Ultralytics YOLOv8 YOLOv9: دراسة تقنية متعمقة حول الكشف الحديث عن الأجسام

تطور مجال الكشف عن الكائنات في الوقت الفعلي بسرعة كبيرة، حيث دفعت كل نسخة جديدة حدود الإمكانيات المتاحة على الأجهزة الطرفية وخوادم السحابة على حد سواء. Ultralytics YOLOv8، الذي تم إصداره في أوائل عام 2023، أثبت نفسه كمعيار صناعي للتنوع وسهولة الاستخدام. وبعد عام، YOLOv9 مفاهيم معمارية جديدة تركز على معلومات التدرج القابلة للبرمجة (PGI) لمعالجة اختناقات معلومات التعلم العميق.

يقارن هذا الدليل الشامل بين هذين العملاقين، ويحلل ابتكاراتهما المعمارية ومقاييس الأداء وسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج المناسب لمشروع الرؤية الحاسوبية الخاص بك.

ملخص تنفيذي: أي نموذج يجب أن تختار؟

يمثل كلا النموذجين معالم بارزة في تاريخ الرؤية الحاسوبية، لكنهما يخدمان احتياجات مختلفة قليلاً في مجال الذكاء الاصطناعي الحديث.

اختر Ultralytics YOLOv8 : كنت تفضل نظامًا بيئيًا جاهزًا للإنتاج. YOLOv8 تصميم YOLOv8 للتطبيقات الواقعية، حيث يدعم مجموعة واسعة من المهام (الكشف، والتجزئة، والوضع، و OBB، والتصنيف) بشكل فوري. يتكامل بشكل سلس مع Ultralytics يجعل التدريب والتتبع والنشر أسهل بكثير لفرق الهندسة.
اختر YOLOv9 : كنت باحثًا أو مطورًا متقدمًا تركز بشكل كامل على تعظيم mAP (متوسط الدقة) في معايير قياسية مثل COCO. YOLOv9 الحدود النظرية لكفاءة بنية CNN، ويقدم نسبًا ممتازة بين المعلمات والدقة، على الرغم من أنه غالبًا ما يتطلب إعدادًا تدريبيًا أكثر تعقيدًا.
اختر YOLO26 (موصى به) إذا: كنت تريد أفضل ما في العالمين — دقة متطورة وك فاءة أصلية شاملة. تم إصداره في عام 2026، YOLO26 يغني تمامًا عن الحاجة إلى تقنية Non-Maximum Suppression (NMS)، ويوفر CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة مع الحفاظ على دقة عالية المستوى.

اجعل مشروعك مستعدًا للمستقبل مع YOLO26

في حين أن YOLOv8 YOLOv9 ، YOLOv9 الإصدار الجديد YOLO26 الذي تم إصداره مؤخرًا يمثل قفزة نوعية إلى الأمام. يتميز بتصميم أصلي NMS لتبسيط النشر ومُحسِّن MuSGD المبتكر لتدريب مستقر. بالنسبة للمشاريع الجديدة، يُوصى باختيار YOLO26.

المواصفات الفنية والمؤلف

فهم نسب هذه النماذج يوفر سياقًا لقراراتها المعمارية.

Ultralytics YOLOv8

المؤلفون: جلين جوشر، أيوش شوراسيا، وجينغ تشيو
المنظمة:Ultralytics
تاريخ الإصدار: 10 يناير 2023ترخيص
: AGPL-3.0 متاح للمؤسسات)روابط
:GitHub، Docs

تعرف على المزيد حول YOLOv8

YOLOv9

المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديمية سينكا، تايوان
تاريخ الإصدار: 21 فبراير 2024
الترخيص: GPL-3.0
الروابط:Arxiv، GitHub

تعرف على المزيد حول YOLOv9

معايير الأداء

عند تقييم نماذج الكشف عن الكائنات، فإن التوازن بين السرعة (زمن الاستدلال) والدقة (mAP) أمر بالغ الأهمية. يقارن الجدول أدناه المقاييس الرئيسية في مجموعة بيانات 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

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

التحليل: YOLOv9 كفاءة مذهلة، حيث يحقق غالبًا mAP أعلى mAP معلمات أقل (انظر YOLOv9t مقابل YOLOv8n). ومع ذلك، Ultralytics YOLOv8 غالبًا ما يحتفظ بسرعات استدلال فائقة على تكوينات الأجهزة القياسية ويستفيد من خط أنابيب تصدير ناضج يعمل على تحسين زمن الاستجابة عبر منصات متنوعة مثل TensorRT و OpenVINO.

الابتكارات المعمارية

YOLOv8: الإطار الموحد

YOLOv8 بنية متطورة وخالية من المراسي. وتشمل الميزات الرئيسية ما يلي:

الكشف بدون مرساة: يقلل من عدد تنبؤات الصندوق، مما يسرع عملية القمع غير الأقصى (NMS).
تحسين الفسيفساء: تقنيات تدريب محسّنة تعزز المتانة ضد الانسداد.
وحدة C2f: عنق زجاجة جزئي عبر المراحل مع اثنين من التلافيف التي تعمل على تحسين تدفق التدرج، لتحل محل الوحدة C3 القديمة.
رأس منفصل: يفصل مهام التصنيف والانحدار لتحسين الدقة.

YOLOv8 القوة الحقيقية لـ YOLOv8 في تصميمه الشامل. فهو ليس مجرد نموذج للكشف، بل إطار عمل قادر على إجراء تقسيم المثيلات وتقدير الوضع والكشف عن الصندوق المحدد الموجه (OBB) باستخدام واجهة برمجة تطبيقات موحدة.

YOLOv9: حل مشكلة عنق الزجاجة المعلوماتي

YOLOv9 على معالجة فقدان المعلومات أثناء مرور البيانات عبر الشبكات العميقة.

معلومات التدرج القابلة للبرمجة (PGI): إطار عمل إضافي للإشراف يضمن الحفاظ على معلومات التدرج للطبقات العميقة، مما يولد تدرجات موثوقة لتحديث أوزان الشبكة.
GELAN (شبكة تجميع الطبقات الفعالة المعممة): بنية جديدة تعمل على تحسين كفاءة المعلمات وتكلفة الحوسبة. وهي تجمع بين مزايا CSPNet و ELAN لتعظيم تدفق المعلومات مع تقليل FLOPs إلى الحد الأدنى.

على الرغم من تقدمها من الناحية النظرية، إلا أن تطبيق PGI يضيف تعقيدًا إلى حلقة التدريب، مما قد يجعل التخصيص أكثر صعوبة مقارنةً بالطريقة المبسطة. yolo train الأمر الموجود في نظام Ultralytics .

النظام البيئي وسهولة الاستخدام

وهنا يصبح التمييز أكثر أهمية بالنسبة للمطورين.

Ultralytics YOLOv8 يستفيد من نظام بيئي ضخم ونشط. ultralytics تتيح لك Python الانتقال من التثبيت إلى التدريب في غضون دقائق. وهي تتضمن دعمًا أصليًا لإدارة مجموعات البيانات عبر منصة Ultralytics، مما يتيح للفرق تصور مجموعات البيانات track بسهولة.

from ultralytics import YOLO

# Load a model (YOLOv8 or the newer YOLO26)
model = YOLO("yolov8n.pt")

# Train on a custom dataset with one line
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

YOLOv9، على الرغم من قوته، غالبًا ما يتطلب نهجًا أكثر تقليدية في البحث عن المستودعات. قد يحتاج المستخدمون إلى استنساخ مستودعات GitHub محددة والتنقل بين ملفات التكوين المعقدة. على الرغم من وجود تكامل مع Ultralytics YOLOv8 تجربة التطوير الأساسية لـ YOLOv8 أكثر دقة لتطبيقه تجاريًا.

كفاءة التدريب والذاكرة

من المزايا الهامة YOLO Ultralytics YOLO كفاءتها في استخدام الذاكرة. نماذج مثل YOLOv8 YOLO26 مُحسّنة بحيث تتطلب CUDA أقل أثناء التدريب مقارنة بالبنى الثقيلة المحولات أو YOLO الأقدم.

تقارب أسرع: Ultralytics أوزانًا عالية الجودة ومدربة مسبقًا تسمح بالتعلم السريع عن طريق النقل، وغالبًا ما تحقق نتائج قابلة للاستخدام في عدد أقل من الدورات.
تدريب منخفض الموارد: تتيح البنى الفعالة التدريب على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين، مما يتيح للطلاب والشركات الناشئة الوصول إلى الذكاء الاصطناعي المتقدم.

تطبيقات عملية في أرض الواقع

إدارة حركة المرور في المدن الذكية

YOLOv8 تتفوق هنا بفضل قدرات تتبع الأجسام . من خلال الجمع بين الكشف وأجهزة التتبع مثل BoT-SORT أو ByteTrack، يمكن للمدن مراقبة تدفق المركبات detect في الوقت الفعلي. YOLOv8n زمن الاستجابة المنخفض لـ YOLOv8n بمعالجة تدفقات فيديو متعددة على خادم حافة واحد.

الروبوتات الزراعية

للكشف عن المحاصيل أو الأعشاب الضارة، YOLOv8 قدرات التجزئة في YOLOv8 لا تقدر بثمن. ومع ذلك، لتحديد الآفات الصغيرة جدًا أو العلامات المبكرة للمرض، تعمل وظائف ProgLoss + STAL في الإصدار الأحدث YOLO26 تقدم إمكانات فائقة في التعرف على الأجسام الصغيرة، مما يجعلها الخيار المفضل للتكنولوجيا الزراعية الحديثة.

مراقبة الجودة الصناعية

تتطلب خطوط التصنيع دقة عالية للغاية. YOLOv9توفر بنية GELAN الخاصة بـ YOLO9 احتفاظًا ممتازًا بالميزات، مما قد يكون مفيدًا في الكشف عن العيوب الدقيقة في الأنسجة المعقدة. على العكس من ذلك، بالنسبة لخطوط التجميع عالية السرعة، يضمن التصميم الشامل NMS لـ YOLO26 ألا يصبح الفحص عنق زجاجة، حيث يعالج العناصر بشكل أسرع من الطرق التقليدية.

الخلاصة

YOLOv9 كل من YOLOv8 YOLOv9 أدوات استثنائية. YOLOv9 تتجاوز حدود الكفاءة النظرية، وتوفر دقة مذهلة مع عدد أقل من المعلمات. وهي خيار ممتاز للبحوث الأكاديمية والسيناريوهات التي mAP كل نقطة مئوية من mAP حاسمة.

ومع ذلك، بالنسبة للغالبية العظمى من المطورين والمؤسسات، Ultralytics YOLOv8 (وخليفته YOLO26) هو الخيار الأفضل. فسهولة استخدامه التي لا تضاهى، ووثائقه القوية، ودعمه المتعدد الاستخدامات للمهام يقلل من صعوبات تطوير الذكاء الاصطناعي. وتضمن القدرة على النشر السلس على أجهزة متنوعة باستخدام خط أنابيبUltralytics أن يجلب نموذجك قيمة إلى العالم الحقيقي، وليس فقط إلى جدول المعايير.

لأولئك المستعدين لتقبل المستقبل، نوصي بشدة باستكشاف YOLO26. بفضل إزالة DFL ومحسن MuSGD والبنية الأصلية NMS، يمثل هذا المنتج قمة الكفاءة والأداء لعام 2026.

ملخص المقارنة

ميزة	Ultralytics YOLOv8	YOLOv9	Ultralytics (جديد)
التركيز	سهولة الاستخدام وتعدد الاستخدامات	كفاءة المعلمات	السرعة والدقة من البداية إلى النهاية
البنية	بدون مرساة، C2f	PGI + GELAN	NMS NMS، MuSGD
المهام	الكشف، الفصل، الوضع، OBB، التصنيف	الكشف (الأساسي)	جميع المهام المدعومة
سهولة الاستخدام	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐⭐⭐
NMS	نعم	نعم	لا (من البداية إلى النهاية بشكل أصلي)