Ultralytics YOLO27:
Get Started

YOLOv9 مقابل YOLO11#

دفع التطور السريع في مجال الرؤية الحاسوبية باستمرار حدود الممكن في اكتشاف الأجسام في الزمن الحقيقي. وعند مقارنة البنى المعمارية الرائدة، تبرز YOLOv9 و Ultralytics YOLO11 بوصفهما قفزتين هائلتين إلى الأمام، إذ يلبي كل منهما احتياجات تقنية مختلفة. قدمت YOLOv9 أساليب مبتكرة للحفاظ على تدفق التدرجات أثناء تدريب الشبكات العميقة، بينما أحدثت YOLO11 ثورة في منظومة الرؤية للأغراض العامة بفضل مستويات الكفاءة والتنوع وسهولة الاستخدام التي لا تضاهى.

تحلل هذه المقارنة التقنية الشاملة بنيتيهما ومقاييس الأداء ومتطلبات الذاكرة وسيناريوهات النشر المثالية، لمساعدتك على اختيار النموذج الأنسب لمشروع الذكاء الاصطناعي القادم.

اجعل مشروعك مواكبًا للمستقبل باستخدام YOLO26

مع أن YOLOv9 وYOLO11 نموذجان ممتازان، فإن YOLO26 الذي طُرح حديثًا يمثل القفزة التالية إلى الأمام. فهو يتميز بتصميم شامل من البداية إلى النهاية لا يتطلب NMS لتبسيط النشر، واستدلال CPU أسرع بنسبة تصل إلى 43%، ومُحسِّن MuSGD المبتكر لتسريع التقارب. يُوصى بشدة باستخدام YOLO26 في جميع مشاريع الإنتاج الجديدة.

المواصفات التقنية والجهة المؤلفة#

يوفّر فهم سلالة هذه النماذج سياقًا أساسيًا لقرارات تصميم بنيتها واعتمادها على الأطر البرمجية.

YOLOv9#

ركّز YOLOv9 بقوة على الجوانب الأكاديمية لمشكلة عنق الزجاجة المعلوماتية في التعلم العميق، مع إعطاء الأولوية القصوى لدقة السمات من خلال كتل شبكية مخصصة.

تعرّف على المزيد عن YOLOv9

Ultralytics YOLO11#

صُمم YOLO11 من الصفر لبيئات الإنتاج، مع التركيز على تحقيق توازن بين الدقة العالية والسرعة العملية في النشر وتعدد المهام.

ابتكارات البنية#

معلومات التدرّج القابلة للبرمجة في YOLOv9#

يقدم YOLOv9 مفهوم معلومات التدرّج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات المعممة الفعالة (GELAN). ومع ازدياد عمق الشبكات العصبية، غالبًا ما تعاني من اختناقات معلوماتية تُفقد فيها تفاصيل مهمة أثناء عملية التمرير الأمامي. تعالج PGI هذه المشكلة من خلال توفير تحديثات موثوقة للتدرّج تحافظ على المعلومات المكانية الدقيقة، بينما تزيد GELAN كفاءة المعلمات إلى أقصى حد. وهذا يجعل YOLOv9 بارعًا على نحو خاص في المهام التي تتطلب دقة عالية للسمات، رغم اعتماده على قمع غير الأعظميات القياسي (NMS) أثناء المعالجة اللاحقة، ما قد يؤدي إلى زيادة زمن الاستجابة على الأجهزة الطرفية.

الكفاءة المحسّنة في YOLO11#

يستند YOLO11 إلى سنوات من الأبحاث التأسيسية لتقديم بنية محسّنة بدرجة كبيرة. ويطوّر الإصدارات السابقة من خلال تقليل الأعباء الحسابية مع زيادة استخراج السمات إلى أقصى حد. لا يزال YOLO11 يعتمد على المعالجة اللاحقة باستخدام NMS القياسي، لكن رؤوس الكشف المحسّنة فيه تحقق توازنًا استثنائيًا بين زمن الاستجابة والدقة. علاوة على ذلك، يتميز YOLO11 باستخدام أقل للذاكرة بطبيعته أثناء تدريب النموذج والاستدلال مقارنةً بنماذج Transformer الثقيلة، التي غالبًا ما يستغرق تدريبها وقتًا أطول وتتطلب كميات هائلة من ذاكرة CUDA.

مقارنة مقاييس الأداء#

عند مقارنة هذه النماذج على مجموعة بيانات COCO القياسية، يُظهر كلاهما قدرات مذهلة، لكن تظهر مفاضلات بين العدد الخام للمعلمات وسرعة التشغيل.

فيما يلي تحليل مفصّل لـمقاييس أداء YOLO.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

تحليل النتائج#

  1. السرعة وكفاءة الأجهزة: يتفوق YOLO11 باستمرار على YOLOv9 في سرعة الاستدلال. فعلى سبيل المثال، يحقق YOLO11n سرعة مذهلة تبلغ 1.5ms على وحدة معالجة الرسومات NVIDIA T4 باستخدام TensorRT، ما يجعله ملائمًا للغاية لمسارات العمل الصارمة في الوقت الفعلي.
  2. 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.
  3. تقارب الدقة: رغم تفوق YOLOv9e قليلًا على YOLO11x في قيمة mAP المطلقة (55.6 مقابل 54.7)، يبلغ YOLO11 أقصى دقة له بزمن استجابة أقل بكثير (11.3ms مقابل 16.77ms)، ما يبيّن تحقيقه توازنًا أفضل في الأداء لعمليات النشر الواقعية.

المنظومة وسهولة الاستخدام#

على الرغم من أهمية المقاييس الخام، كثيرًا ما تحدد منظومة إطار العمل نجاح المشروع. وهنا تتجلى ميزة Ultralytics بوضوح.

يقدم مستودع YOLOv9 الأصلي تنفيذًا متخصصًا للغاية للأبحاث المتطورة. لكن منصة Ultralytics وحزمتها مفتوحة المصدر المقابلة توفران تجربة استخدام مبسطة وواجهة API سهلة ووثائق شاملة تقلل بدرجة كبيرة الوقت اللازم للوصول إلى السوق.

تعدد استخدامات المهام#

يركز YOLOv9 أساسًا على اكتشاف مربعات الإحاطة. في المقابل، يُعد YOLO11 نموذجًا موحدًا قويًا متعدد المهام، ويدعم أصليًا ما يلي:

نشر سلس#

تتيح منظومة Ultralytics للمطورين تصدير النماذج بسلاسة إلى مجموعة واسعة من التنسيقات باستخدام سطر واحد من التعليمات البرمجية بلغة Python. سواء أكان الهدف ONNX أم OpenVINO أم LiteRT أم CoreML، فإن الانتقال من التدريب إلى الإنتاج يتم بسهولة.

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#

يُعد YOLOv9 أداة رائعة لبيئات البحث أو السيناريوهات التي تعطي الأولوية لدقة السمات الفائقة، عندما لا يكون زمن استجابة الأجهزة هو القيد الأساسي. ويمكن أن تكون بنية GELAN مفيدة للغاية في تحليل التصوير الطبي، حيث يكتسب اكتشاف أدق اختلافات البكسل أهمية بالغة.

لماذا يُعد YOLO11 الخيار الأفضل#

بالنسبة إلى المطورين والمهندسين وفرق الإنتاج، يوصى بشدة باستخدام YOLO11. فهو يتفوق في البيئات التي تتطلب نشرًا عالي السرعة وقابلًا للتوسع:

  • تحليلات تجارة التجزئة الذكية: تتبّع المنتجات والعملاء بسلاسة 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 بالاكتشاف ثم تتطور لاحقًا لتتطلب تقدير الوضعية أو التقسيم.

نظرة إلى المستقبل: التطور التالي#

مع أن YOLO11 يمثل أحدث ما توصلت إليه التقنية في جيله، فإن مجال الرؤية الحاسوبية يواصل التقدم. وينبغي للمستخدمين الساعين إلى استكشاف آفاق الذكاء الاصطناعي أن يتطلعوا أيضًا إلى YOLO26.

يقدّم YOLO26 تصميمًا رائدًا شاملًا من البداية إلى النهاية لا يتطلب NMS، وهو تصميم استُكشف لأول مرة في YOLOv10، كما يقدم مُحسِّن MuSGD (مزيجًا من SGD وMuon) لتحقيق استقرار غير مسبوق في التدريب. ومن خلال إزالة خسارة التركيز التوزيعي (DFL) لتبسيط التصدير، واستخدام آليات الخسارة المتقدمة مثل ProgLoss وSTAL، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%. وبالنسبة إلى المشاريع الحديثة، يقدم النموذج مزيجًا مثاليًا من الابتكار الأكاديمي والموثوقية الجاهزة للإنتاج. علاوة على ذلك، ستجد الفرق التي تنتقل من الأنظمة القديمة مثل Ultralytics YOLOv8 أن الانتقال إلى YOLO26 أو YOLO11 سلس تمامًا بفضل واجهة Ultralytics API الموحدة.

المساهمون
GLglenn-jocher16PDpderrenger2

التعليقات