YOLOv9 مقابل YOLO11#
لقد أدى التطور السريع لرؤية الحاسوب إلى دفع حدود ما هو ممكن باستمرار في اكتشاف الكائنات في الوقت الفعلي. عند مقارنة البنى الرائدة، تبرز YOLOv9 و Ultralytics YOLO11 كقفزات هائلة إلى الأمام، حيث تلبي كل منهما احتياجات تقنية متميزة. قدمت YOLOv9 طرقاً مبتكرة للحفاظ على تدفق التدرج أثناء التدريب العميق للشبكات، بينما أحدثت YOLO11 ثورة في نظام رؤية الأغراض العامة بكفاءة وتنوع وسهولة استخدام لا تضاهى.
تحلل هذه المقارنة التقنية الشاملة بنياتها، ومقاييس الأداء، ومتطلبات الذاكرة، وسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج الأمثل لمشروعك القادم في مجال الذكاء الاصطناعي.
في حين أن YOLOv9 و YOLO11 هما نموذجان ممتازان، فإن YOLO26 المُصنَّع حديثاً يمثل القفزة التالية إلى الأمام. فهو يضم تصميماً شاملاً خالياً من NMS لنشر أبسط، واستدلالاً أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%، ومحسن MuSGD المبتكر للتقارب السريع. لجميع مشاريع الإنتاج الجديدة، يُوصى بشدة باستخدام YOLO26.
المواصفات الفنية والتأليف#
يوفر فهم سلالة هذه النماذج سياقاً أساسياً لقراراتها المعمارية وتبعيات إطار العمل الخاصة بها.
YOLOv9#
جلبت YOLOv9 تركيزاً أكاديمياً قوياً على اختناقات معلومات التعلم العميق، مع إعطاء الأولوية القصوى لأقصى دقة للميزات من خلال كتل شبكية مخصصة.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديمية سينيكا
- التاريخ: 21 فبراير 2024
- أركايف: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
تم تصميم YOLO11 من الألف إلى الياء لبيئات الإنتاج، مع التركيز على التوازن بين الدقة من الدرجة الأولى، وسرعات النشر في العالم الحقيقي، وتعدد المهام.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 27 سبتمبر 2024
- GitHub: https://github.com/ultralytics/ultralytics
الابتكارات المعمارية#
معلومات التدرج القابلة للبرمجة في YOLOv9#
تقدم YOLOv9 مفهوم معلومات التدرج القابلة للبرمجة (PGI) بجانب شبكة تجميع الطبقات الفعالة المعممة (GELAN). كلما ازدادت عمق الشبكات العصبية، غالباً ما تعاني من اختناقات المعلومات، حيث تُفقد تفاصيل حيوية أثناء عملية التغذية الأمامية. تعالج PGI ذلك من خلال توفير تحديثات تدرج موثوقة تحتفظ بمعلومات مكانية دقيقة، بينما تزيد GELAN من كفاءة المعلمات. هذا يجعل YOLOv9 بارعة بشكل خاص في المهام التي تتطلب دقة عالية للميزات، على الرغم من اعتمادها على معيار Non-Maximum Suppression (NMS) أثناء المعالجة اللاحقة، مما قد يسبب تأخيراً على أجهزة الحافة.
الكفاءة المبسطة في YOLO11#
تعتمد YOLO11 على سنوات من البحوث الأساسية لتقديم بنية محسنة للغاية. وهي تحسن الإصدارات السابقة من خلال تقليل العبء الحسابي مع زيادة استخراج الميزات إلى أقصى حد. على عكس خطوط أنابيب NMS التقليدية التي تعيق أداء وحدة المعالجة المركزية، تستخدم YOLO11 رؤوس اكتشاف مصقولة تحقق توازناً مذهلاً بين زمن الوصول والدقة. علاوة على ذلك، تتميز YOLO11 بطبيعتها بانخفاض استهلاك الذاكرة أثناء تدريب النموذج والاستدلال مقارنة بنماذج Transformer الثقيلة، والتي غالباً ما تكون أبطأ في التدريب وتتطلب كميات هائلة من ذاكرة CUDA.
مقارنة مقاييس الأداء#
عند مقارنة هذه النموذج على مجموعة بيانات COCO القياسية، تظهر قدرات مذهلة لكليهما، ولكن تبرز مقايضات بين عدد المعلمات الخام وسرعة التشغيل.
فيما يلي تفصيل دقيق لـ مقاييس أداء YOLO.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
تحليل النتائج#
- السرعة وكفاءة الأجهزة: تفوق YOLO11 باستمرار YOLOv9 في سرعة الاستدلال. على سبيل المثال، يحقق نموذج YOLO11n سرعة مذهلة تبلغ 1.5 مللي ثانية على وحدة معالجة رسومات NVIDIA T4 باستخدام TensorRT، مما يجعله قابلاً للتطبيق بشكل لا يصدق لخطوط الأنابيب الصارمة في الوقت الفعلي.
- متطلبات الحوسبة: تتطلب نماذج YOLO11 عموماً عمليات فاصلة عائمة (FLOPs) أقل (مثل 68.0 مليار لـ YOLO11m مقابل 76.3 مليار لـ YOLOv9m)، مما يترجم إلى استهلاك أقل للطاقة على أجهزة الحافة التي تعمل بالبطارية مثل Raspberry Pi أو أجهزة الجوال.
- تساوي الدقة: بينما تتفوق YOLOv9e قليلاً على YOLO11x في mAP المطلق (55.6 مقابل 54.7)، تصل YOLO11 إلى ذروة دقتها بتأخير أقل بكثير (11.3 مللي ثانية مقابل 16.77 مللي ثانية)، مما يعرض توازناً أكثر ملاءمة للأداء في عمليات النشر في العالم الحقيقي.
النظام البيئي وسهولة الاستخدام#
بينما تعتبر المقاييس الخام مهمة، غالباً ما تملي منظومة إطار العمل نجاح المشروع. وهنا تتألق ميزة Ultralytics حقاً.
مستودع YOLOv9 الأصلي متخصص للغاية، حيث يقدم تطبيقات بحثية متطورة. ومع ذلك، فإن منصة Ultralytics وحزمتها مفتوحة المصدر المقابلة توفر تجربة مستخدم مبسطة، واجهة برمجة تطبيقات بسيطة، ووثائق شاملة تقلل بشكل كبير من وقت طرح المنتج في السوق.
تعدد الاستخدامات في المهام المتعددة#
تركز YOLOv9 بشكل أساسي على كشف المربعات المحيطة. في المقابل، تعد YOLO11 قوة متعددة المهام موحدة تدعم أصلياً:
نشر سلس#
يسمح استخدام نظام Ultralytics للمطورين بتصدير النماذج بسلاسة إلى مجموعة من التنسيقات باستخدام سطر واحد من كود Python. وسواء أكان الاستهداف لـ ONNX أو OpenVINO أو TFLite أو CoreML، فإن الانتقال من التدريب إلى الإنتاج يصبح أمراً يسيراً.
from ultralytics import YOLO
# Load a highly efficient YOLO11 model
model = YOLO("yolo11n.pt")
# Train rapidly on a custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to OpenVINO for Intel CPU acceleration
model.export(format="openvino")حالات الاستخدام المثالية#
متى تستخدم YOLOv9#
تعد YOLOv9 أداة رائعة للبيئات الموجهة نحو البحث أو السيناريوهات التي تعطي الأولوية لدقة الميزات القصوى حيث لا يكون تأخير الأجهزة هو القيد الأساسي. يمكن أن تكون بنية GELAN الخاصة بها مفيدة للغاية في تحليل التصوير الطبي حيث يعد اكتشاف أصغر اختلافات البكسل أمراً بالغ الأهمية.
لماذا تعد YOLO11 الخيار المتفوق#
للمطورين والمهندسين وفرق الإنتاج، يوصى بشدة بـ YOLO11. إنها تتفوق في البيئات التي تتطلب نشراً عالي السرعة وقابلاً للتوسع:
- تحليلات التجزئة الذكية: تتبع المنتجات والعملاء بسلاسة باستخدام معالجات Intel القياسية.
- الطائرات بدون طيار المستقلة: حيث تحافظ بنيات FLOP المنخفضة على عمر البطارية مع الاستمرار في تقديم كشف قوي للكائنات الصغيرة.
- المشاريع الديناميكية: سير العمل الذي قد يبدأ كعملية اكتشاف ولكنه يتطور لاحقاً ليحتاج إلى تقدير الوضعية أو التجزئة.
نظرة إلى المستقبل: التطور القادم#
في حين تمثل YOLO11 أحدث ما توصلت إليه التكنولوجيا لجيلها، يستمر مشهد رؤية الحاسوب في التقدم. يجب على المستخدمين الذين يستكشفون حدود الذكاء الاصطناعي التطلع أيضاً نحو YOLO26.
من خلال ريادة التصميم الشامل الخالي من NMS والذي تم استكشافه لأول مرة في YOLOv10، تقدم YOLO26 محفز MuSGD (وهو مزيج من SGD و Muon) لاستقرار تدريب غير مسبوق. مع إزالة فقدان التركيز التوزيعي (DFL) لتسهيل التصدير، وآليات الفقد المتقدمة مثل ProgLoss و STAL، تحقق YOLO26 استدلالاً أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%. بالنسبة للمشاريع الحديثة، فهي توفر المزيج النهائي من الابتكار الأكاديمي والموثوقية الجاهزة للإنتاج. علاوة على ذلك، ستجد الفرق التي ترقي أنظمتها القديمة مثل Ultralytics YOLOv8 أن الانتقال إلى YOLO26 أو YOLO11 خالٍ تماماً من الاحتكاك بفضل واجهة برمجة تطبيقات Ultralytics الموحدة.