YOLOv9 مقابل YOLO11#
أدى التطور السريع للرؤية الحاسوبية إلى توسيع إمكانات كشف الأجسام في الوقت الفعلي باستمرار. وعند مقارنة البنى الرائدة، تبرز YOLOv9 وUltralytics YOLO11 بوصفهما من التطورات المهمة، إذ تلبي كل منهما احتياجات تقنية مختلفة. وقدمت YOLOv9 أساليب جديدة للحفاظ على تدفق التدرج أثناء تدريب الشبكات العميقة، بينما حسّنت YOLO11 إطار Ultralytics متعدد الأغراض من حيث الكفاءة وتعدد الاستخدامات وسهولة الاستخدام.
يحلل هذا التقييم التقني بنيتيهما ومقاييس الأداء ومتطلبات الذاكرة وسيناريوهات النشر المثالية، لمساعدتك على اختيار النموذج المناسب لمشروع الذكاء الاصطناعي التالي.
على الرغم من قدرات YOLOv9 وYOLO11، فإن YOLO26 هي نموذج Ultralytics الموصى به حاليًا. فهي تتميز بتصميم شامل خالٍ من NMS لتبسيط النشر، واستدلال أسرع على CPU بنسبة تصل إلى 43% (YOLO26n مقارنةً بـYOLO11n)، ومُحسِّن MuSGD لتسريع التقارب، ما يجعلها نقطة الانطلاق الأفضل لمشاريع الإنتاج الجديدة.
المواصفات التقنية والجهة المؤلفة#
يوفّر فهم سلالة هذه النماذج سياقًا أساسيًا لقرارات تصميم بنيتها واعتمادها على الأطر البرمجية.
YOLOv9#
ركزت YOLOv9 بقوة على الجانب الأكاديمي لمفاهيم اختناقات المعلومات في التعلم العميق، وأعطت الأولوية لدقة السمات باستخدام كتل شبكية مخصصة.
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا
- التاريخ: 21 فبراير 2024
- arXiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
Ultralytics YOLO11#
صُممت YOLO11 من الأساس لبيئات الإنتاج، مع التركيز على التوازن بين الدقة العالية وسرعات النشر الواقعية وتعدد الاستخدامات في المهام.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 27 سبتمبر 2024
- GitHub: https://github.com/ultralytics/ultralytics
ابتكارات البنية#
معلومات التدرّج القابلة للبرمجة في YOLOv9#
تقدم YOLOv9 مفهوم معلومات التدرج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات الفعالة المعممة (GELAN). فمع ازدياد عمق الشبكات العصبية، كثيرًا ما تعاني اختناقات المعلومات، حيث تُفقد تفاصيل مهمة أثناء التمرير الأمامي. وتعالج PGI ذلك من خلال توفير تحديثات موثوقة للتدرج تحافظ على المعلومات المكانية الدقيقة، بينما تزيد GELAN كفاءة المعلمات إلى أقصى حد. وهذا يجعل YOLOv9 ملائمة على نحو خاص للمهام التي تتطلب دقة عالية للسمات، لكنها تعتمد على كبت غير الأعظم (NMS) القياسي أثناء المعالجة اللاحقة، ما قد يؤدي إلى زيادة زمن الاستجابة على الأجهزة الطرفية.
الكفاءة المحسّنة في YOLO11#
تستند YOLO11 إلى سنوات من أبحاث YOLO لتقديم بنية فعالة. وتحسّن الإصدارات السابقة عبر تقليل العبء الحسابي مع تحسين استخراج السمات. ولا تزال YOLO11 تعتمد على معالجة NMS اللاحقة القياسية، لكن رؤوس الكشف المنقحة تحقق توازنًا قويًا بين زمن الاستجابة والدقة. كما تستخدم YOLO11 ذاكرة أقل أثناء تدريب النماذج والاستدلال مقارنةً بنماذج Transformer الثقيلة، التي غالبًا ما يكون تدريبها أبطأ وتتطلب قدرًا كبيرًا من ذاكرة CUDA.
مقارنة مقاييس الأداء#
عند مقارنة هذه النماذج على مجموعة بيانات COCO القياسية، يحقق كلاهما أداءً قويًا، لكن تظهر مفاضلات بين العدد الخام للمعلمات وسرعة التشغيل.
يقارن الجدول أدناه أبرز مقاييس أداء YOLO.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
تحليل النتائج#
- السرعة وكفاءة العتاد: تتفوق YOLO11 في السرعة على YOLOv9 عند كل الأحجام في هذا الجدول. فعلى سبيل المثال، يعمل YOLO11n في 1.5 ms على وحدة GPU من NVIDIA T4 باستخدام TensorRT، ما يجعله ملائمًا لمسارات المعالجة الصارمة في الوقت الفعلي.
- المتطلبات الحسابية: تتطلب نماذج YOLO11 عمومًا عددًا أقل من عمليات FLOPs (مثلًا، 68.1B لـ YOLO11m مقابل 76.8B لـ YOLOv9m)، ما يعني استهلاكًا أقل للطاقة في الأجهزة الطرفية التي تعمل بالبطارية مثل Raspberry Pi أو الأجهزة المحمولة.
- تقارب الدقة: على الرغم من تفوق YOLOv9e بفارق طفيف على YOLO11x في mAP المطلق (55.6 مقابل 54.7)، تبلغ YOLO11 ذروة دقتها بزمن استجابة أقل بكثير (11.3ms مقابل 16.77ms)، ما يبيّن توازنًا أفضل بين الأداء في عمليات النشر الواقعية.
المنظومة وسهولة الاستخدام#
مع أهمية المقاييس الخام، كثيرًا ما تحدد منظومة الإطار البرمجي نجاح المشروع، وهنا تتميز Ultralytics.
يقدم مستودع YOLOv9 الأصلي تطبيقًا بحثيًا عالي التخصص. لكن منصة Ultralytics والحزمة مفتوحة المصدر المقابلة لها توفران تجربة استخدام مبسطة وواجهة API سهلة ووثائق شاملة تقلل الوقت اللازم للوصول إلى السوق.
تعدد استخدامات المهام#
يركز YOLOv9 أساسًا على كشف مربعات الإحاطة. وعلى النقيض، يُعد YOLO11 نموذجًا موحدًا متعدد المهام يدعم أصلاً ما يلي:
النشر#
تتيح منظومة Ultralytics للمطورين تصدير النماذج إلى مجموعة من التنسيقات باستخدام سطر واحد من شيفرة Python. وسواء كان الهدف ONNX أو OpenVINO أو LiteRT أو CoreML، فإن الانتقال من التدريب إلى الإنتاج بسيط.
from ultralytics import YOLO
# تحميل نموذج YOLO11 عالي الكفاءة
model = YOLO("yolo11n.pt")
# التدريب بسرعة على مجموعة بيانات مخصصة مع الحد الأدنى من استهلاك الذاكرة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تصدير النموذج المدرّب إلى OpenVINO لتسريع CPU من Intel
model.export(format="openvino")حالات الاستخدام المثالية#
متى تستخدم YOLOv9#
تُعد YOLOv9 أداة مفيدة في البيئات التي تركز على البحث أو في السيناريوهات التي تعطي الأولوية لدقة السمات العالية ولا يكون فيها زمن استجابة العتاد القيد الأساسي. وقد تفيد بنية GELAN في تحليل الصور الطبية، حيث يكون كشف أصغر اختلافات البكسل أمرًا بالغ الأهمية.
لماذا تختار YOLO11#
للمطورين والمهندسين وفرق الإنتاج الذين يختارون بين هذين النموذجين، YOLO11 هي الخيار الموصى به. فهي تتفوق في البيئات التي تتطلب نشرًا سريعًا وقابلًا للتوسع:
- تحليلات البيع بالتجزئة الذكي: تتبع المنتجات والعملاء باستخدام معالجات Intel القياسية.
- الطائرات المسيّرة ذاتية التشغيل: تحافظ البنى ذات عدد FLOPs المنخفض على عمر البطارية، مع الاستمرار في توفير اكتشاف موثوق للأجسام الصغيرة.
- المشاريع الديناميكية: مسارات العمل التي قد تبدأ بالكشف، ثم تتطور لتتطلب تقدير الوضعية أو التقسيم لاحقًا.
نظرة إلى المستقبل: التطور التالي#
كانت YOLO11 متقدمة تقنيًا في جيلها، لكن مجال الرؤية الحاسوبية يواصل التطور. بالنسبة إلى المشاريع الجديدة، فكّر في YOLO26، نموذج Ultralytics الموصى به حاليًا.
استنادًا إلى التصميم الشامل الخالي من NMS الذي استُكشف أولًا في YOLOv10، تقدم YOLO26 مُحسِّن MuSGD (مزيجًا هجينًا من SGD وMuon) لتدريب أكثر استقرارًا. ومع إزالة Distribution Focal Loss (DFL) لتبسيط التصدير، وتحسين ProgLoss وSTAL (الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة) كشف الأجسام الصغيرة، تحقق YOLO26n استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـYOLO11n. ويمكن للفرق التي تنتقل من نماذج أقدم مثل Ultralytics YOLOv8 الانتقال إلى YOLO26 أو YOLO11 مع تغييرات طفيفة في الشيفرة، بفضل واجهة Ultralytics API الموحدة.