YOLOv8 مقابل YOLO11: تطور الكشف عن الكائنات في الوقت الفعلي

يعد اختيار بنية رؤية الكمبيوتر الصحيحة قرارًا بالغ الأهمية يؤثر على سرعة ودقة وقابلية التوسع في مشاريع الذكاء الاصطناعي الخاصة بك. يقدم هذا الدليل مقارنة فنية متعمقة بين Ultralytics YOLOv8، وهو معيار صناعي معتمد على نطاق واسع تم إصداره في عام 2023، و Ultralytics YOLO11، وهو أحدث تطور في سلسلة YOLO المصممة لتحقيق كفاءة وأداء فائقين. سنقوم بتحليل الاختلافات المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار أفضل نموذج لاحتياجاتك.

Ultralytics YOLOv8

المؤلفون: جلين جوتشر، أيوش تشوراسيا، و جينغ تشيو
المنظمة:Ultralytics
التاريخ: 2023-01-10
GitHub:https://github.com/ultralytics/ultralytics
المستندات:https://docs.ultralytics.com/models/yolov8/

يمثل YOLOv8، الذي تم إصداره في أوائل عام 2023، علامة فارقة مهمة في تاريخ الكشف عن الكائنات. لقد قدم إطارًا موحدًا يدعم مهام رؤية الكمبيوتر المتعددة - بما في ذلك الكشف و تقسيم المثيلات و تقدير الوضعية و تصنيف الصور - داخل مستودع واحد. ابتعد YOLOv8 عن الكشف القائم على المرساة إلى نهج خالٍ من المرساة، مما يبسط التصميم ويحسن التعميم عبر أشكال الكائنات المختلفة.

البنية والميزات الرئيسية

استبدل YOLOv8 وحدات C3 الموجودة في YOLOv5 بـ وحدة C2f (عنق الزجاجة الجزئي عبر المراحل مع اثنين من الالتواءات). أدى هذا التغيير إلى تحسين تدفق التدرج وتكامل الميزات مع الحفاظ على حجم خفيف الوزن. يتميز التصميم المعماري أيضًا برأس منفصل، يفصل بين مهام الكائن والتصنيف والانحدار لزيادة الدقة.

نقاط القوة والضعف

• نقاط القوة:
  • النظام البيئي الناضج: مدعوم بمجموعة واسعة من البرامج التعليمية المجتمعية و عمليات التكامل وأدلة النشر.
  • تنوع الاستخدامات: يدعم أصليًا OBB (الصندوق المحيط الموجه) والتصنيف جنبًا إلى جنب مع الكشف القياسي.
  • استقرار مثبت: خيار آمن لبيئات الإنتاج التي تتطلب نموذجًا له سجل حافل طويل.
• نقاط الضعف:
  • كفاءة السرعة: على الرغم من أنها سريعة، إلا أن YOLO11 تتفوق عليها في سرعات استدلال CPU وكفاءة المعلمات.
  • متطلبات الحوسبة: تتطلب المتغيرات الأكبر (L، X) المزيد من VRAM و FLOPs مقارنة بمكافئات YOLO11 المحسّنة.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

تعرف على المزيد حول YOLOv8

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/

YOLO11 يمثل أحدث ما توصلت إليه عائلة نماذج Ultralytics. تم تصميمه لإعادة تعريف الاستدلال في الوقت الفعلي، وهو يعتمد على نجاحات YOLOv8 ولكنه يقدم تحسينات معمارية كبيرة. يركز YOLO11 على زيادة الدقة إلى أقصى حد مع تقليل التكلفة الحسابية، مما يجعله الخيار الأول لتطبيقات الذكاء الاصطناعي الحديثة التي تتراوح من الأجهزة الطرفية إلى الخوادم السحابية.

البنية والميزات الرئيسية

يقدم YOLO11 وحدة C3k2 block و C2PSA (Cross-Stage Partial with Spatial Attention). تعمل هذه المكونات على تحسين قدرة النموذج على استخراج الميزات المعقدة والتعامل مع الانسداد بشكل أكثر فعالية من التكرارات السابقة. تم تحسين البنية من أجل السرعة، مما يوفر أوقات معالجة أسرع بشكل ملحوظ على وحدات المعالجة المركزية CPUs - وهو عامل حاسم في عمليات نشر الذكاء الاصطناعي الطرفي حيث قد لا تتوفر موارد GPU.

يحافظ النموذج على الواجهة الموحدة المميزة لـ Ultralytics، مما يضمن قدرة المطورين على التبديل بين المهام مثل OBB أو التجزئة دون تغيير سير العمل الخاص بهم.

نقاط القوة والضعف

• نقاط القوة:
  • كفاءة فائقة: يحقق mAP أعلى مع ما يصل إلى 22% عدد أقل من المعلمات من YOLOv8، مما يقلل من حجم النموذج واحتياجات التخزين.
  • استدلال أسرع: مُحسَّن خصيصًا للأجهزة الحديثة، مما يوفر سرعات أعلى على كل من الخلفيات CPU و GPU.
  • استخراج مُحسَّن للميزات: يحسن العمود الفقري الجديد detect الأجسام الصغيرة والأداء في المشاهد المزدحمة.
  • استخدام أقل للذاكرة: يتطلب ذاكرة CUDA أقل أثناء التدريب مقارنةً بالنماذج القائمة على المحولات مثل RT-DETR، مما يتيح التدريب على أجهزة أكثر سهولة.
• نقاط الضعف:
  • إصدار أحدث: كنموذج حديث، قد يستغرق الأمر بعض الوقت لتحديث دعم أدوات الطرف الثالث المتخصصة بالكامل، على الرغم من أن نظام Ultralytics الأساسي يدعمه منذ اليوم الأول.

from ultralytics import YOLO

# Load the latest YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

تعرف على المزيد حول YOLO11

مقارنة أداء مباشرة

تسلط المقارنة أدناه الضوء على مكاسب الكفاءة في YOLO11. في حين أن YOLOv8 لا يزال منافسًا قويًا، إلا أن YOLO11 يقدم باستمرار دقة أعلى (mAP) مع تقليل التعقيد الحسابي (FLOPs) وسرعات استدلال أسرع. يظهر هذا بشكل خاص في نموذجي "Nano" و "Small"، حيث يحقق YOLO11n 39.5 mAP مقارنة بـ 37.3 لـ YOLOv8n، كل ذلك أثناء التشغيل بشكل أسرع بكثير على وحدة المعالجة المركزية CPU.

النظام البيئي وسهولة الاستخدام

يستفيد كلا النموذجين من نظام Ultralytics البيئي القوي، المصمم لإضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال جعل أحدث التقنيات في متناول الجميع.

• واجهة برمجة تطبيقات موحدة: التبديل بين YOLOv8 و YOLO11 بسيط مثل تغيير سلسلة النموذج من yolov8n.pt إلى yolo11n.pt. لا يلزم إعادة هيكلة التعليمات البرمجية.
• كفاءة التدريب: توفر Ultralytics مجموعات بيانات التنزيل التلقائي والأوزان المدربة مسبقًا، مما يبسط خط الأنابيب من جمع البيانات إلى تدريب النموذج.
• تنوع النشر: يدعم كلا النموذجين التصدير بنقرة واحدة إلى تنسيقات مثل ONNX و TensorRT و CoreML و TFLite، مما يسهل النشر على أجهزة متنوعة بما في ذلك Raspberry Pi والهواتف المحمولة والحالات السحابية.
• مُدار بشكل جيد: تضمن التحديثات المتكررة التوافق مع أحدث إصدارات PyTorch و CUDA، مدعومة بمجتمع نشط على Discord و GitHub.

الخلاصة والتوصيات

في حين أن YOLOv8 لا يزال نموذجًا موثوقًا به وذو قدرات عالية ومناسبًا للحفاظ على الأنظمة القديمة، فإن YOLO11 هو التوصية الواضحة لجميع التطورات الجديدة.

• اختر YOLO11 إذا: كنت بحاجة إلى أعلى دقة ممكنة، أو سرعات استدلال أسرع (خاصة على وحدة المعالجة المركزية)، أو كنت تنشر على الأجهزة الطرفية ذات الموارد المحدودة حيث تكون الذاكرة والتخزين متميزين. توفر تحسيناتها المعمارية أساسًا مقاومًا للمستقبل للتطبيقات التجارية.
• اختر YOLOv8 إذا: كان لديك خط إنتاج حالي مُعدّل بشكل كبير لسلوكيات v8 محددة أو كنت مقيدًا بمتطلبات مشروع صارمة تمنع التحديث إلى أحدث بنية.

بالنسبة لأولئك المهتمين باستكشاف البنى الأخرى، تغطي وثائق Ultralytics أيضًا نماذج مثل YOLOv9 و YOLOv10 و RT-DETR. يمكنك عرض مقارنات أوسع على صفحة مقارنة النماذج الخاصة بنا.

تعليقات