YOLOv8 YOLO11: مقارنة تقنية شاملة لنماذج الرؤية في الوقت الحقيقي

لقد كان التطور السريع في مجال الرؤية الحاسوبية مدفوعًا بشكل كبير بالتقدم المستمر في أطر عمل الكشف عن الكائنات في الوقت الفعلي. بالنسبة للمطورين والباحثين الذين يتعاملون مع المشهد الحديث، فإن اختيار النموذج المناسب أمر بالغ الأهمية لتحقيق التوازن بين الدقة والسرعة وكفاءة الموارد. في هذه المقارنة الفنية، سوف نستكشف الاختلافات بين نموذجين أساسيين من Ultralytics : Ultralytics YOLOv8 و Ultralytics YOLO11.

يُظهر كلا النموذجين السمات المميزة Ultralytics —سهولة الاستخدام، ونظام بيئي مُحافظ عليه جيدًا، وكفاءة تدريب لا مثيل لها مع متطلبات ذاكرة منخفضة. دعونا نتعمق في تصميمات هياكلهما ومعايير الأداء وسيناريوهات النشر المثالية.

نظرات عامة على النموذج

قبل مقارنة مزاياهما التقنية المحددة، من المفيد تحديد أصول ومواصفات كل من الطرازين.

Ultralytics YOLOv8

تم إصدار YOLOv8 في أوائل عام 2023 كخطوة كبيرة إلى الأمام، حيث YOLOv8 خاصية الكشف بدون مرساة وتحسينات كبيرة على وظائف الخسارة، وسرعان ما أصبحت المعيار الذهبي لمجموعة واسعة من مهام التعلم الآلي.

المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
المؤسسة:Ultralytics
التاريخ: 2023-01-10
GitHub:ultralytics/ultralytics

تعرف على المزيد حول YOLOv8

Ultralytics YOLO11

بناءً على نجاح سابقاتها، YOLO11 البنية الأساسية لدفع حدود باريتو للدقة والكمون إلى أبعد من ذلك، حيث أدخلت عددًا من المعلمات المحسّنة للغاية دون التضحية بالقدرة التنبؤية.

المؤلفون: غلين جوشر وجينغ تشيو
المؤسسة:Ultralytics
التاريخ: 2024-09-27
GitHub:ultralytics/ultralytics

تعرف على المزيد حول YOLO11

الهياكل الأخرى

إذا كنت تبحث عن طرق بديلة، فإن Ultralytics تدعم Ultralytics النماذج القائمة على المحولات مثل RT-DETR وأجهزة الكشف عن المفردات المفتوحة بدون تدريب مثل YOLO. ومع ذلك، للحصول على زمن انتقال أمثل وكفاءة ذاكرة، تظل YOLO القياسية هي الخيار المفضل عادةً.

الاختلافات المعمارية والمنهجية

YOLO11 الانتقال من YOLOv8 YOLO11 تطوراً دقيقاً في تصميم الشبكات العصبية بدلاً من إجراء تعديل شامل، مما يضمن استقرار النظام البيئي الجيد الصيانة المحيط بالنماذج.

تحسينات العمود الفقري والرقبة

YOLOv8 هيكل CNN مبسطًا ابتعد عن الصناديق المرجعية التقليدية، معاملًا اكتشاف الكائنات على أنه مجرد مشكلة تنبؤ بالنقطة المركزية. أدى هذا النهج الخالي من المرجعية إلى تقليل تعقيد انحدار الصندوق المحيط بشكل كبير. YOLO11 هذا الأساس وقدم شبكة هرمية ميزات محسّنة (FPN) وعدّل كتل C2f إلى وحدات C3k2. يسمح هذا التعديل YOLO11 ميزات مكانية أكثر ثراءً، مما يؤدي إلى دقة أفضل في الكائنات الأصغر التي توجد عادةً في COCO .

متطلبات الذاكرة وكفاءة التدريب

من أبرز مزايا كل من YOLOv8 YOLO11 متطلباتهما المنخفضة من الذاكرة أثناء التدريب. على عكس محولات الرؤية الثقيلة التي يمكن أن تستنفد بسهولة ذاكرة VRAM على الأجهزة الاستهلاكية، تم تحسين هذه النماذج لتكون متاحة PyTorch على وحدات معالجة الرسومات القياسية. YOLO11 انخفاضًا كبيرًا في إجمالي المعلمات — ما يصل إلى 22٪ أقل من المعلمات في النسخة الكبيرة (L) مقارنةً بـ YOLOv8— مع زيادة متوسط الدقة (mAP) في الوقت نفسه. وهذا يعني فترات أسرع وبصمة كربونية أقل لتدريب النموذج.

مقاييس الأداء

لتقييم توازن أداء هذه النماذج بشكل حقيقي، يجب أن ننظر إلى معايير موضوعية. يقارن الجدول أدناه YOLOv8 YOLO11 متغيرات القياس القياسية (من النانو إلى الكبير جدًا).

النموذج	الحجم ^{(بالبكسل)}	mAP^val 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

كما هو موضح، يتفوق YOLO11 على YOLOv8 الدقة مع استخدام عدد أقل من المعلمات وعمليات FLOP. تبرز سرعة CPU ، المقاسة باستخدام ONNX كفاءة YOLO11 الفائقة في عمليات النشر المتطورة. عند التصدير إلى NVIDIA TensorRT، يقدم كلا النموذجين زمن انتقال أقل من 15 مللي ثانية، وهو أمر ضروري لتحليل تدفق الفيديو في العالم الحقيقي.

النظام البيئي وسهولة الاستخدام

يستفيد كلا الطرازين بشكل كبير من التوحيد ultralytics Python . هذا سهولة الاستخدام يتيح للمهندسين التنقل بسلاسة بين YOLOv8 YOLO11. يمكن إجراء التدريب والتحقق والتصدير باستخدام بضع أسطر من التعليمات البرمجية فقط.

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")

يمتد التكامل السلس إلى Ultralytics التي تبسط التدريب القائم على السحابة ومراقبة النماذج والنشر دون الحاجة إلى معرفة متقدمة بـ DevOps.

تعدد الاستخدامات والتطبيقات الواقعية

من السمات البارزة Ultralytics تنوعه المتأصل. YOLO11 كل من YOLOv8 YOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية التي تتجاوز الكشف القياسي عن الكائنات:

تجزئة المثيلات: أقنعة عالية الدقة على مستوى البكسل مفيدة للتصوير الطبي والقيادة الذاتية.
تقدير الوضع: اكتشاف النقاط الرئيسية المصمم خصيصًا لتحليلات الرياضة والتفاعل بين الإنسان والحاسوب.
تصنيف الصور: تصنيف خفيف الوزن باستخدام هياكل أساسية مدربة على ImageNet.
مربعات الحدود الموجهة (OBB): ضرورية لتحديد الأجسام المدورة في صور الأقمار الصناعية.

يتميز YOLOv8 يتوفر منذ فترة أطول، بمستودع ضخم من البرامج التعليمية المجتمعية وعمليات النشر المؤسسية التي خضعت لاختبارات مكثفة. إذا كنت تقوم بالدمج مع خطوط أنابيب قديمة تتطلب بشكل صارمtensor YOLOv8 فإنه يظل خيارًا موثوقًا للغاية. ومع ذلك، بالنسبة للمشاريع الجديدة التي تعطي الأولوية للكفاءة القصوى — مثل النشر على أجهزة حافة مدمجة مثل Raspberry Pi —YOLO11 الفائز التشغيلي الواضح نظرًا لنسبة السرعة إلى المعلمات الفائقة.

حالات الاستخدام والتوصيات

YOLO11 الاختيار بين YOLOv8 YOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOv8

YOLOv8 خيار قوي لـ:

نشر متعدد المهام متعدد الاستخدامات: المشاريع التي تتطلب نموذجًا مثبتًا للكشف والتجزئة والتصنيف وتقدير الوضع داخل نظام Ultralytics .
أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية بالفعل على YOLOv8 مع خطوط إنتاج مستقرة ومختبرة جيدًا.
دعم واسع من المجتمع والنظام البيئي: تطبيقات تستفيد من البرامج التعليمية الشاملة YOLOv8OLOv8، وعمليات الدمج مع أطراف ثالثة، وموارد المجتمع النشطة.

متى تختار YOLO11

YOLO11 في الحالات التالية:

نشر حافة الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA حيث الموثوقية والصيانة النشطة أمران بالغا الأهمية.
تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتجزئة وتقدير الوضع و OBB ضمن إطار موحد واحد.
النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Python Ultralytics Python المبسطة.

متى تختار Ultralytics YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:

نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

الحد الأقصى: ميزة YOLO26

في حين أن YOLOv8 YOLO11 بنى رائعتان، فإن مجال الذكاء الاصطناعي لا يتوقف أبدًا عن التطور. بالنسبة للمطورين الذين يهدفون إلى الوصول إلى أحدث ما توصلت إليه التكنولوجيا في عام 2026، يمثل Ultralytics القفزة الهائلة التالية إلى الأمام.

يعيد YOLO26 تصور خط أنابيب النشر بشكل جذري. يتميز بتصميم شامل NMS، وهو نهج مبتكر تم طرحه لأول مرة في YOLOv10 والذي يلغي خطوات المعالجة اللاحقة المعقدة. علاوة على ذلك، تعمل إزالة DFL (توزيع الخسارة البؤرية) على تبسيط منطق التصدير بشكل كبير وتعزيز التوافق مع الأجهزة الطرفية منخفضة الطاقة، مما يؤدي إلى CPU أسرع بنسبة تصل إلى 43٪ CPU مقارنة بسابقاتها.

تم تحسين استقرار التدريب وسرعات التقارب بشكل كبير بفضل أداة MuSGD Optimizer الجديدة، وهي أداة هجينة مستوحاة من تقنيات تدريب LLM. بالإضافة إلى ذلك، تعمل صيغ الخسارة الجديدة مثل ProgLoss + STAL على تحسين التعرف على الأجسام الصغيرة بشكل كبير، وهو ما كان يمثل مشكلة تاريخية في مجال إنترنت الأشياء والروبوتات. بفضل التحسينات الخاصة بالمهام مثل RLE لتقدير الوضع وبروتو متعدد المقاييس للتجزئة، لا يوجد منافس لـ YOLO26.

تعرف على المزيد حول YOLO26

اختيار النموذج المناسب

ابدأ رحلتك مع YOLOv8 إذا كنت بحاجة إلى دعم مجتمع قديم واسع النطاق. قم بالترقية إلى YOLO11 للحصول على توازن دقيق للغاية بين السرعة والمعلمات المخفضة. انتقل إلى YOLO26 للحصول على بنية المستقبل المثالية والمحسّنة للحواف NMS.

الخلاصة

يتم اختيار YOLOv8 YOLO11 بناءً على الجدول الزمني لمشروعك وقيود الأجهزة. YOLOv8 عملاق صناعي تم اختباره في المعارك، ويوفر استقرارًا لا مثيل له. على العكس من ذلك، YOLO11 هذه البنية، ويوفر mAP أعلى mAP معلمات أقل، مما يجعله جذابًا للغاية للتطبيقات المتطورة ذات الموارد المحدودة. بغض النظر عن اختيارك، تضمنPython Ultralytics Python السلسة أن يظل سير عمل التطوير الخاص بك سريعًا وفعالًا ومدعومًا بشكل كامل. وعندما تكون مستعدًا لتخطي حدود ما هو ممكن على الأجهزة المتطورة، فإن YOLO26 جاهز وينتظر.