YOLOv8 مقابل YOLO11: تطور اكتشاف الأجسام في الوقت الحقيقي

يعد اختيار بنية الرؤية الحاسوبية المناسبة قرارًا حاسمًا يؤثر على سرعة ودقة وقابلية التوسع في مشاريع الذكاء الاصطناعي الخاصة بك. يوفر هذا الدليل مقارنة تقنية متعمقة بين Ultralytics YOLOv8وهو معيار صناعي معتمد على نطاق واسع تم إصداره في عام 2023، و Ultralytics YOLO11وهو أحدث تطور في سلسلة YOLO المصممة لتحقيق كفاءة وأداء فائقين. سنقوم بتحليل الاختلافات المعمارية والمقاييس المعيارية وحالات الاستخدام المثالية لمساعدتك في اختيار أفضل نموذج لاحتياجاتك.

Ultralytics YOLOv8

المؤلفون: جلين جوتشر، وأيوش تشوراسيا، وجينغ كيو
المنظمة:Ultralytics
التاريخ: 2023-01-10
GitHubultralytics
المستنداتyolov8

تم إصدار YOLOv8 في أوائل عام 2023، وقد شكّل علامة فارقة في تاريخ اكتشاف الأجسام. فقد قدم إطار عمل موحد يدعم مهام متعددة للرؤية الحاسوبية - بما في ذلك الكشف، وتجزئة المثال، وتقدير الوضع، وتصنيف الصور - فيمستودع واحد. ابتعد YOLOv8 عن الاكتشاف القائم على الارتكاز إلى نهج خالٍ من الارتكاز، مما يبسّط التصميم ويحسّن التعميم عبر أشكال الأجسام المختلفة.

البنية والميزات الرئيسية

حلّ YOLOv8 محل وحدات C3 الموجودة في YOLOv5بالوحدة C2f (عنق الزجاجة الجزئي المتقاطع مع التفافين). أدى هذا التغيير إلى تحسين تدفق التدرج وتكامل الميزات مع الحفاظ على بصمة خفيفة الوزن. تتميز البنية أيضًا برأس منفصل، حيث تفصل بين مهام الكائنات والتصنيف والانحدار لزيادة الدقة.

نقاط القوة والضعف

• نقاط القوة:
  • نظام بيئي ناضج: مدعوم بمجموعة كبيرة من البرامج التعليمية المجتمعية والتكاملات وأدلة النشر.
  • تعدد الاستخدامات: يدعم أصلاً OBB (الصندوق المحيط الموجه) والتصنيف إلى جانب الكشف القياسي.
  • استقرار مثبت: خيار آمن لبيئات الإنتاج التي تتطلب نموذجاً ذا سجل track .
• نقاط الضعف:
  • كفاءة السرعة: على الرغم من سرعته، إلا أنه يتفوق على YOLO11 في سرعات الاستدلال CPU وكفاءة المعلمات.
  • متطلبات الحوسبة: تتطلب المتغيرات الأكبر (L، X) المزيد من ذاكرة التخزين العشوائي (VRAM) وعمليات التشغيل الحراري (FLOP) مقارنةً 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

المؤلفان: جلين يوتشر وجينغ كيو
المنظمة:Ultralytics
التاريخ: 2024-09-27
GitHubultralytics
المستنداتyolo11

YOLO11 يمثل طليعة عائلة نماذج Ultralytics . تم تصميمه لإعادة تعريف الاستدلال في الوقت الحقيقي، 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 المتطورة إلى الخوادم السحابية.

البنية والميزات الرئيسية

يقدم YOLO11 كتلة C3k2 ووحدة C2PSA (الجزئي عبر المراحل مع الانتباه المكاني). تعمل هذه المكونات على تعزيز 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 بكثير على وحدات المعالجة المركزية، وهو عامل حاسم في عمليات نشر الذكاء الاصطناعي المتطورة حيث قد لا تتوفر موارد GPU .

يحافظ النموذج على خاصية الواجهة الموحّدة التي يتميز بها Ultralytics مما يضمن قدرة المطورين على التبديل بين مهام مثل OBB أو التجزئة دون تغيير سير العمل.

نقاط القوة والضعف

• نقاط القوة:
  • كفاءة فائقة: يحقق mAP استخدام المعلمات بنسبة تصل إلى 22% أقل من YOLOv8 مما يقلل من حجم النموذج واحتياجات التخزين.
  • استدلال أسرع: تم تحسينه خصيصاً للأجهزة الحديثة، مما يوفر سرعات أعلى على كل من CPU GPU .
  • استخراج الميزات المحسّنة: يعمل العمود الفقري الجديد على تحسين اكتشاف الأجسام الصغيرة والأداء في المشاهد المزدحمة.
  • استخدام أقل للذاكرة: يتطلب ذاكرة CUDA أقل أثناء التدريب مقارنة بالنماذج القائمة على المحولات مثل RT-DETRمما يتيح التدريب على أجهزة يسهل الوصول إليها.
• نقاط الضعف:
  • الإصدار الأحدث: كنموذج حديث، قد تستغرق أدوات خارجية متخصصة معينة وقتاً طويلاً لتحديث الدعم بالكامل، على الرغم من أن نظام Ultralytics البيئي 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

تبرز المقارنة أدناه المكاسب التي حققها YOLO11 من حيث الكفاءة. على الرغم من أن YOLOv8 لا يزال منافسًا قويًا، إلا أن YOLO11 يقدم باستمرار دقة أعلىmAP) مع تعقيد حسابي أقل (FLOPs) وسرعات استدلال أسرع. وهذا ملحوظ بشكل خاص في نموذجي "النانو" و"الصغير"، حيث يحقق YOLO11n دقة 39.5 mAP مقارنةً بـ 37.3 في YOLOv8n وكل ذلك مع تشغيل أسرع بكثير على CPU.

النظام البيئي وسهولة الاستخدام

ويستفيد كلا النموذجين من نظامUltralytics البيئي القوي، والذي تم تصميمه لإضفاء الطابع الديمقراطي على الذكاء الاصطناعي من خلال إتاحة أحدث التقنيات للجميع.

• واجهة برمجة التطبيقات الموحدة: إن التبديل بين YOLOv8 و YOLO11 بسيط مثل تغيير سلسلة النموذج من yolov8n.pt إلى yolo11n.pt. لا يلزم إعادة هيكلة أي كود برمجي.
• كفاءة التدريب: يوفر Ultralytics مجموعات بيانات يتم تنزيلها تلقائيًا وأوزانًا مدربة مسبقًا، مما يبسط خط الأنابيب من جمع البيانات إلى تدريب النموذج.
• براعة النشر: يدعم كلا الطرازين التصدير بنقرة واحدة إلى تنسيقات مثل ONNX و TensorRT و CoreML و TFLite مما يسهل النشر على أجهزة متنوعة بما في ذلك Raspberry Pis والهواتف المحمولة والمثيلات السحابية.
• صيانة جيدة: تضمن التحديثات المتكررة التوافق مع أحدث إصدارات PyTorch و CUDA مدعومة بمجتمع نشط على Discord و GitHub.

الخلاصة والتوصيات

بينما YOLOv8 يظل نموذجًا موثوقًا وقادرًا للغاية ومناسبًا لصيانة الأنظمة القديمة, YOLO11 هو التوصية الواضحة لجميع عمليات التطوير الجديدة.

• اختر YOLO11 إذا: كنت بحاجة إلى أعلى دقة ممكنة، أو سرعات استدلال أعلى (خاصةً على CPU)، أو كنت بحاجة إلى النشر على أجهزة ذات موارد محدودة حيث تكون الذاكرة والتخزين ممتازين. توفر تحسيناته المعمارية أساسًا مستقبليًا للتطبيقات التجارية.
• اختر YOLOv8 إذا: إذا كان لديك خط أنابيب حالي مضبوط بشدة على سلوكيات محددة للإصدار الثامن أو كنت مقيدًا بمتطلبات صارمة للمشروع تمنع التحديث إلى أحدث بنية.

للمهتمين باستكشاف البنى الأخرى، تغطي مستندات Ultralytics أيضًا نماذج مثل YOLOv9, YOLOv10و RT-DETR. يمكنك عرض مقارنات أوسع على صفحة مقارنة الطرازات الخاصة بنا.

تعليقات