YOLOv8 مقابل YOLO11#
لقد كان التطور السريع في مجال الرؤية الحاسوبية مدفوعًا بدرجة كبيرة بالتحسينات المستمرة في أُطر اكتشاف الأجسام في الوقت الفعلي. وبالنسبة إلى المطورين والباحثين الذين يتنقلون في المشهد الحديث، يُعد اختيار النموذج المناسب أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة والسرعة وكفاءة الموارد. في هذه المقارنة التقنية، سنستكشف الاختلافات بين نموذجين أساسيين من منظومة Ultralytics: Ultralytics YOLOv8 وUltralytics YOLO11.
يُظهر كلا النموذجين السمات المميزة لبنى Ultralytics — سهولة الاستخدام، ومنظومة تحظى بصيانة جيدة، وكفاءة تدريب لا مثيل لها مع متطلبات منخفضة من الذاكرة. فلنلقِ نظرة معمقة على تصميماتهما المعمارية، ومعايير أدائهما، وسيناريوهات النشر المثالية لهما.
نظرة عامة على النماذج#
قبل مقارنة مزاياهما التقنية المحددة، من المفيد توضيح أصول النموذجين ومواصفاتهما الأساسية.
Ultralytics YOLOv8#
طُرح YOLOv8 باعتباره قفزة كبيرة إلى الأمام في أوائل عام 2023، إذ قدّم اكتشافًا بلا مراسٍ وتحسينات مهمة على دوال الخسارة، وسرعان ما أصبح المعيار الذهبي لمجموعة واسعة من مهام تعلّم الآلة.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
Ultralytics YOLO11#
استنادًا إلى نجاح أسلافه، حسّن YOLO11 البنية الأساسية لدفع جبهة باريتو للدقة وزمن الاستجابة إلى مدى أبعد، إذ قدّم عددًا محسّنًا بدرجة كبيرة من المعاملات من دون التضحية بالقدرة التنبؤية.
- المؤلفان: Glenn Jocher وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: ultralytics/ultralytics
إذا كنت تستكشف أساليب بديلة، فإن Ultralytics تدعم أيضًا النماذج القائمة على Transformer مثل RT-DETR، وكاشفات المفردات المفتوحة من دون لقطات تدريبية مثل YOLO-World. ومع ذلك، تظل بنى YOLO القياسية عادةً الخيار المفضل لتحقيق أقل زمن استجابة وأعلى كفاءة في استخدام الذاكرة.
الاختلافات المعمارية والمنهجية#
يمثل الانتقال من YOLOv8 إلى YOLO11 تطورًا مدروسًا في تصميم الشبكات العصبية، وليس إعادة بناء شاملة، مما يضمن بقاء المنظومة التي تحظى بصيانة جيدة المحيطة بالنموذجين مستقرة.
تحسينات العمود الفقري والعنق#
قدّم YOLOv8 عمودًا فقريًا مبسطًا لشبكة CNN ابتعد عن مربعات المراسي التقليدية، وتعامل مع اكتشاف الأجسام بوصفه مسألة تنبؤ بنقطة المركز فحسب. وقد قلّل هذا النهج الخالي من المراسي بدرجة كبيرة من تعقيد انحدار المربعات المحيطة. واستند YOLO11 إلى هذه الأساس وأضاف شبكة هرمية محسّنة للسمات (FPN)، وحوّل كتل C2f إلى وحدات C3k2 معدّلة. ويتيح هذا التعديل لـ YOLO11 استخراج سمات مكانية أكثر ثراءً، مما يؤدي إلى دقة أفضل في الأجسام الأصغر الموجودة عادةً في مجموعة بيانات COCO.
متطلبات الذاكرة وكفاءة التدريب#
تتمثل إحدى أبرز مزايا كل من YOLOv8 وYOLO11 في انخفاض متطلبات الذاكرة أثناء التدريب. وعلى خلاف محولات الرؤية الثقيلة التي قد تستنفد VRAM بسهولة على الأجهزة الاستهلاكية، جرى تحسين هذين النموذجين للتدريب باستخدام PyTorch على وحدات GPU القياسية. ويحقق YOLO11 انخفاضًا كبيرًا في إجمالي عدد المعاملات — يصل إلى 42% معاملًا أقل في الإصدار الكبير (L) مقارنةً بـ YOLOv8 — مع زيادة متوسط الدقة المتوسطة (mAP) في الوقت نفسه. وهذا يعني عصورًا تدريبية أسرع وبصمة كربونية أقل لتدريب النموذج.
مقاييس الأداء#
ولتقييم توازن الأداء بين هذين النموذجين تقييمًا حقيقيًا، يجب أن نراجع المعايير الموضوعية. يقارن الجدول أدناه بين YOLOv8 وYOLO11 عبر إصدارات القياس القياسية (من النانو إلى الكبير جدًا).
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | 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 | 165.2 |
| 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 باستمرار على YOLOv8 في الدقة، مع استخدام عدد أقل من المعاملات وعمليات FLOPs. وتبرز سرعة الاستدلال على CPU، المقاسة باستخدام وقت تشغيل ONNX، الكفاءة الفائقة لـ YOLO11 في عمليات النشر على الحافة. وعند التصدير إلى NVIDIA TensorRT، يحقق كلا النموذجين أزمنة استجابة استثنائية تقل عن 15 مللي ثانية، وهي ضرورية لتحليل تدفقات الفيديو في العالم الحقيقي.
المنظومة وسهولة الاستخدام#
يستفيد كلا النموذجين بدرجة كبيرة من حزمة Python الموحدة ultralytics. وتتيح سهولة الاستخدام هذه للمهندسين الانتقال بسلاسة بين YOLOv8 وYOLO11. ويمكن إنجاز التدريب والتحقق والتصدير في بضعة أسطر من التعليمات البرمجية فحسب.
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")ويمتد هذا التكامل السلس إلى منصة Ultralytics، التي تبسّط التدريب السحابي ومراقبة النماذج ونشرها من دون الحاجة إلى معرفة متقدمة بعمليات DevOps.
التنوع والتطبيقات في العالم الحقيقي#
تتمثل إحدى السمات المميزة الرئيسية لإطار Ultralytics في تنوعه المتأصل. ويدعم كل من YOLOv8 وYOLO11 مجموعة واسعة من مهام الرؤية الحاسوبية التي تتجاوز اكتشاف الأجسام القياسي:
- تقسيم المثيلات: أقنعة عالية الدقة على مستوى البكسل، مفيدة للتصوير الطبي والقيادة الذاتية.
- تقدير الوضعية: اكتشاف النقاط الرئيسية المخصص للتحليلات الرياضية والتفاعل بين الإنسان والحاسوب.
- تصنيف الصور: تصنيف خفيف الوزن باستخدام أعمدة فقرية مدرّبة على ImageNet.
- المربعات المحيطة الموجّهة (OBB): ضرورية لتحديد الأجسام المدورة في الصور الملتقطة بالأقمار الصناعية.
وبما أن YOLOv8 متاح منذ فترة أطول، فإنه يتمتع بمستودع ضخم من البرامج التعليمية المجتمعية وعمليات النشر المؤسسية المختبرة على نطاق واسع. وإذا كنت تدمج النموذج مع مسارات معالجة قديمة تتوقع بدقة أشكال موترات YOLOv8، فإنه يظل خيارًا موثوقًا للغاية. أما في المشاريع الجديدة التي تعطي الأولوية لأقصى قدر من الكفاءة — مثل النشر على أجهزة الحافة المضمنة كـ Raspberry Pi — فإن YOLO11 هو الفائز التشغيلي الواضح بفضل نسبة السرعة إلى عدد المعاملات المتفوقة لديه.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv8 وYOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.
متى تختار YOLOv8#
يُعد YOLOv8 خيارًا قويًا من أجل:
- النشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مُثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
- أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية مسبقًا على بنية YOLOv8، مع مسارات نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـYOLOv8، وعمليات التكامل التابعة لجهات خارجية، وموارد المجتمع النشطة.
متى تختار YOLO11#
يوصى باستخدام YOLO11 من أجل:
- النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تمثل الموثوقية والصيانة النشطة أولوية قصوى.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتقسيم، وتقدير الوضعيات، وOBB ضمن إطار عمل موحد واحد.
- إنشاء النماذج الأولية والنشر بسرعة: الفرق التي تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics Python البرمجية المبسطة.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
- البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.
الطليعة التقنية: ميزة YOLO26#
على الرغم من أن YOLOv8 وYOLO11 بنيتان معماريتان رائعتان، فإن مشهد الذكاء الاصطناعي لا يتوقف عن التطور. وبالنسبة إلى المطورين الذين يطمحون إلى أحدث ما توصلت إليه التقنية على الإطلاق في عام 2026، يمثل Ultralytics YOLO26 القفزة الهائلة التالية إلى الأمام.
يعيد YOLO26 تصور مسار النشر بصورة جوهرية. فهو يتميز بتصميم شامل من طرف إلى طرف وخالٍ من NMS، وهو نهج رائد ظهر أول مرة في YOLOv10، ويلغي خطوات المعالجة اللاحقة المعقدة. علاوةً على ذلك، تعمل إزالة DFL (خسارة البؤرة التوزيعية) على تبسيط منطق التصدير بدرجة كبيرة وتعزيز التوافق مع أجهزة الحافة منخفضة الطاقة، مما يؤدي إلى استدلال أسرع على CPU بنسبة تصل إلى 43% مقارنةً بأسلافه.
تحسنت استقرارية التدريب وسرعات التقارب بدرجة كبيرة بفضل مُحسِّن MuSGD الجديد، المستوحى من تقنيات تدريب LLM والهجين بينها. بالإضافة إلى ذلك، تعزز صيغ الخسارة الجديدة مثل ProgLoss + STAL التعرف على الأجسام الصغيرة بدرجة كبيرة — وهي مشكلة تاريخية في إنترنت الأشياء والروبوتات. ومع التحسينات الخاصة بكل مهمة، مثل RLE لتقدير الوضعية وmulti-scale proto للتقسيم، يظل YOLO26 بلا منافس.
ابدأ رحلتك باستخدام YOLOv8 إذا كنت تحتاج إلى دعم مجتمعي واسع للمشاريع القديمة. وانتقل إلى YOLO11 لتحقيق توازن محسّن بدرجة كبيرة بين السرعة وتقليل عدد المعاملات. واقفز إلى YOLO26 للحصول على بنية المستقبل المثلى لأجهزة الحافة والخالية من NMS.
الخلاصة#
يعود الاختيار بين YOLOv8 وYOLO11 في نهاية المطاف إلى الجدول الزمني لمشروعك وقيود العتاد لديك. يُعد YOLOv8 عملاقًا مجرّبًا في مجال الصناعة، إذ يوفر استقرارًا لا مثيل له. وعلى النقيض، يعمل YOLO11 على تحسين هذه البنية، مقدمًا mAP أعلى مع عدد أقل من المعاملات، مما يجعله جذابًا للغاية لتطبيقات الحافة المقيدة بالموارد. وبغض النظر عن اختيارك، تضمن Python API السلسة من Ultralytics بقاء سير عمل التطوير لديك مرنًا وفعالًا ومدعومًا دعمًا شاملًا. وعندما تكون مستعدًا لتجاوز حدود ما يمكن تحقيقه على أجهزة الحافة، سيكون YOLO26 جاهزًا بانتظارك.