YOLOv8 عبر جميع أحجام النماذج، مما يضع معيارًا جديدًا لاكتشاف الكائنات.
- كفاءة محسنة: يوفر سرعات استدلال أسرع بشكل ملحوظ، خاصةً على CPU، مع طلب عدد أقل من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs).
- موازنة الأداء: يوفر توازنًا استثنائيًا بين السرعة والدقة، مما يجعله مثاليًا لمختلف التطبيقات الواقعية.
- قابلية التوسع وتعدد الاستخدامات: يعمل بشكل جيد على مختلف الأجهزة ويدعم مهام رؤية الكمبيوتر المتعددة داخل إطار عمل واحد سهل الاستخدام.
- نظام بيئي مُدار بشكل جيد: استفد من التطوير النشط، ودعم مجتمعي قوي عبر GitHub و Discord، والتحديثات المتكررة.
نقاط الضعف
- نظرًا لكونه نموذجًا أحدث، فقد يكون لديه في البداية عدد أقل من عمليات تكامل الطرف الثالث مقارنةً بـ YOLOv8 الأكثر رسوخًا.
- لا تزال النماذج الأكبر (مثل YOLO11x) تتطلب قوة حسابية كبيرة للتدريب والنشر، وهي سمة شائعة لأجهزة الكشف عالية الدقة.
حالات الاستخدام
تعتبر YOLO11 الخيار الموصى به للمشاريع الجديدة التي تتطلب أعلى مستويات الدقة والأداء في الوقت الفعلي. كفاءتها تجعلها مثالية لما يلي:
- الروبوتات: تمكين الملاحة الدقيقة والتفاعل مع الأجسام في الأنظمة المستقلة.
- الرعاية الصحية: المساعدة في تحليل الصور الطبية لتطبيقات مثل الكشف عن الأورام.
- المدن الذكية: تشغيل إدارة حركة المرور الذكية وأنظمة السلامة العامة.
مقارنة أداء مباشرة: YOLOv8 ضد YOLO11
يكمن التمييز الأساسي بين YOLOv8 و YOLO11 في الأداء. تتفوق YOLO11 باستمرار على YOLOv8 من خلال تقديم دقة أعلى (mAP) مع كفاءة أكبر (عدد أقل من المعلمات وسرعات أعلى). على سبيل المثال، تحقق YOLO11l نسبة mAP أعلى (53.4) من YOLOv8l (52.9) مع عدد أقل من المعلمات بنسبة 42٪ تقريبًا وهي أسرع بشكل ملحوظ على وحدة المعالجة المركزية CPU. هذا الاتجاه ثابت عبر جميع متغيرات النموذج، مما يجعل YOLO11 خليفة أكثر قوة وكفاءة.
النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
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 |
الخلاصة والتوصية
يعتبر كل من YOLOv8 و YOLO11 من النماذج الاستثنائية، لكنهما يخدمان احتياجات مختلفة قليلًا.
-
YOLOv8 هو نموذج قوي وناضج، مما يجعله رهانًا آمنًا للمشاريع التي تم بناؤها عليه بالفعل أو التي تعتمد بشكل كبير على نظامه البيئي الواسع من الأدوات والبرامج التعليمية الحالية التابعة لجهات خارجية. لا يزال خيارًا هائلاً لمجموعة واسعة من مهام رؤية الكمبيوتر.
-
YOLO11 هو الفائز الواضح من حيث الأداء والكفاءة. إنه يمثل أحدث ما توصلت إليه تكنولوجيا الكشف عن الأجسام في الوقت الفعلي. لأي مشروع جديد، يوصى ببدء التشغيل باستخدام YOLO11. توفر الدقة الفائقة وسرعات الاستدلال الأسرع (خاصة على CPU) والبنية الأكثر كفاءة ميزة كبيرة وتضمن مستقبل تطبيقك. إن الدعم والتطوير المستمر داخل النظام البيئي لـ Ultralytics يزيد من ترسيخ مكانته كخيار رئيسي للمطورين والباحثين.
بالنسبة للمهتمين باستكشاف نماذج أخرى، تدعم Ultralytics أيضًا مجموعة من architectures، بما في ذلك YOLOv5 الأساسية، و YOLOv9 الحديثة، والنماذج المستندة إلى المحولات مثل RT-DETR. يمكنك العثور على مزيد من المقارنات على صفحة مقارنة النماذج الخاصة بنا.