YOLOv8 مقابل YOLO11#
شهد التطور السريع للرؤية الحاسوبية تقدمًا مستمرًا في أطر اكتشاف الكائنات في الزمن الحقيقي. ويُعد اختيار النموذج المناسب أمرًا بالغ الأهمية للمطورين والباحثين الذين يتعاملون مع المشهد الحديث، لتحقيق التوازن بين الدقة والسرعة وكفاءة الموارد. في هذه المقارنة التقنية، نستعرض الفروق بين نموذجين أساسيين من منظومة Ultralytics: Ultralytics YOLOv8 وUltralytics YOLO11.
يتميز كلا النموذجين بسمات معمارية Ultralytics المعروفة — سهولة الاستخدام ومنظومة تحظى بصيانة جيدة وكفاءة تدريب لا تُضاهى مع متطلبات ذاكرة منخفضة. لنتعمق في تصميم بنيتيهما ومعايير الأداء وسيناريوهات النشر المثلى.
نظرة عامة على النماذج#
قبل مقارنة مزاياهما التقنية المحددة، من المفيد توضيح أصول النموذجين ومواصفاتهما الأساسية.
Ultralytics YOLOv8#
طُرح YOLOv8 في أوائل عام 2023 بوصفه قفزة كبيرة إلى الأمام، وقدم اكتشافًا لا يعتمد على المراسي وتحسينات مهمة لدوال الخسارة، وسرعان ما أصبح المعيار الذهبي لمجموعة واسعة من مهام التعلم الآلي.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
استنادًا إلى نجاح أسلافه، حسّن YOLO11 البنية الأساسية لمواصلة دفع حدود باريتو للدقة وزمن الاستجابة إلى مستويات أعلى، مع تقديم عدد معلمات محسّن بدرجة كبيرة دون التضحية بقدرة التنبؤ.
- 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، وابتعد عن المراسي التقليدية، إذ تعامل مع اكتشاف الكائنات باعتباره مسألة تنبؤ بنقطة مركزية. وقد خفّض هذا النهج، الذي لا يعتمد على المراسي، تعقيد انحدار صناديق الإحاطة بدرجة كبيرة. وانطلق YOLO11 من هذا الأساس، فقدم شبكة هرمية محسّنة للميزات (FPN) وحوّل كتل C2f إلى وحدات C3k2. ويتيح هذا التعديل لـ YOLO11 استخراج ميزات مكانية أغنى، ما يحسن الدقة في اكتشاف الأجسام الأصغر التي تظهر عادةً في مجموعة بيانات COCO.
متطلبات الذاكرة وكفاءة التدريب#
من أبرز مزايا كل من YOLOv8 وYOLO11 انخفاض متطلبات الذاكرة أثناء التدريب. فعلى عكس محولات الرؤية الثقيلة التي قد تستنفد ذاكرة VRAM بسهولة على الأجهزة الاستهلاكية، حُسّنت هذه النماذج لتسهيل التدريب باستخدام PyTorch على وحدات GPU القياسية. ويحقق YOLO11 انخفاضًا كبيرًا في إجمالي عدد المعلمات — إذ يقل عدد المعلمات بنسبة تصل إلى 42% في الإصدار الكبير (L) مقارنةً بـ YOLOv8 — مع زيادة متوسط الدقة المتوسطة (mAP) في الوقت نفسه. وهذا يعني حقب تدريب أسرع وبصمة كربونية أقل لتدريب النماذج.
مقاييس الأداء#
لتقييم توازن الأداء بين هذه النماذج تقييمًا حقيقيًا، علينا الرجوع إلى معايير موضوعية. يقارن الجدول أدناه YOLOv8 وYOLO11 عبر متغيرات القياس 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 يتضح، يتفوق YOLO11 باستمرار على YOLOv8 من حيث الدقة، مع استخدام عدد أقل من المعلمات وعمليات FLOPs. وتبرز سرعة الاستدلال على CPU، المقاسة باستخدام ONNX Runtime، كفاءة YOLO11 الفائقة في عمليات النشر الطرفية. وعند التصدير إلى NVIDIA TensorRT، يحقق النموذجان زمن استجابة استثنائيًا يقل عن 15 ms، وهو أمر أساسي لتحليل تدفقات الفيديو في العالم الحقيقي.
المنظومة وسهولة الاستخدام#
يستفيد كلا النموذجين كثيرًا من حزمة Python الموحدة ultralytics. وتتيح سهولة الاستخدام للمهندسين الانتقال بسلاسة بين YOLOv8 وYOLO11. ويمكن إنجاز التدريب والتحقق والتصدير في بضعة أسطر من الشيفرة فحسب.
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")يمتد هذا التكامل السلس إلى منصة Ultralytics، التي تبسط التدريب السحابي ومراقبة النماذج ونشرها دون الحاجة إلى خبرة متقدمة في عمليات التطوير والتشغيل.
التنوع والتطبيقات العملية#
من أبرز سمات إطار عمل Ultralytics تعدد استخداماته. ويدعم كل من YOLOv8 وYOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية تتجاوز اكتشاف الكائنات القياسي:
- تجزئة الكائنات: أقنعة دقيقة للغاية على مستوى البكسل، مفيدة في التصوير الطبي والقيادة الذاتية.
- تقدير الوضعية: اكتشاف النقاط الرئيسية المصمم لتحليلات الرياضة والتفاعل بين الإنسان والحاسوب.
- تصنيف الصور: تصنيف خفيف الوزن يستخدم أعمدة فقريّة مدرّبة على ImageNet.
- صناديق الإحاطة الموجّهة (OBB): أساسية لتحديد الأجسام المستديرة في صور الأقمار الصناعية.
تتوفر YOLOv8 منذ مدة أطول، ولذلك يضم مستودعًا ضخمًا من شروحات المجتمع وعمليات نشر مؤسسية خضعت لاختبارات مكثفة. وإذا كنت تدمج النموذج مع مسارات عمل قديمة تتوقع بدقة أشكال موترات YOLOv8، فإنه يظل خيارًا موثوقًا للغاية. أما في المشاريع الجديدة التي تعطي الأولوية للكفاءة القصوى — مثل النشر على أجهزة الحوسبة الطرفية المضمنة كـ Raspberry Pi — فإن YOLO11 هو الخيار التشغيلي الواضح، بفضل تفوق نسبة السرعة إلى عدد المعلمات.
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 متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مجرّبًا لـالكشف والتقسيم والتصنيف وتقدير الوضعية 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 الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية 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 دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
الطليعة التقنية: ميزة YOLO26#
رغم أن YOLOv8 وYOLO11 بنيتان رائعتان، فإن تطور الذكاء الاصطناعي لا يتوقف. وبالنسبة إلى المطورين الساعين إلى أحدث ما توصلت إليه التقنية في عام 2026، يمثل Ultralytics YOLO26 قفزة هائلة جديدة إلى الأمام.
يعيد YOLO26 تصور مسار النشر من أساسه. فهو يتميز بتصميم شامل من البداية إلى النهاية بلا NMS، وهو نهج رائد ظهر لأول مرة في YOLOv10، ويلغي الخطوات المعقدة للمعالجة اللاحقة (باستخدام nms=False). كما أن إزالة DFL (خسارة التركيز التوزيعي) تبسط منطق التصدير بدرجة كبيرة وتعزز التوافق مع أجهزة الحوسبة الطرفية منخفضة الطاقة، ما يؤدي إلى استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنةً بأسلافه.
يعزز محسّن MuSGD الجديد استقرار التدريب وسرعة التقارب بدرجة كبيرة، وهو نهج هجين مستوحى من تقنيات تدريب نماذج اللغة الكبيرة. كما تحسن صيغ الخسارة الجديدة مثل ProgLoss + STAL التعرّف على الأجسام الصغيرة بدرجة كبيرة، وهي مشكلة طالما واجهت إنترنت الأشياء والروبوتات. وبفضل التحسينات الخاصة بالمهام، مثل RLE لتقدير الوضعية والنموذج الأولي متعدد المقاييس للتجزئة، يتفرد YOLO26 بأداء لا يُضاهى.
ابدأ بـ YOLOv8 إذا كنت بحاجة إلى دعم واسع من مجتمع المستخدمين للأنظمة القديمة. وانتقل إلى YOLO11 لتحصل على توازن محسّن للغاية بين السرعة وتقليل عدد المعلمات. أما إذا كنت تريد بنية المستقبل المثلى للحوسبة الطرفية والخالية من NMS، فاختر YOLO26.
الخلاصة#
يتوقف الاختيار بين YOLOv8 وYOLO11 في نهاية المطاف على الجدول الزمني لمشروعك وقيود الأجهزة. يُعد YOLOv8 نموذجًا راسخًا في القطاع، يوفر استقرارًا لا يُضاهى. أما YOLO11 فيحسّن تلك البنية، ويحقق mAP أعلى مع عدد أقل من المعلمات، ما يجعله خيارًا جذابًا للغاية لتطبيقات الحوسبة الطرفية محدودة الموارد. وبغض النظر عن اختيارك، تضمن واجهة Python البرمجية السلسة من Ultralytics بقاء سير تطويرك مرنًا وفعالًا ومدعومًا بالكامل. وعندما تكون مستعدًا لتجاوز حدود الممكن على الأجهزة الطرفية، سيكون YOLO26 جاهزًا.