YOLOv8 مقابل YOLOv9: مقارنة تقنية للكشف عن الأجسام
يعد اختيار النموذج الأمثل للرؤية الحاسوبية قرارًا محوريًا يؤثر على نجاح مشاريع الذكاء الاصطناعي، ويوازن بين متطلبات الدقة وسرعة الاستدلال والكفاءة الحسابية. يقارن هذا الدليل الشامل بين Ultralytics YOLOv8، وهو نموذج متعدد الاستخدامات وجاهز للإنتاج، ضد YOLOv9وهي بنية تركز على تعظيم دقة الكشف من خلال التدرجات الجديدة. نحن نحلل الفروق المعمارية ومقاييس الأداء وسيناريوهات النشر المثالية لمساعدتك على اتخاذ قرار مستنير.
Ultralytics YOLOv8: معيار تعدد الاستخدامات وسهولة الاستخدام
تم إطلاقه بواسطة Ultralytics, YOLOv8 يمثل تطوراً كبيراً في سلسلة YOLO حيث تم تصميمه ليس فقط كنموذج بل كإطار عمل كامل للذكاء الاصطناعي العملي. فهو يعطي الأولوية لتجربة مستخدم سلسة، وأداء قوي عبر الأجهزة، ودعم مجموعة واسعة من مهام الرؤية التي تتجاوز الاكتشاف البسيط.
- المؤلفون: جلين جوتشر، أيوش شوراسيا، جينغ تشيو
- المنظمةUltralytics
- التاريخ: 2023-01-10
- جيثبhttps://github.com/ultralytics/ultralytics
- المستنداتhttps://docs.ultralytics.com/models/yolov8/
الهندسة المعمارية والنظام البيئي
يقدّم YOLOv8 رأس كشف خالٍ من المرساة ووحدة C2f (جزئية متقاطعة مع التفافين)، مما يحسّن تكامل الميزات مع الحفاظ على التنفيذ الخفيف. على عكس النماذج التي تتمحور حول البحث، تم تصميم YOLOv8 مع وضع النشر في الاعتبار. وهو يدعم في الأصل تصنيف الصور، وتجزئة النماذج، وتقدير الوضع، واكتشاف الصندوق المحيط الموجه (OBB).
تكمن قوة YOLOv8 الحقيقية في نظامUltralytics البيئي. يستفيد المطورون من واجهة برمجة تطبيقاتPython و CLI التي تعمل على توحيد التدريب والتحقق من الصحة والنشر. يقلل هذا النهج "المتضمن للبطاريات" بشكل كبير من الوقت اللازم لتسويق تطبيقات الرؤية الحاسوبية.
نقاط القوة
- تعدد استخدامات لا مثيل له: يتعامل مع الكشف والتجزئة والتصنيف وتقدير الوضعية في مكتبة واحدة.
- جاهز للنشر: دعم التصدير الأصلي ل ONNX, OpenVINO, TensorRTو CoreML لتبسيط التكامل في الأجهزة المتطورة والخوادم السحابية.
- كفاءة الذاكرة: مُحسَّن لاستخدام أقل لذاكرة CUDA أثناء التدريب مقارنةً بالبنى القائمة على المحولات، مما يجعلها متاحة على وحدات معالجة الرسومات الاستهلاكية القياسية.
- توازن السرعة والدقة: توفر سرعات استثنائية في الاستدلال في الوقت الحقيقي، وغالباً ما تتفوق على المنافسين على CPU والأجهزة المتطورة.
- دعم نشط: مدعوم بمجتمع ضخم مفتوح المصدر وتحديثات متكررة من Ultralytics مما يضمن التوافق مع أحدث المكتبات والأجهزة.
YOLOv9: الابتكار المعماري للدقة العالية
تم إصدار YOLOv9 مع التركيز على معالجة مشكلة "عنق زجاجة المعلومات" في التعلّم العميق. وهو يقدّم مفاهيم نظرية تهدف إلى الحفاظ على معلومات البيانات أثناء مرورها عبر الطبقات العميقة، ويستهدف في المقام الأول الحدود العليا لدقة اكتشاف الأجسام.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المنظمــةمعهد علوم المعلومات، الأكاديمية الصينية للمعلومات، تايوان
- التاريخ: 2024-02-21
- اركسيف:https://arxiv.org/abs/2402.13616
- جيثبhttps://github.com/WongKinYiu/yolov9
- المستنداتhttps://docs.ultralytics.com/models/yolov9/
الابتكارات الأساسية
تعتمد بنية YOLOv9 على مكونين رئيسيين: معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). يعمل PGI على منع فقدان معلومات المدخلات الهامة أثناء عملية التغذية الأمامية في الشبكات العميقة، مما يضمن توليد تدرجات موثوقة للتحديثات. تم تصميم GELAN لتحسين كفاءة البارامترات، مما يسمح للنموذج بتحقيق دقة عالية مع بصمة حسابية محترمة.
نقاط القوة
- دقة عالية: يضع المتغير الأكبر، YOLOv9 معايير مذهلة mAP على مجموعة بيانات COCO ويتفوق في السيناريوهات التي تكون فيها الدقة بالغة الأهمية.
- كفاءة المعلمات: بفضل GELAN، تحقق نماذج YOLOv9 متوسطة الحجم دقة تنافسية مع عدد أقل من المعلمات مقارنةً ببعض البنى القديمة.
- التقدم النظري: يعالج القضايا الأساسية في تدريب الشبكات العميقة فيما يتعلق بحفظ المعلومات.
نقاط الضعف
- براعة محدودة: يركز في المقام الأول على اكتشاف الأجسام. على الرغم من قدراته الكبيرة، إلا أنه يفتقر إلى الدعم الأصلي والمبسط للتجزئة والوضع والتصنيف الذي يظهر في مجموعة Ultralytics الأساسية.
- التدريب المعقد: يمكن أن يؤدي إدخال الفروع الإضافية لـ PGI إلى جعل عملية التدريب أكثر تعقيدًا واستهلاكًا للموارد وتعقيدًا في الضبط مقارنةً بخط أنابيب YOLOv8 المبسط.
- سرعة الاستدلال: على الرغم من كفاءتها، إلا أن التعقيد المعماري يمكن أن يؤدي إلى إبطاء زمن الاستدلال على أجهزة معينة مقارنةً بالكتل المحسّنة للغاية المستخدمة في YOLOv8.
مقارنة أداء مباشرة
عند المقارنة بين YOLOv8 و YOLOv9 غالبًا ما يعود الاختيار إلى القيود المحددة لبيئة النشر الخاصة بك. يهيمن YOLOv8 على سرعة الاستدلال ومرونة النشر، بينما يدفع YOLOv9 سقف مقاييس الكشف.
| النموذج | الحجم (بالبكسل) | mAPفال 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
تسلط البيانات الضوء على تمييز واضح: يوفرYOLOv8 سرعة فائقة، لا سيما على GPU TensorRT) CPU ONNX)، وهو أمر بالغ الأهمية لتطبيقات الذكاء الاصطناعي المتطورة. على سبيل المثال، YOLOv8n أسرع بكثير من YOLOv9t على وحدات معالجة الرسومات T4 (1.47 مللي ثانية مقابل 2.3 مللي ثانية). على العكس من ذلك، يحقق YOLOv9e أعلى mAP (55.6%)، مما يجعله مناسبًا للمعالجة من جانب الخادم حيث يكون زمن الوصول أقل أهمية من اكتشاف التفاصيل الدقيقة.
هل كنت تعلم؟
تم تصميم Ultralytics YOLOv8 مع دعم أصلي لـ كل شيء مهام الرؤية الحاسوبية الرئيسية. يمكنك التبديل من اكتشاف الكائن إلى تجزئة المثيل ببساطة عن طريق تغيير ملف وزن النموذج (على سبيل المثال, yolov8n.pt إلى yolov8n-seg.pt)، وهو مستوى من المرونة غير متاح في مستودع YOLOv9 القياسي.
حالات الاستخدام المثالية
اختر Ultralytics YOLOv8 إذا:
- أنت بحاجة إلى حل جاهز للإنتاج: يعمل التوثيق الشامل والدعم المجتمعي والتكاملات المبنية مسبقًا (مثل MLFlow و TensorBoard) على تبسيط المسار من النموذج الأولي إلى المنتج.
- السرعة أمر بالغ الأهمية: بالنسبة لتحليلات الفيديو في الوقت الحقيقي أو الملاحة المستقلة أو تطبيقات الأجهزة المحمولة، توفر سرعة الاستدلال المحسّنة في YOLOv8 ميزة مميزة.
- تحتاج إلى مهام رؤية متعددة: إن المشاريع التي تتضمن تقدير الوضعية أو التجزئة إلى جانب الكشف هي الأفضل من خلال إطار عمل YOLOv8 الموحد.
- توجد قيود على الموارد: تم تحسين طرازات YOLOv8 بشكل كبير لمختلف الأجهزة، مما يضمن التشغيل الفعال على أجهزة تتراوح من Raspberry Pis إلى NVIDIA Jetsons.
اختر YOLOv9 إذا:
- الدقة القصوى هي المقياس الوحيد: بالنسبة للأبحاث الأكاديمية أو مهام الفحص المتخصصة، حيث يكون كل جزء من النسبة المئوية في mAP أكثر أهمية من السرعة أو سهولة الاستخدام.
- أنت تبحث في الهندسة المعمارية: تُعد مفاهيم PGI و GELAN ذات قيمة للباحثين الذين يدرسون التدفق المتدرج في الشبكات العميقة.
تنفيذ الكود
تتمثل إحدى المزايا الرئيسية لنظام Ultralytics في أنه يدعم كلا النموذجين بنفس واجهة برمجة التطبيقات البسيطة. وهذا يتيح لك قياسها بسهولة على مجموعات البيانات المخصصة الخاصة بك.
إليك كيفية تدريب نموذج YOLOv8 في بضعة أسطر من التعليمات البرمجية:
from ultralytics import YOLO
# Load a YOLOv8 model
model = YOLO("yolov8n.pt")
# Train the model on your data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on an image
results = model("path/to/image.jpg")
نظرًا لأن Ultralytics يدمج YOLOv9 يمكنك تبديل سلسلة النموذج إلى yolov9c.pt لتجربة YOLOv9 ضمن نفس خط الأنابيب القوي، على الرغم من أن نماذج YOLOv8 الأصلية غالبًا ما تستفيد من تكامل أكثر إحكامًا مع أدوات النشر.
الخلاصة
بالنسبة للغالبية العظمى من المطورين والتطبيقات التجارية، يظلYOLOv8Ultralytics YOLOv8 الخيار الموصى به. حيث يضمن توازنه الفائق بين السرعة والدقة، بالإضافة إلى نظام بيئي ناضج وجيد الصيانة، أن تكون المشاريع مقاومة للمستقبل ويسهل صيانتها. توفر القدرة على التعامل مع الاكتشاف والتجزئة وتقدير الوضعية في إطار عمل واحد تنوعًا لا مثيل له.
على الرغم من أن YOLOv9 يقدم نظريات معمارية مثيرة ويحقق دقة قصوى عالية، إلا أنه من الأفضل أن يكون مخصصًا لمنافذ بحثية أو سيناريوهات محددة حيث لا يمثل زمن الاستجابة للاستدلال قيدًا.
لأولئك الذين يبحثون عن أحدث ما توصلت إليه تكنولوجيا الرؤية الحاسوبية على الإطلاق، تأكد من الاطلاع على YOLO11الذي يحسّن من الكفاءة والأداء الذي أرساه YOLOv8. بالإضافة إلى ذلك، يمكن للباحثين المهتمين بالمقاربات القائمة على المحولات استكشاف RT-DETR للمفاضلات المعمارية المختلفة.
استكشف المزيد من المقارنات على صفحة المقارنة بين الطرازات.