ابدأ

YOLOv8 مقابل YOLOv10

تطور اكتشاف الكائنات الآني بسرعة. ومع سعي المطورين والباحثين إلى دمج نماذج الرؤية الحاسوبية الأكثر كفاءة ودقة في مسارات عملهم، تصبح مقارنة البنى الرائدة أمرًا ضروريًا. يقارن هذا الدليل بين Ultralytics YOLOv8 وYOLOv10، ويدرس الفروق المعمارية ومقاييس الأداء وسيناريوهات النشر المثلى، لمساعدتك على اتخاذ قرار مدروس بشأن مشروع الذكاء الاصطناعي التالي.

نظرة عامة على النموذج: YOLOv8#

بوصفه خطوة كبيرة إلى الأمام في سلسلة YOLO، وضع YOLOv8 معيارًا جديدًا لإطار عمل موحد ومتعدد الاستخدامات. وقد صُمم منذ البداية لدعم مهام عديدة تتجاوز المربعات المحيطة القياسية، ما يجعله أداة مرنة للرؤية الحاسوبية الحديثة.

تفاصيل YOLOv8:

البنية ومواطن القوة#

قدّم YOLOv8 رأس كشف لا يعتمد على المراسي وهيكل CSPDarknet الأساسي الذي أُعيد تصميمه، مما حسّن الدقة وقلّل زمن الاستدلال بدرجة كبيرة. ومن خلال إزالة صناديق المراسي، يقلّل النموذج عدد تنبؤات الصناديق، مما يسرّع كبت القيم غير العظمى (NMS) أثناء المعالجة اللاحقة.

من أبرز مزايا اختيار YOLOv8 تعدد استخداماته. فبينما تركز نماذج كثيرة حصرًا على اكتشاف الكائنات، يدعم YOLOv8 أصليًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والمربعات المحيطة الموجّهة (OBB). وهذا يجعله مناسبًا تمامًا لمسارات العمل متعددة المراحل التي تتطلب أنواعًا مختلفة من الفهم البصري في الوقت نفسه. كما أن متطلبات ذاكرته للتدريب أقل من متطلبات البنى القائمة على Transformer مثل RT-DETR، ما يتيح للباحثين تدريب نماذج كبيرة على وحدات GPU استهلاكية قياسية.

نظرة عامة على النموذج: YOLOv10#

طوّر باحثون في جامعة تسينغهوا YOLOv10 لمعالجة أحد أقدم الاختناقات في عائلة YOLO، وهو الاعتماد على المعالجة اللاحقة باستخدام NMS.

تفاصيل YOLOv10:

البنية ومواطن القوة#

يتمثل الابتكار الرئيسي في YOLOv10 في استراتيجية التعيينات المزدوجة المتسقة، التي تتيح التدريب الخالي من NMS والنشر الشامل من البداية إلى النهاية. وبإلغاء خطوة NMS، يقلل YOLOv10 زمن استجابة الاستدلال، ولا سيما على أجهزة الحافة حيث قد تكون عمليات المعالجة اللاحقة مكلفة حسابيًا.

إضافة إلى ذلك، يعتمد YOLOv10 تصميمًا شاملًا للنموذج يستند إلى الكفاءة والدقة، مع ضبط الحمل الحسابي لكل طبقة بعناية. وينتج عن ذلك نموذج يتطلب عددًا أقل من المعلمات وعمليات FLOPs، مع تحقيق متوسط دقة (mAP) تنافسي. وهو خيار قوي لحالات الاستخدام التي تتطلب زمن استجابة منخفضًا في مهام الكشف البحتة.

الكشف من البداية إلى النهاية

يبسّط إلغاء NMS في YOLOv10 عملية التصدير إلى أطر عمل مثل OpenVINO وTensorRT، إذ يمكن تجميع النموذج بأكمله في رسم بياني واحد دون طبقات معالجة لاحقة مخصصة.

تعرّف على المزيد حول YOLOv10

مقارنة الأداء والمقاييس#

عند مقارنة هاتين البنيتين، من الضروري النظر في المفاضلات بين عدد المعلمات وعمليات FLOPs والدقة. فيما يلي مقارنة دقيقة لمقاييس أدائهما على مجموعة بيانات COCO.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

مع أن YOLOv10 يحقق mAP أعلى باستخدام عدد أقل من المعلمات في كل مقياس ضمن هذا الجدول، فإن YOLOv8 يوفر منظومة أكثر نضجًا ودعمًا أوسع للمهام، ما يجعله عمومًا أكثر موثوقية لبيئات الإنتاج التي تتطلب أكثر من مجرد المربعات المحيطة.

المنظومة ومنهجية التدريب#

غالبًا ما يكون العامل الفارق الحقيقي في مسارات عمل التعلم الآلي الحديثة هو المنظومة المحيطة بالبنية. ويوفر اختيار نموذج من Ultralytics مثل YOLOv8 سهولة الاستخدام وتجربة تطوير متسقة.

وباستخدام حزمة Python SDK سهلة الاستخدام، يمكن للمطورين إدارة التدريب والتحقق والنشر بأقل قدر من التعقيد. تُصان منظومة Ultralytics بنشاط، وتوفّر تحديثات متكررة ووثائق شاملة حول ضبط المعلمات الفائقة ودعمًا قويًا من المجتمع على منصات مثل Discord وGitHub.

مثال على الشيفرة: تدريب مبسط#

تسهّل واجهة Python API من Ultralytics إنشاء أي من النموذجين وتدريبه والتحقق منه. لاحظ أن سير العمل نفسه ينطبق بصرف النظر عن البنية الأساسية.

from ultralytics import YOLO

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

# Train the model efficiently with automated learning rate scheduling
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # optimized CUDA memory usage
    batch=16,
)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Export to ONNX for edge deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv8 وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.

متى تختار YOLOv8#

يُعد YOLOv8 خيارًا قويًا لـ:

  • النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة 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 YOLOv10#

يوصى بـ YOLOv10 في الحالات التالية:

  • الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
  • موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
  • التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

المستقبل: الارتقاء إلى YOLO26#

يُعد YOLOv8 نموذجًا متعدد الاستخدامات، ويوفر YOLOv10 رؤى مفيدة حول البنى الخالية من NMS، لكن المجال تقدم. ولتحقيق أفضل توازن بين السرعة والدقة وبساطة النشر، توصي Ultralytics باستخدام YOLO26 للمشاريع الجديدة.

أُطلق YOLO26 في يناير 2026، وهو يجمع بين نقاط قوة أسلافه وعدة ميزات جديدة:

  • تصميم شامل من البداية إلى النهاية بلا NMS: استنادًا إلى التدريب بلا NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يقدم YOLO26 استدلالًا اختياريًا بلا NMS (nms=False) لنشر أسرع وأبسط.
  • إلغاء DFL: يجعل إلغاء خسارة البؤرة التوزيعية تصدير النموذج إلى CoreML وأجهزة الحافة أكثر سلاسة.
  • محسّن MuSGD: يستلهم هذا المزيج من SGD وMuon تقنيات تدريب نماذج اللغة الكبيرة (LLM)، ويوفر تقاربًا أسرع وتدريبًا أكثر استقرارًا.
  • استدلال CPU أسرع: يحقق YOLO26n استدلال CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعله مناسبًا جدًا لتطبيقات Raspberry Pi وإنترنت الأشياء.
  • ProgLoss + STAL: تحسّن الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.

إذا كنت تقيّم النماذج حاليًا، فقد يهمك أيضًا YOLO11، السلف المباشر لـYOLO26، الذي لا يزال نموذجًا جاهزًا لبيئات الإنتاج ويُستخدم على نطاق واسع في الحلول المؤسسية. أما للمشاريع الجديدة، فيُعد YOLO26 مع منصة Ultralytics المسار الموصى به لإضافة التعليقات التوضيحية والتدريب ونشر ذكاء الرؤية.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.