YOLOv8 مقابل YOLOv9#

اتسم تطور اكتشاف الأجسام في الوقت الفعلي بالسعي المستمر إلى دقة أفضل، وزمن استجابة أقل، واستفادة محسّنة من العتاد. ومن أبرز المحطات في هذا المسار Ultralytics YOLOv8 وYOLOv9. وبينما يمثل كلا النموذجين أحدث القدرات في الرؤية الحاسوبية، فإنهما يلبيان احتياجات مختلفة للنشر، وفلسفات معمارية متباينة، ومنظومات مطورين مختلفة.

يفصّل هذا الدليل الشامل الفروقات التقنية، والابتكارات المعمارية، واعتبارات النشر العملية لمساعدتك على اختيار النموذج المناسب لمشروعك المقبل في مجال الذكاء الاصطناعي.

أصل النماذج والفلسفات الأساسية#

قبل الخوض في المقاييس، من الضروري فهم أصول كل نموذج وأهداف تصميمه الرئيسية.

Ultralytics YOLOv8: معيار المنظومة المتعددة الاستخدامات#

أطلق فريق Ultralytics نموذج YOLOv8، ولم يُصمَّم بوصفه كاشف أجسام مستقلًا فحسب، بل بوصفه إطارًا موحدًا متعدد المهام. وهو يعطي الأولوية لتجربة مطور سلسة، ومتطلبات ذاكرة منخفضة، وتوافق واسع مع العتاد.

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: ultralytics/ultralytics
• التوثيق: مستندات YOLOv8

YOLOv9: المعلومات القابلة للبرمجة للتدرجات#

طوّر باحثون في أكاديمية سينيكا YOLOv9 بصورة مستقلة، ويركز النموذج بدرجة كبيرة على النظرية المعمارية، ولا سيما معالجة ظاهرة عنق الزجاجة المعلوماتي في الشبكات العصبية العميقة.

• المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
• الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
• التاريخ: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

تعرف على المزيد حول YOLOv9

تحليل معماري متعمق#

تحدد الخيارات المعمارية في التعلم العميق مدى كفاءة تعلم النموذج وسرعة تشغيله على العتاد المستهدف، مثل NVIDIA Jetson أو وحدة المعالجة المركزية Intel.

معمارية YOLOv8: وحدتا C2f والرؤوس المفصولة#

قدّم YOLOv8 وحدة C2f (عنق زجاجة جزئي عبر المراحل مع عمليتي التفاف)، التي استبدلت وحدة C3 الأقدم. يحسّن هذا التغيير تدفق التدرجات، ويتيح للشبكة تعلم تمثيلات أغنى للسمات دون تحميل ذاكرة GPU بشكل كبير.

علاوة على ذلك، يستخدم YOLOv8 تصميمًا خاليًا من المراسي مع رأس مفصول. ومن خلال معالجة احتمالية وجود الجسم، والتصنيف، والانحدار عبر مسارات منفصلة، يتقارب النموذج بسرعة أكبر أثناء التدريب ويعمّم أداءه بصورة أفضل على مجموعات البيانات المخصصة المتنوعة.

معمارية YOLOv9: PGI وGELAN#

يقدّم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN). تضمن PGI عدم فقدان البيانات المهمة أثناء مرورها عبر طبقات الشبكة، مما يوفر تدرجات موثوقة لتحديث الأوزان. وتعمل GELAN على زيادة كفاءة المعلمات إلى أقصى حد، بما يتيح للنموذج تحقيق دقة عالية مع محاولة إبقاء عدد عمليات FLOPs ضمن حدود معقولة.

وعلى الرغم من تميزه رياضيًا، فإن اعتماد YOLOv9 على فروع عكسية مساعدة محددة أثناء التدريب قد يجعل تخصيص شيفرة التدريب أكثر تعقيدًا مقارنة بخطوط الأنابيب القياسية.

مقاييس الأداء والمعايير المرجعية#

يوفر الجدول أدناه مقارنة مباشرة بين النموذجين عبر أحجام مختلفة. ويُقاس الأداء على مجموعة بيانات MS COCO، وهي معيار قياسي لاختبار اكتشاف الأجسام.

ملاحظة: أُبرزت أفضل القيم في كل عمود بخط عريض.

تحليل المفاضلات#

يحقق YOLOv9 دقة قصوى أعلى قليلًا (mAP)، ولا سيما مع متغيره الأكبر e. إلا أن ذلك يأتي بتكلفة؛ إذ يحافظ Ultralytics YOLOv8 على أفضلية كبيرة في سرعة الاستدلال، ولا سيما عند التحويل إلى صيغ مثل TensorRT أو ONNX. وبالنسبة إلى التطبيقات التي تتطلب عددًا مرتفعًا من الإطارات في الثانية (FPS) على عتاد طرفي محدود الموارد، مثل Raspberry Pi أو شرائح الأجهزة المحمولة الأقدم، توفر متغيرات YOLOv8 n وs توازنًا عمليًا أفضل بكثير بين الأداء والمتطلبات.

كفاءة التدريب والتكامل مع المنظومة#

ينطوي اختيار النموذج على أكثر من مجرد النظر إلى جداول الدقة؛ فتجربة المطور بالغة الأهمية.

ميزة Ultralytics: سهولة الاستخدام#

غالبًا ما يتطلب تدريب YOLOv9 استنساخ مستودعات GitHub معقدة، وإدارة بيئات PyTorch بعناية، وضبط أوزان الخسارة المساعدة يدويًا.

في المقابل، يستند Ultralytics YOLOv8 إلى واجهة API في Python مبسطة بدرجة ملحوظة. وقد صُممت لسهولة الاستخدام، إذ تتولى أصلًا زيادة البيانات، والتسجيل (في أدوات مثل Weights & Biases وComet ML)، وتوزيع الأحمال على العتاد.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

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

# Export for edge deployment
model.export(format="engine", quantize=16)  # TensorRT export

تقلل واجهة API الوحيدة هذه بصورة كبيرة الوقت اللازم للانتقال من النموذج الأولي إلى الإنتاج. علاوة على ذلك، يتطلب YOLOv8 عمومًا ذاكرة CUDA أقل أثناء التدريب، مما يتيح للمطورين استخدام أحجام دفعات أكبر على العتاد المخصص للمستهلكين.

تعددية المهام#

على الرغم من أن YOLOv9 كاشف ممتاز لصناديق الإحاطة، فإن الذكاء الاصطناعي للرؤية في العالم الحقيقي يتطلب غالبًا أكثر من ذلك. يدعم YOLOv8، بوصفه حزمة متعددة الاستخدامات، أصلًا تقسيم الكائنات، وتقدير الوضعية، وتصنيف الصور، وصناديق الإحاطة الموجّهة (OBB). ويسهم استخدام إطار واحد لمهام متعددة في تقليل تضخم البرمجيات وعبء الصيانة بدرجة كبيرة.

حالات الاستخدام الواقعية#

كيف يكون أداء هذه النماذج في بيئات الإنتاج؟

الطائرات المسيّرة والروبوتات المستقلة#

بالنسبة إلى الروبوتات التي تتطلب تفادي العوائق بسرعة، يُعد YOLOv8 الخيار المفضل. ويضمن زمن الاستجابة المنخفض للغاية لمتغير YOLOv8n تفاعل الأنظمة المستقلة مع بيئاتها في الوقت الفعلي، مما يمنع الاصطدامات. كما تجعل إمكانات التصدير الأصلية إلى OpenVINO وCoreML النشر على الشرائح منخفضة الطاقة الشائعة في الطائرات المسيّرة التجارية أمرًا سهلًا للغاية.

اكتشاف العيوب عالي الدقة#

في بيئات التصنيع المتخصصة التي يكون فيها اكتشاف العيوب المجهرية أمرًا بالغ الأهمية، وتكون المعالجة غير المتصلة مقبولة، يمكن أن يكون YOLOv9 فعالًا للغاية. وتساعد معمارية PGI الشبكة على الاحتفاظ بالتفاصيل المرئية الدقيقة اللازمة لتحديد الشقوق الشعرية أو أخطاء لحام لوحات الدارات المطبوعة.

تحليلات تجارة التجزئة الذكية والأمن#

لتتبع العملاء عبر ممرات المتاجر أو إدارة أنظمة الدفع الآلي، يوفر YOLOv8 أفضل توازن. وتجعله قدرته على تشغيل الاكتشاف وتتبع الكائنات المتعددة في الوقت نفسه باستخدام خوارزميات قياسية مثل BoT-SORT حلًا قويًا لعمليات نشر تجارة التجزئة متعددة الكاميرات.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv8 وYOLOv9 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات المنظومة.

متى تختار YOLOv8#

يُعد YOLOv8 خيارًا قويًا من أجل:

• النشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مُثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
• أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية مسبقًا على بنية YOLOv8، مع مسارات نشر مستقرة ومختبرة جيدًا.
• دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـYOLOv8، وعمليات التكامل التابعة لجهات خارجية، وموارد المجتمع النشطة.

متى تختار YOLOv9#

يوصى باستخدام YOLOv9 من أجل:

• أبحاث عنق الزجاجة المعلوماتي: المشاريع الأكاديمية التي تدرس معماريات المعلومات القابلة للبرمجة للتدرجات (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).
• دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
• قياس أداء اكتشاف عالي الدقة: السيناريوهات التي تحتاج إلى أداء YOLOv9 القوي في معيار COCO بوصفه نقطة مرجعية للمقارنات المعمارية.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

التطور التالي: YOLO26#

على الرغم من قوة YOLOv8 وYOLOv9، فإن مشهد الذكاء الاصطناعي يتغير بسرعة. وبالنسبة إلى الفرق التي تتطلب أفضل أداء على الإطلاق، يستند YOLO26 المُطلق حديثًا إلى نجاحات الأجيال السابقة.

يقدّم YOLO26 تصميمًا شاملًا خاليًا من NMS، يزيل تمامًا اختناقات المعالجة اللاحقة المعقدة، مما يجعل النشر أبسط وزمن الاستجابة أكثر قابلية للتنبؤ. وبالاعتماد على مُحسِّن MuSGD الجديد ووظائف الخسارة المحسّنة ProgLoss + STAL، ومع إزالة DFL (إزالة Distribution Focal Loss لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، يحقق ما يصل إلى استدلال أسرع بنسبة 43% على CPU مع تحسين التعرف على الأجسام الصغيرة. وبالنسبة إلى المطورين الذين يدفعون حدود الحوسبة الطرفية، يُوصى بشدة بتقييم YOLO26.

خلاصة القول، بينما يقدم YOLOv9 أبحاثًا معمارية مثيرة ودقة قصوى ممتازة، يظل Ultralytics YOLOv8 الخيار الأكثر عملية، والأفضل دعمًا، والأكثر تنوعًا بالنسبة إلى الغالبية العظمى من مهندسي الرؤية الحاسوبية الساعين إلى طرح برمجيات موثوقة بسرعة.