YOLOv8 YOLOv5: مقارنة تقنية شاملة

في عالم الرؤية الحاسوبية سريع التطور، يعد اختيار نموذج الكشف عن الأجسام المناسب أمراً بالغ الأهمية لنجاح المشروع. ومن أهم المعالم في هذا المجال YOLOv5 و YOLOv8، وكلاهما تم تطويره بواسطة Ultralytics. في حين أن YOLOv5 معيارًا صناعيًا لسهولة الاستخدام والموثوقية عند إصداره، فإن YOLOv8 اختراقات معمارية أعادت تعريف الأداء المتطور (SOTA).

يقدم هذا الدليل تحليلاً تقنياً متعمقاً لكلتا البنيتين، ويقارن بين مقاييس أدائهما ومنهجيات التدريب وحالات الاستخدام المثالية لمساعدة المطورين على اتخاذ قرارات مستنيرة.

Ultralytics YOLOv8: المعيار الحديث

صدر في يناير 2023، YOLOv8 يمثل قفزة كبيرة إلى الأمام في YOLO . وهو يبني على نجاح الإصدارات السابقة مع تقديم إطار عمل موحد لاكتشاف الكائنات وتقسيم الحالات وتقدير الوضع.

الابتكارات المعمارية الرئيسية

YOLOv8 عن التصميم القائم على المراسي الذي اتبعه أسلافه، حيث يعتمد آلية كشف خالية من المراسي. هذا التغيير يبسط تعقيد النموذج من خلال التنبؤ المباشر بمراكز الأجسام، مما يقلل من عدد تنبؤات المربعات ويسرع عملية القمع غير الأقصى (NMS).

وحدة C2f: يستخدم العمود الفقري وحدة C2f جديدة، لتحل محل وحدة C3 الموجودة في YOLOv5. يعزز هذا التصميم الجديد تدفق التدرج ويسمح للنموذج بالتقاط تمثيلات أكثر ثراءً للميزات دون زيادة كبيرة في تكلفة الحوسبة.
رأس منفصل: على عكس الرأس المقترن في الإصدارات السابقة، YOLOv8 مهام التصنيف والانحدار إلى فروع مستقلة. يتيح هذا الفصل تحسين كل مهمة على حدة، مما يؤدي إلى معدلات تقارب أعلى ودقة أفضل.
تكبير الفسيفساء: بينما يستخدم كلا النموذجين تكبير الفسيفساء، يقوم YOLOv8 بإيقاف تشغيله YOLOv8 خلال المراحل النهائية من التدريب لتحسين الدقة.

الأداء والمرونة

YOLOv8 تصميم YOLOv8 ليكون متعدد الاستخدامات. وهو يدعم بشكل أساسي مجموعة واسعة من المهام التي تتجاوز الكشف البسيط عن الصناديق المحددة، مما يجعله خيارًا قويًا للتطبيقات المعقدة مثل المركبات ذاتية القيادة وتحليلات البيع بالتجزئة الذكية.

YOLOv8 :
المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
المنظمة:Ultralytics
التاريخ: 2023-01-10
GitHub:ultralytics
YOLOv8 :YOLOv8

تعرف على المزيد حول YOLOv8

Ultralytics YOLOv5: حصان العمل الموثوق

منذ إطلاقه في يونيو 2020، YOLOv5 النموذج المفضل للمطورين في جميع أنحاء العالم نظرًا لاستقراره الذي لا مثيل له وبساطة PyTorch . لقد ساهم في إتاحة الوصول إلى الذكاء الاصطناعي القوي للرؤية، مما سهّل تدريب النماذج على مجموعات البيانات المخصصة بأقل قدر من التكوين.

العمارة والإرث

YOLOv5 شبكة CSPDarknet الأساسية ورأس كشف قائم على المثبت. كانت طبقة التركيز (التي تم استبدالها لاحقًا بتحويل 6x6) فعالة في تقليل دقة الصور مع الحفاظ على المعلومات.

سهولة الاستخدام: YOLOv5 بتجربته "الجاهزة للاستخدام". تتميز بنية المستودع بالبساطة، وتتكامل بسلاسة مع أدوات MLOps مثل Comet و ClearML.
دعم واسع النطاق للنشر: نظرًا لوجوده منذ فترة أطول، YOLOv5 بدعم واسع النطاق عبر جميع أهداف النشر تقريبًا، بدءًا من المعالجات المحمولة عبر TFLite إلى الأجهزة المتطورة مثل NVIDIA .

YOLOv5 :
المؤلفون: Glenn Jocher
المنظمة:Ultralytics
التاريخ: 2020-06-26
GitHub:yolov5
YOLOv5 :YOLOv5

تعرف على المزيد حول YOLOv5

مقارنة الأداء

عند مقارنة النموذجين، يتفوق YOLOv8 على YOLOv5 الدقة (mAP) وسرعة الاستدلال، لا سيما على GPU الحديثة. يوضح الجدول التالي الاختلافات في الأداء على COCO .

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

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

تحليل المقاييس

الدقة: YOLOv8 ميزة كبيرة في متوسط الدقة (mAP). على سبيل المثال، YOLOv8 متغير Nano (n) من YOLOv8 mAP أعلى بنسبة 10٪ تقريبًا mAP YOLOv5n، مما يجعله أفضل بكثير للتطبيقات التي تتطلب دقة عالية في النماذج الصغيرة.
السرعة: في حين أن YOLOv5 أسرع قليلاً في بعض CPU بسبب انخفاض معدل FLOPs، YOLOv8 توازنًا أفضل في الأداء. غالبًا ما تكون المقايضة ضئيلة مقارنة بمكاسب الدقة، كما أن YOLOv8 للغاية GPU باستخدام GPU باستخدام TensorRT.
حجم النموذج: YOLOv8 صغيرة الحجم بشكل عام، ولكنها تحتوي على المزيد من المعلمات في البنى Nano و Small لتعزيز قدرة التعلم.

منهجيات التدريب والنظام البيئي

يستفيد كلا النموذجين من نظام Ultralytics القوي، ولكن سير العمل تطور بشكل كبير مع YOLOv8.

كفاءة التدريب

تشتهر Ultralytics بكفاءتها التدريبية. فهي تتطلب CUDA أقل بكثير مقارنة بالبنى القائمة على المحولات مثل RT-DETR، مما يتيح للمستخدمين تدريب مجموعات أكبر على وحدات معالجة الرسومات القياسية للمستهلكين.

YOLOv5 يستخدم بنية مستودع مستقلة حيث يتم بدء التدريب عبر نصوص برمجية مثل train.py.
YOLOv8 قدم ultralytics Python . تسهل واجهة CLI الموحدة Python التبديل بين المهام وتصدير النماذج.

تدريب مبسط مع Ultralytics

في ultralytics تسهل الحزمة عملية التدريب لـ YOLOv8 والنماذج الأحدث مثل YOLO26. يمكنك تحميل نموذج وتدريبه والتحقق من صحته بثلاث أسطر فقط من التعليمات البرمجية.

from ultralytics import YOLO

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

# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ultralytics

يمكن لمستخدمي كلا النموذجين الاستفادة من Ultralytics (المعروفة سابقًا باسم HUB). تعمل هذه الأداة المستندة إلى الويب على تبسيط إدارة مجموعات البيانات ووضع العلامات وتصور التدريب. وهي تدعم تصدير النموذج بنقرة واحدة إلى تنسيقات مثل ONNX و OpenVINO، مما يبسط المسار من النموذج الأولي إلى الإنتاج.

حالات الاستخدام المثالية

متى تختار YOLOv8

YOLOv8 الخيار المفضل لمعظم المشاريع الجديدة في عام 2026 التي لا تتطلب تحسينات حافة محددة من YOLO26 الأحدث.

تطبيقات متعددة المهام: إذا كان مشروعك يتضمن اكتشاف OBB للصور الجوية أو تقدير الوضع لتحليلات الرياضة، فإن YOLOv8 هذه المهام بشكل أساسي.
متطلبات الدقة العالية: بالنسبة للمهام الحساسة من حيث السلامة مثل اكتشاف العيوب، YOLOv8 mAP المتفوق mAP YOLOv8 عددًا أقل من النتائج السلبية الخاطئة.

متى تختار YOLOv5

الأنظمة القديمة: قد يكون من الأسهل مواصلة صيانة المشاريع المتكاملة بشكل عميق مع بنية YOLOv5 المحددة بدلاً من ترحيلها.
قيود الحافة القصوى: على الأجهزة ذات الموارد المحدودة للغاية حيث كل مللي ثانية من CPU مهمة، قد توفر FLOPs الأقل قليلاً في YOLOv5n ميزة هامشية، على الرغم من أن النماذج الأحدث مثل YOLO26 تغطي هذه الفجوة الآن بشكل فعال.

التطلع إلى المستقبل: المستقبل هو YOLO26

على الرغم من أن YOLOv8 YOLOv5 أدوات YOLOv5 مجال الرؤية الحاسوبية يتطور بسرعة. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، نوصي بشدة بالنظر في استخدام Ultralytics .

لماذا الترقية إلى YOLO26؟ يعتمد YOLO26 على نقاط القوة التي تتمتع بها الإصدارات السابقة، ولكنه يقدم تصميمًا أصليًا شاملاً NMS، مما يلغي الحاجة إلى المعالجة اللاحقة ويبسط عملية النشر بشكل كبير.

CPU أسرع بنسبة 43٪ CPU : تم تحسينه خصيصًا للأجهزة الطرفية، مما يجعله أسرع من YOLOv5 YOLOv8 وحدات المعالجة المركزية.
MuSGD Optimizer: مُحسِّن هجين مستوحى من تدريب LLM لتحقيق تقارب مستقر وسريع.
دقة محسّنة: توفر وظائف الخسارة المحسّنة (ProgLoss + STAL) اكتشافًا أفضل للأجسام الصغيرة.

تعرف على المزيد حول YOLO26

الخلاصة

كلاهما YOLOv8 و YOLOv5 دليل على التزام Ultralytics بتوفير ذكاء اصطناعي عالي الأداء وسهل الوصول إليه. YOLOv5 خيارًا موثوقًا ومدعومًا على نطاق واسع، خاصةً بالنسبة لعمليات النشر القديمة. ومع ذلك، YOLOv8 توازنًا فائقًا في الأداء وبنية حديثة ودعمًا أوسع للمهام، مما يجعله الخيار الأفضل لمعظم التطبيقات القياسية.

بالنسبة لأولئك الذين يبحثون عن أحدث ما توصلت إليه التكنولوجيا من حيث السرعة والدقة، خاصةً في مجال النشر المتنقل والمتطور، فإن الإصدار الجديد YOLO26 يضع معيارًا جديدًا. بغض النظر عن اختيارك، تضمن لك Ultralytics الشاملة والمجتمع النشط توفر الموارد اللازمة لتحقيق النجاح.

لمزيد من الاستكشاف، يمكنك قراءة المزيد عن نماذج متخصصة أخرى مثل YOLO11 أو YOLOv10.