Ultralytics YOLO27:

YOLOv8 مقابل YOLOv5#

يُعد اختيار بنية الرؤية الحاسوبية المناسبة خطوة حاسمة في بناء مسارات عمل متينة للتعلّم الآلي. في هذه المقارنة التقنية التفصيلية، نستكشف الاختلافات بين نموذجين من أكثر النماذج شيوعًا في منظومة الذكاء الاصطناعي للرؤية: YOLOv8 وYOLOv5. طوّرت Ultralytics كلا النموذجين، وقد أسهما إسهامًا كبيرًا في تشكيل مجال اكتشاف الأجسام في الوقت الفعلي، ووضعا معايير الصناعة للسرعة والدقة وسهولة الاستخدام.

سواء كنت تنشر على أجهزة الحافة أو توسّع نطاق الاستدلال السحابي، فإن فهم التحولات المعمارية ومقاييس الأداء ومنهجيات تدريب هذين النموذجين سيساعدك على اتخاذ قرار مستنير لمشروعات الرؤية الحاسوبية الخاصة بك.

Ultralytics YOLOv8: المعيار عالي المرونة#

صدر YOLOv8 في أوائل عام 2023، ومثّل تحولًا معماريًا كبيرًا مقارنةً بأسلافه. وقد صُمّم من الأساس ليكون إطارًا موحّدًا قادرًا على التعامل مع مهام رؤية متعددة بصورة أصلية، بما في ذلك تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعيات.

البنية والمنهجيات#

قدّم YOLOv8 رأس كشف خاليًا من المراسي، ما يبسّط عملية التدريب من خلال إلغاء الحاجة إلى تهيئة مربعات المراسي يدويًا استنادًا إلى توزيع مجموعة البيانات. وهذا يجعل النموذج أكثر متانة عند التعميم على مجموعات بيانات مخصصة، ويقلل عدد تنبؤات المربعات، مما يسرّع كبت عدم الحد الأقصى (NMS).

تتضمن البنية وحدة C2f (عنق زجاجة جزئي عبر المراحل مع التفافين)، التي تحل محل وحدة C3 الموجودة في YOLOv5. وتحسّن وحدة C2f تدفق التدرجات، وتتيح للنموذج تعلّم تمثيلات أغنى للسمات دون زيادة كبيرة في الكلفة الحسابية. علاوةً على ذلك، يستخدم YOLOv8 بنية رأس مفكك تفصل بين مهام وجود الجسم والتصنيف والانحدار، وقد ثبت أن ذلك يحسّن سرعة التقارب والدقة.

كفاءة الذاكرة

تُحسّن نماذج Ultralytics YOLO، بما في ذلك YOLOv8، لاستخدام قدر أقل من ذاكرة CUDA أثناء التدريب مقارنةً بالعديد من البدائل القائمة على Transformer مثل RT-DETR. ويتيح ذلك للمطورين استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية القياسية مثل سلسلة NVIDIA RTX.

نقاط القوة والضعف#

نقاط القوة:

  • مرونة لا مثيل لها عبر مهام متعددة تتجاوز مجرد اكتشاف المربعات المحيطة.
  • واجهة Python مبسطة عبر الحزمة ultralytics، مما يجعل التدريب والتصدير بديهيين للغاية.
  • متوسط دقة أعلى (mAP) عبر جميع المتغيرات الحجمية مقارنةً بـ YOLOv5.

نقاط الضعف:

  • تؤدي البنية ذات الرأس المفكك ووحدة C2f إلى زيادة طفيفة في عدد المعلمات وFLOPs لبعض المتغيرات مقارنةً بنظيراتها المطابقة تمامًا من YOLOv5.

Ultralytics YOLOv5: الرائد الرشيق#

قُدّم YOLOv5 في عام 2020، وجلب YOLO إلى منظومة PyTorch، مما حسّن إمكانية وصول المطورين إليه بدرجة كبيرة. وسرعان ما أصبح معيار الصناعة لنماذج اكتشاف الأجسام السريعة والموثوقة وسهلة النشر.

البنية والمنهجيات#

يعتمد YOLOv5 على بنية قائمة على المراسي ويستخدم العمود الفقري CSPDarknet53 المعدّل. وعلى الرغم من أن الأساليب القائمة على المراسي تتطلب إجراء تجميع دقيق للمربعات المحيطة في مجموعة البيانات لتحديد المراسي المثلى قبل التدريب، فإنها فعّالة للغاية مع مجموعات البيانات المحددة جيدًا.

يضم YOLOv5 وحدة C3 التي تستخرج السمات بكفاءة مع الحفاظ على عدد منخفض من المعلمات. وتعتمد دالة الخسارة فيه بدرجة كبيرة على خسارة وجود الجسم، إلى جانب خسائر التصنيف وانحدار المربع المحيط، لتوجيه الشبكة نحو تنبؤات دقيقة.

نقاط القوة والضعف#

نقاط القوة:

  • خفيف للغاية، مما يجعل متغيري Nano (YOLOv5n) وSmall (YOLOv5s) مناسبين جدًا لعمليات نشر ذكاء الحافة المقيّدة بالموارد.
  • سرعات استدلال فائقة، لا سيما على وحدات CPU.
  • منظومة راسخة للغاية تضم عددًا هائلًا من البرامج التعليمية المجتمعية وعمليات التكامل مع جهات خارجية.

نقاط الضعف:

  • يتطلب تهيئة مربعات المراسي، مما قد يعقّد الإعداد لمجموعات البيانات شديدة التنوع أو المخصصة.
  • دقة إجمالية أقل (mAP) مقارنةً بالبنى الحديثة الخالية من المراسي مثل YOLOv8 وYOLO26.

مقارنة الأداء#

عند تقييم هذه النماذج، يُعد تحقيق مفاضلة مواتية بين السرعة والدقة أمرًا بالغ الأهمية. يوضح الجدول أدناه مقاييس أداء كلتا البنيتين، وقد جرى تقييمهما على مجموعة بيانات COCO. وقِيست سرعات CPU باستخدام ONNX، بينما اختُبرت سرعات GPU باستخدام TensorRT.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
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

مع احتفاظ YOLOv5 بأفضلية طفيفة في عدد المعلمات والسرعة الخام المطلقة لمتغير Nano، يقدّم YOLOv8 قفزة هائلة في mAP عبر جميع الجوانب، مما يوفر توازن أداء أقوى بكثير لسيناريوهات النشر الواقعية المتطلبة.

سهولة الاستخدام ومنظومة Ultralytics#

تتمثل إحدى السمات المميزة لنماذج Ultralytics الحديثة في المنظومة المُدارة جيدًا المحيطة بها. وقد أسفر الانتقال من YOLOv5 إلى YOLOv8 عن تقديم حزمة pip الموحّدة ultralytics، مما أنشأ تجربة مستخدم مبسطة للغاية.

يمكن للمطورين التعامل بسلاسة مع تدريب النماذج والتحقق والتنبؤ والتصدير باستخدام بضعة أسطر فقط من تعليمات Python البرمجية، متجاوزين نصوص التعليمات البرمجية التمهيدية المعقدة التي كانت مطلوبة تاريخيًا في مشروعات 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")

علاوةً على ذلك، يبسّط التكامل مع أدوات مثل منصة Ultralytics إدارة مجموعات البيانات والتدريب السحابي والنشر، مما يضمن التطوير النشط والدعم المجتمعي القوي.

حالات الاستخدام المثالية#

متى تختار YOLOv5: إذا كنت تحافظ على أنظمة قديمة، أو تجري الاستدلال على وحدات CPU شديدة التقييد مثل Raspberry Pi، أو تعمل على مشروع يكون فيه توفير كل جزء من الميغابايت في حجم النموذج أمرًا بالغ الأهمية، يظل YOLOv5 أداة عمل موثوقة.

متى تختار YOLOv8: بالنسبة إلى جميع المشروعات الجديدة تقريبًا التي تبدأ اليوم، يُوصى بشدة باستخدام YOLOv8 بدلًا من YOLOv5. إذ تتعامل بنيته المتقدمة بسهولة مع التتبع المعقد، والمربعات المحيطة الموجّهة (OBB)، والتجزئة. وهو مثالي للتطبيقات الحديثة التي تمتد من الروبوتات الذاتية التشغيل إلى تحليل الصور الطبية والبنية التحتية للمدن الذكية.

هل تبحث عن أحدث ما توصلت إليه التقنية؟

مع أن YOLOv8 يتمتع بقدرات هائلة، ينبغي للمطورين الذين يسعون إلى بلوغ أقصى حدود الأداء التفكير في YOLO26. وقد صدر في عام 2026، ويقدّم عدة تطورات رائدة:

  • تصميم شامل من الطرف إلى الطرف وخالٍ من NMS: يلغي المعالجة اللاحقة لـ NMS من أجل نشر أسرع وأبسط، وهو مفهوم رُوّج له أولًا في YOLOv10.
  • مُحسِّن MuSGD: مزيج من SGD وMuon ينقل ابتكارات تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، مما يتيح تدريبًا أكثر استقرارًا وتقاربًا أسرع.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: مُحسّن بدرجة كبيرة لبيئات الحوسبة الطرفية التي لا تتضمن وحدات GPU مخصصة.
  • إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط التصدير وتعزيز التوافق مع أجهزة الحافة.
  • ProgLoss + STAL: دوال خسارة متقدمة تحقق تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية وإنترنت الأشياء.

من خلال الاستفادة من الوثائق الشاملة والأدوات التي توفرها Ultralytics، يمكنك بسهولة نشر YOLOv8 أو استكشاف YOLO26 المتطور لحل التحديات المرئية المعقدة بسرعة ودقة غير مسبوقتين. ولمزيد من التعلّم، فكّر في استكشاف أدلتنا حول ضبط المعلمات الفائقة وممارسات نشر النماذج.

المساهمون
GLglenn-jocher14PDpderrenger1

التعليقات