رؤية YOLO لعام 2026:

YOLOv8 مقابل YOLOv5#

يعد اختيار بنية الرؤية الحاسوبية المناسبة خطوة حاسمة في بناء مسارات عمل قوية للتعلم الآلي. في هذه المقارنة التقنية المفصلة، نستكشف الاختلافات بين اثنين من أشهر النماذج في النظام البيئي للذكاء الاصطناعي للرؤية: YOLOv8 و YOLOv5. تم تطوير كلا النموذجين بواسطة Ultralytics وشكلا بشكل كبير مشهد اكتشاف الكائنات في الوقت الفعلي، مما وضع معايير الصناعة للسرعة والدقة وسهولة الاستخدام.

سواء كنت تقوم بالنشر على أجهزة الحافة أو توسيع نطاق الاستدلال السحابي، فإن فهم التحولات المعمارية، ومقاييس الأداء، ومنهجيات التدريب لهذه النماذج سيساعدك على اتخاذ قرار مستنير لمشاريع الرؤية الحاسوبية الخاصة بك.

Ultralytics YOLOv8: المعيار متعدد الاستخدامات#

أُصدر YOLOv8 في أوائل عام 2023، ومثل تحولاً معمارياً كبيراً عن سابقاته. لقد تم تصميمها من الصفر لتكون إطارة عمل موحداً قادراً على التعامل مع مهام الرؤية المتعددة بشكل أصلي، بما في ذلك تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية.

الهندسة المعمارية والمنهجيات#

قدم YOLOv8 رأس اكتشاف خالٍ من المراسي (anchor-free)، مما يسطر عملية التدريب عن طريق القضاء على حاجة تكوين صناديق المراسي يدويًا استنادًا إلى توزيع مجموعة البيانات. هذا يجعل النموذج أكثر قوة عند التعميم على مجموعات البيانات المخصصة ويقلل من عدد تنبؤات الصناديق، مما يسرع كبح الحد الأقصى غير (NMS).

تتميز البنية بـ وحدة C2f (عنق زجاجة جزئي متعدد المراحل مع التوائين)، والتي تحل محل وحدة C3 الموجودة في YOLOv5. تعمل وحدة C2f على تحسين تدفق التدرج وتسمح للنموذج بتعلم تمثيلات ميزات أكثر ثراءً دون زيادة كبيرة في التكلفة الحسابية. علاوة على ذلك، يستخدم YOLOv8 هيكل رأس مفكك (decoupled head)، حيث يفصل مهام الكائنية والتصنيف والانحدار، مما ثبت أنه يحسن سرعة التقارب والدقة.

كفاءة الذاكرة

تم تحسين نماذج Ultralytics YOLO، بما في ذلك YOLOv8، لاستخدام ذاكرة CUDA أقل أثناء التدريب مقارنة بالعديد من البدائل القائمة على Transformer مثل RT-DETR. يتيح هذا للمطورين استخدام أحجام دفعات أكبر على وحدات معالجة الرسومات الاستهلاكية القياسية مثل سلسلة NVIDIA RTX.

نقاط القوة والضعف#

نقاط القوة:

  • تعدد استخدامات لا مثيل له عبر مهام متعددة تتجاوز مجرد اكتشاف مربعات الإحاطة.
  • واجهة برمجة تطبيقات بايثون مبسطة عبر حزمة ultralytics، مما يجعل التدريب والتصدير بديهيين للغاية.
  • دقة متوسطة أعلى mean Average Precision (mAP) عبر جميع متغيرات الحجم مقارنة بـ YOLOv5.

نقاط الضعف:

  • يؤدي الرأس المفكك ووحدة C2f إلى زيادة طفيفة في عدد المعلمات وFLOPs لبعض المتغيرات مقارنة بنظرائهم الدقيقين في YOLOv5.

تعرف على المزيد حول YOLOv8

Ultralytics YOLOv5: الرائد المرن#

أُدخل YOLOv5 في عام 2020، وجلب YOLO إلى نظام PyTorch البيئي، مما أدى إلى تحسين إمكانية وصول المطورين بشكل كبير. وسرعان ما أصبح معيار الصناعة لنماذج اكتشاف الكائنات السريعة والموثوقة والقابلة للنشر بسهولة.

الهندسة المعمارية والمنهجيات#

يعتمد YOLOv5 على بنية قائمة على المراسٍ (anchor-based) ويستخدم backbone معدل من CSPDarknet53. في حين أن النهج القائم على المراسٍ يتطلب تجميعاً دقيقاً لمربعات الإحاطة في مجموعة البيانات لتحديد المراسٍ المثلى قبل التدريب، إلا أنها فعالة للغاية لمجموعات بيانات محددة ومحددة جيداً.

يدمج YOLOv5 وحدة C3، التي تستخرج الميزات بكفاءة مع الحفاظ على بصمة معلمات منخفضة. تعتمد دالة الخسارة الخاصة به بشكل كبير على خسارة الكائنية (Objectness loss) مدمجة مع خسائر التصنيف وانحدار مربعات الإحاطة لتوجيه الشبكة نحو تنبؤات دقيقة.

نقاط القوة والضعف#

نقاط القوة:

  • خفيف الوزن للغاية، مما يجعل المتغيرين Nano (YOLOv5n) و Small (YOLOv5s) مناسبين للغاية لعمليات نشر الذكاء الاصطناعي على الحافة المقيّدة بالموارد.
  • سرعات استنتاج سريعة بشكل استثنائي، خاصة على وحدات المعالجة المركزية (CPUs).
  • نظام بيئي راسخ بعمق مع دروس تعليمية مجتمعية واسعة وتكاملات من جهات خارجية.

نقاط الضعف:

  • يتطلب تكوين مربعات المراسٍ، مما قد يعقد الإعداد لمجموعات البيانات شديدة التباين أو المخصصة.
  • دقة إجمالية أقل (mAP) مقارنة بالبنى الحديثة الخالية من المراسٍ مثل YOLOv8 و YOLO26.

اعرف المزيد عن YOLOv5

مقارنة الأداء#

عند تقييم هذه النماذج، يعد تحقيق مقايضة مناسبة بين السرعة والدقة أمرًا بالغ الأهمية. يوضح الجدول أدناه مقاييس الأداء لكلا البنيتين اللتين تم تقييمهما على مجموعة بيانات COCO. تم قياس سرعات وحدة المعالجة المركزية (CPU) باستخدام ONNX، بينما تم اختبار سرعات وحدة معالجة الرسومات (GPU) باستخدام TensorRT.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(M)		FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

في حين يحتفظ YOLOv5 بميزة طفيفة في عدد المعلمات والسرعة الخام المطلقة لمتغير Nano الخاص به، يقدم YOLOv8 قفزة هائلة في mAP في جميع المجالات، مما يوفر توازناً أقوى بكثير في الأداء لسيناريوهات النشر الواقعية الصعبة.

سهولة الاستخدام ونظام Ultralytics البيئي#

تتمثل السمة المميزة لنماذج Ultralytics الحديثة في النظام البيئي الصیانة جيداً المحيط بها. جلب الانتقال من YOLOv5 إلى YOLOv8 إدخال حزمة pip الموحدة ultralytics، مما أدى إلى إنشاء تجربة مستخدم مبسطة للغاية.

يمكن للمطورين التعامل بسلاسة مع تدريب النموذج والتحقق من صحته والتنبؤ به وتصديره ببضع أسطر فقط من كود Python، متجاوزين نصوص البرامج النمطية المعقدة المطلوبة تاريخياً في مشاريع التعلم العميق.

from ultralytics import YOLO

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

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

علاوة على ذلك، فإن التكامل مع أدوات مثل Ultralytics Platform يَبسّط إدارة مجموعات البيانات، والتدريب السحابي، والنشر، مما يضمن التطوير النشط ودعم المجتمع القوي.

حالات الاستخدام المثالية#

متى تختار YOLOv5: إذا كنت تدير أنظمة قديمة، أو تقوم بتشغيل الاستدلال على وحدة معالجة مركزية مقيدة بشدة مثل Raspberry Pi، أو تعمل على مشروع حيث يعد توفير كل جزء من الميجابايت في حجم النموذج أمرًا بالغ الأهمية، يظل YOLOv5 حصان طروادة موثوقاً.

متى تختار YOLOv8: بالنسبة لجميع المشاريع الجديدة تقريبًا التي تبدأ اليوم، يوصى بشدة بـ YOLOv8 على YOLOv5. تتعامل بنيته المتقدمة مع التتبع المعقد، والصناديق المحيطة الموجهة (OBB)، والتجزئة دون عناء. إنه مثالي للتطبيقات الحديثة التي تمتد من الروبوتات المستقلة إلى تحليل الصور الطبية وبنية المدن الذكية.

هل تبحث عن أحدث ما توصلت إليه التقنية؟

في حين أن YOLOv8 قادر بشكل لا يصدق، يجب على المطورين الذين يسعون إلى أقصى حدود الأداء تفكير في YOLO26. أُصدر في عام 2026، ويقدم العديد من التطورات الرائدة:

  • تصميم من البداية للنهاية بدون NMS: يلغي معالجة NMS اللاحقة لنشر أسرع وأبسط، وهو مفهوم تم ريادته لأول مرة في YOLOv10.
  • محسن MuSGD: هجين من SGD و Muon يجلب ابتكارات تدريب LLM إلى الرؤية الحاسوبية، مما يتيح تدريباً أكثر استقراراً وتقارباً أسرع.
  • استنتاج وحدة المعالجة المركزية أسرع بنسبة تصل إلى 43%: محسّن بشكل كبير لبيئات الحوسبة الطرفية بدون وحدات معالجة رسومات مخصصة.
  • إزالة DFL: تمت إزالة Distribution Focal Loss لتبسيط التصدير وتحسين توافق أجهزة الحافة.
  • ProgLoss + STAL: وظائف خسارة متقدمة تدفع تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية وإنترنت الأشياء (IoT).

من خلال الاستفادة من الوثائق والأدوات الشاملة التي توفرها Ultralytics، يمكنك بسهولة نشر YOLOv8، أو استكشاف YOLO26 المتطور، لحل التحديات البصرية المعقدة بسرعة ودقة غير مسبوقة. لمزيد من التعلم، ضع في اعتبارك استكشاف أدلتنا حول ضبط المعلمات الفائقة وممارسات نشر النموذج.

المساهمون
GLglenn-jocher13

التعليقات