YOLOv8 مقابل YOLOv9
اتسم تطور اكتشاف الأجسام في الزمن الحقيقي بالسعي المستمر إلى دقة أفضل وزمن استجابة أقل واستفادة محسّنة من العتاد. ومن أبرز المحطات في هذا المسار Ultralytics YOLOv8 وYOLOv9. وعلى الرغم من أن كلا النموذجين يمثل أحدث ما توصل إليه المجال في الرؤية الحاسوبية، فإن لكل منهما احتياجات نشر وفلسفات معمارية ومنظومات للمطورين مختلفة.
يشرح هذا الدليل الفروق التقنية والابتكارات المعمارية واعتبارات النشر العملية، لمساعدتك على اختيار النموذج المناسب لمشروع الذكاء الاصطناعي التالي.
أصول النماذج وفلسفاتها الأساسية#
قبل استعراض المقاييس، من المفيد فهم نشأة كل نموذج وأهداف تصميمه الرئيسية.
Ultralytics YOLOv8: المعيار متعدد الاستخدامات للمنظومة#
أُطلق YOLOv8 بواسطة فريق Ultralytics، ولم يُصمم ليكون كاشف كائنات مستقلًا فحسب، بل إطار عمل موحدًا متعدد المهام. وهو يعطي الأولوية لسلاسة تجربة المطور وانخفاض متطلبات الذاكرة والتوافق الواسع مع العتاد.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
- الوثائق: وثائق YOLOv8
YOLOv9: معلومات التدرج القابلة للبرمجة#
طوّر باحثون في أكاديميا سينيكا YOLOv9 بشكل مستقل، ويركز النموذج بشدة على النظرية المعمارية، وتحديدًا على معالجة ظاهرة عنق الزجاجة المعلوماتية في الشبكات العصبية العميقة.
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2024-02-21
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
إذا كنت تخطط لنشر تجاري واسع النطاق، ففكّر في استكشاف منصة Ultralytics لتبسيط التدريب السحابي وإدارة مجموعات البيانات ونقاط نهاية API المخصصة.
تحليل معمّق للبنية#
تحدد الخيارات المعمارية في التعلم العميق مدى كفاءة تعلم النموذج وسرعة تشغيله على العتاد المستهدف، مثل NVIDIA Jetson أو CPU من Intel.
بنية YOLOv8: وحدات C2f والرؤوس المنفصلة#
قدم YOLOv8 وحدة C2f (عنق زجاجة جزئي عبر المراحل يتضمن عمليتي التفاف)، لتحل محل وحدة C3 الأقدم. ويحسن هذا التغيير تدفق التدرجات، ويتيح للشبكة تعلم تمثيلات أغنى للسمات دون استهلاك مفرط لذاكرة GPU.
يستخدم YOLOv8 أيضًا تصميمًا خاليًا من المراسي مع رأس مفصول. ومن خلال معالجة التصنيف والانحدار عبر مسارين منفصلين، يتقارب النموذج بسرعة أكبر أثناء التدريب ويعمم بصورة أفضل على مجموعات البيانات المخصصة المتنوعة.
بنية YOLOv9: PGI وGELAN#
يقدّم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). وتضمن PGI عدم فقدان البيانات المهمة أثناء مرورها عبر طبقات الشبكة، ما يوفر تدرجات موثوقة لتحديث الأوزان. وتعزز GELAN كفاءة المعلمات، ما يتيح للنموذج تحقيق دقة عالية مع إبقاء FLOPs ضمن حدود معقولة.
لكن الفروع المساعدة القابلة للعكس في YOLOv9، التي لا تُستخدم إلا أثناء التدريب، قد تجعل تخصيص شيفرة التدريب أكثر تعقيدًا من مسارات العمل القياسية.
مقاييس الأداء والمعايير المرجعية#
يعرض الجدول أدناه مقارنة مباشرة بين النماذج بأحجام مختلفة. وقيس الأداء على مجموعة بيانات MS COCO، وهي معيار مرجعي شائع لاكتشاف الأجسام.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 165.1 |
| 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 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
ملاحظة: تُبرز أفضل القيم في كل عمود بخط عريض.
تحليل المفاضلات#
يحقق YOLOv9 دقة أعلى (mAP) عند كل حجم مماثل، ويستخدم عددًا أقل من المعلمات في كل حجم. لكن Ultralytics YOLOv8 أسرع في سرعة الاستدلال على GPU؛ فعلى سبيل المثال، يستغرق YOLOv8n مدة 1.47 ms مقابل 2.3 ms لـYOLOv9t عند التجميع باستخدام TensorRT، كما يُصدّر بسهولة إلى تنسيقات مثل ONNX. وللتطبيقات التي تتطلب معدل إطارات مرتفعًا في الثانية (FPS) على عتاد حافة محدود، مثل Raspberry Pi أو رقائق الأجهزة المحمولة الأقدم، توفر إصدارات n وs من YOLOv8 توازنًا عمليًا في الأداء.
كفاءة التدريب والتكامل مع المنظومة#
يتطلب اختيار النموذج أكثر من مجرد النظر إلى جداول الدقة؛ فتجربة المطور لا تقل أهمية.
ميزة Ultralytics: سهولة الاستخدام#
يتطلب تدريب YOLOv9 غالبًا استنساخ مستودعات GitHub معقدة، وإدارة بيئات PyTorch بعناية، وضبط أوزان الخسائر المساعدة يدويًا.
في المقابل، تدعم Ultralytics YOLOv8 واجهة Python API مبسطة. وصُممت هذه الواجهة لسهولة الاستخدام، فهي تتولى زيادة البيانات والتسجيل (باستخدام أدوات مثل Weights & Biases وComet ML) والتدريب الأصلي على وحدات GPU متعددة.
from ultralytics import YOLO
# تحميل نموذج YOLOv8 صغير مدرّب مسبقًا
model = YOLO("yolov8s.pt")
# تدريب النموذج بكفاءة على بيانات مخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تصدير النموذج للنشر على الأجهزة الطرفية
model.export(format="engine", quantize=16) # تصدير TensorRTتقلل واجهة API واحدة هذه المدة من إنشاء النموذج الأولي إلى الإنتاج. علاوة على ذلك، يتطلب YOLOv8 عمومًا ذاكرة CUDA أقل أثناء التدريب، ما يتيح للمطورين استخدام أحجام دفعات أكبر على العتاد الاستهلاكي.
تعدد المهام#
على الرغم من أن YOLOv9 كاشف ممتاز للمربعات المحيطة، فإن تطبيقات ذكاء الرؤية في العالم الحقيقي تتطلب غالبًا أكثر من ذلك. يدعم YOLOv8 أصليًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والمربعات المحيطة الموجّهة (OBB). ويقلل استخدام إطار عمل واحد لمهام متعددة تعقيد البرامج وعبء صيانتها.
إذا كنت تبدأ مشروعًا جديدًا، فقد ترغب أيضًا في تقييم Ultralytics YOLO11 أو YOLO26، النموذج الموصى به حاليًا، والذي يوفر استدلالًا اختياريًا شاملًا من البداية إلى النهاية وخاليًا من NMS.
حالات الاستخدام في العالم الحقيقي#
كيف يكون أداء هذه النماذج في بيئات الإنتاج؟
الطائرات المسيّرة المستقلة والروبوتات#
للروبوتات التي تتطلب تفاديًا سريعًا للعوائق، يُعد YOLOv8 الخيار المفضل. ويساعد زمن الاستجابة المنخفض لـYOLOv8n الأنظمة ذاتية التشغيل على التفاعل مع بيئاتها آنيًا وتجنب الاصطدامات. كما يسهّل التصدير الأصلي إلى OpenVINO وCoreML النشر على الرقائق منخفضة الطاقة الشائعة في الطائرات المسيّرة التجارية.
اكتشاف العيوب عالية الدقة#
في بيئات التصنيع المتخصصة، حيث يكون اكتشاف العيوب المجهرية أمرًا بالغ الأهمية وتكون المعالجة دون اتصال مقبولة، قد يكون YOLOv9 فعالًا. وتساعد بنية PGI الشبكة على الاحتفاظ بالتفاصيل البصرية الدقيقة اللازمة لتحديد الشقوق الشعرية أو أخطاء لحام لوحات الدارات المطبوعة.
تحليلات البيع بالتجزئة والأمن الذكية#
يوفر YOLOv8 أفضل توازن لتتبع العملاء في ممرات المتاجر أو إدارة أنظمة الدفع الآلي. كما أن قدرته على تشغيل الاكتشاف وتتبع الأجسام المتعددة في الوقت نفسه، باستخدام خوارزميات قياسية مثل BoT-SORT، تجعله حلًا متينًا لعمليات النشر متعددة الكاميرات في متاجر البيع بالتجزئة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv8 وYOLOv9 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLOv8#
يُعد YOLOv8 خيارًا قويًا لـ:
- نشر مرن متعدد المهام: مشاريع تتطلب نموذجًا مثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعيات ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار YOLOv9#
يوصى بـYOLOv9 في الحالات التالية:
- أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
- دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
- اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.
متى تختار Ultralytics (YOLO26)#
يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:
- النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
- البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
التطور التالي: YOLO26#
على الرغم من كفاءة YOLOv8 وYOLOv9، فإن مشهد الذكاء الاصطناعي يتغير بسرعة. وبالنسبة إلى المشاريع الجديدة، يبني YOLO26، الذي أُطلق في يناير 2026، على نقاط قوة هذه الأجيال السابقة.
يقدّم YOLO26 تصميمًا اختياريًا شاملًا من البداية إلى النهاية وخاليًا من NMS (nms=False)، وهو ما يلغي معالجة NMS اللاحقة، فيبسّط النشر ويجعل زمن الاستجابة أكثر قابلية للتنبؤ. وباستخدام محسّن MuSGD وProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة) وإلغاء DFL (إلغاء خسارة البؤرة التوزيعية لتبسيط التصدير وتحسين التوافق مع أجهزة الحافة والأجهزة منخفضة الطاقة)، يحقق YOLO26n استدلال CPU أسرع بنسبة تصل إلى 43% من YOLO11n، مع تحسين اكتشاف الأجسام الصغيرة. ويُعد YOLO26 نقطة انطلاق موصى بها لمشاريع الحوسبة الطرفية.
باختصار، مع أن YOLOv9 يوفر أبحاثًا معمارية قيّمة ودقة قصوى ممتازة، تظل Ultralytics YOLOv8 خيارًا عمليًا ومدعومًا جيدًا ومتعدد الاستخدامات لمعظم مهندسي الرؤية الحاسوبية الذين يسعون إلى طرح برمجيات موثوقة بسرعة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.