YOLOv9 مقابل YOLO11: نظرة تقنية متعمقة في اكتشاف الأشياء الحديث
لقد دفع التطور السريع لرؤية الحاسوب باستمرار حدود ما هو ممكن في اكتشاف الأشياء في الوقت الفعلي. عند مقارنة البنيات 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 تدريب الشبكات العميقة، بينما أحدثت YOLO11 ثورة في نظام الرؤية العام بكفاءة وتنوع وسهولة استخدام لا مثيل لها.
تحلل هذه المقارنة التقنية الشاملة بنيتها، ومقاييس الأداء، ومتطلبات الذاكرة، وسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج الأمثل لمشروع الذكاء الاصطناعي التالي الخاص بك.
في حين أن YOLOv9 و YOLO11 نماذج ممتازة، فإن YOLO26 الذي تم إصداره حديثاً يمثل القفزة التالية إلى الأمام. يتميز بتصميم شامل خالٍ من NMS لتبسيط النشر، واستدلال على CPU أسرع بنسبة تصل إلى 43%، ومحسن MuSGD المبتكر للتقارب السريع. بالنسبة لجميع مشاريع الإنتاج الجديدة، يوصى بشدة باستخدام YOLO26.
المواصفات التقنية والمؤلفون
يوفر فهم سلالة هذه النماذج سياقاً أساسياً لقراراتها المعمارية وتبعيات إطار العمل.
YOLOv9
ركزت YOLOv9 بشكل أكاديمي قوي على اختناقات معلومات التعلم العميق، مع إعطاء أولوية قصوى لدقة الميزات القصوى من خلال كتل شبكة مخصصة.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديمية 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 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 زاد عمق الشبكات العصبية، غالباً ما تعاني من اختناقات المعلومات، حيث تُفقد تفاصيل حاسمة 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 ميزات عالية، على الرغم من أنها تعتمد على قمع غير الحد الأقصى (NMS) القياسي أثناء المعالجة اللاحقة، مما قد يسبب تأخيراً على أجهزة الحافة.
كفاءة مبسطة في YOLO11
تعتمد YOLO11 على سنوات من الأبحاث التأسيسية لتقديم بنية محسنة للغاية. فهي تحسن التكرارات السابقة عن طريق تقليل النفقات الحسابية مع تعظيم استخراج الميزات. على عكس خطوط أنابيب NMS التقليدية التي تعيق أداء CPU، تستخدم YOLO11 رؤوس اكتشاف مصقولة تحقق توازناً لا يصدق بين التأخير والدقة. علاوة على ذلك، تتميز YOLO11 باستهلاك أقل للذاكرة بشكل متأصل أثناء تدريب النموذج والاستدلال مقارنة بنماذج Transformer الثقيلة، التي غالباً ما تكون أبطأ في التدريب وتتطلب كميات هائلة من ذاكرة CUDA.
مقارنة مقاييس الأداء
عند مقارنة هذه النماذج على مجموعة بيانات COCO القياسية، يظهر كلاهما قدرات لا تصدق، ولكن تظهر مقايضات بين عدد المعلمات الخام وسرعة التشغيل.
فيما يلي تفصيل مفصل لـ مقاييس أداء YOLO.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ملي ثانية) | السرعة T4 TensorRT10 (ملي ثانية) | المعلمات (مليون) | FLOPs (مليار) |
|---|---|---|---|---|---|---|
| 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: تتفوق YOLO11 باستمرار على YOLOv9 في سرعة الاستدلال. على سبيل المثال، تحقق YOLO11n زمن قدره 1.5 مللي ثانية مذهل على وحدة معالجة الرسوميات NVIDIA T4 باستخدام TensorRT، مما يجعلها قابلة للتطبيق بشكل لا يصدق في خطوط أنابيب الوقت الفعلي الصارمة.
- متطلبات الحوسبة: تتطلب نماذج YOLO11 عموماً عدداً أقل من FLOPs (على سبيل المثال، 68.0B لـ YOLO11m مقابل 76.3B لـ YOLOv9m)، مما يترجم إلى استهلاك أقل للطاقة على أجهزة الحافة التي تعمل بالبطارية مثل Raspberry Pi أو أجهزة الهاتف المحمول.
- تكافؤ الدقة: في حين أن YOLOv9e تتفوق قليلاً على YOLO11x في mAP المطلق (55.6 مقابل 54.7)، تصل YOLO11 إلى ذروة دقتها مع تأخير أقل بكثير (11.3 مللي ثانية مقابل 16.77 مللي ثانية)، مما يعرض توازناً أكثر ملاءمة للأداء في عمليات النشر الواقعية.
النظام البيئي وسهولة الاستخدام
بينما تعد المقاييس الخام مهمة، غالباً ما يحدد نظام إطار العمل نجاح المشروع. وهنا تتألق ميزة Ultralytics حقاً.
مستودع YOLOv9 الأصلي متخصص للغاية، حيث يقدم تنفيذ أبحاث متطور. ومع ذلك، توفر منصة Ultralytics وحزمة البرمجيات مفتوحة المصدر المقابلة لها تجربة مستخدم مبسطة، وAPI بسيط، ووثائق واسعة النطاق تقلل بشكل كبير من وقت الوصول إلى السوق.
تعدد الاستخدامات في المهام المتعددة
تركز YOLOv9 بشكل أساسي على اكتشاف 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 بسطر واحد من كود Python. سواء كان الهدف ONNX أو OpenVINO أو TFLite أو CoreML، فإن الانتقال من التدريب إلى الإنتاج يتم دون عناء.
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
YOLOv9 هي أداة رائعة للبيئات التي تركز على الأبحاث أو السيناريوهات التي تعطي الأولوية لدقة الميزات القصوى حيث لا يكون تأخير الأجهزة هو القيد الأساسي. يمكن أن تكون بنية GELAN الخاصة بها مفيدة جداً في تحليل التصوير الطبي حيث يعد اكتشاف أصغر اختلافات البكسل أمراً بالغ الأهمية.
لماذا YOLO11 هي الخيار الأفضل
بالنسبة للمطورين والمهندسين وفرق الإنتاج، يوصى بشدة باستخدام YOLO11. إنها تتفوق في البيئات التي تتطلب نشراً عالي السرعة وقابلاً للتطوير:
- تحليلات التجزئة الذكية: تتبع المنتجات والعملاء بسلاسة باستخدام معالجات Intel القياسية.
- الطائرات بدون طيار المستقلة: حيث تحافظ البنيات ذات الـ FLOPs المنخفضة على عمر البطارية مع الاستمرار في تقديم اكتشاف قوي للأشياء الصغيرة.
- المشاريع الديناميكية: سير العمل الذي قد يبدأ كاكتشاف ولكنه يتطور ليتطلب تقدير الوضع أو التجزئة لاحقاً.
نتطلع إلى المستقبل: التطور القادم
بينما تمثل YOLO11 أحدث ما توصلت إليه التقنية لجيلها، يستمر مشهد رؤية الحاسوب في التقدم. يجب على المستخدمين الذين يستكشفون حدود الذكاء الاصطناعي أيضاً التطلع إلى YOLO26.
باعتبارها رائدة في تصميم شامل خالٍ من NMS تم استكشافه لأول مرة في YOLOv10، تقدم YOLO26 محسن MuSGD (هجين بين SGD و Muon) لاستقرار تدريب غير مسبوق. مع إزالة توزيع فقدان التركيز (DFL) لتبسيط التصدير، وآليات فقدان متقدمة مثل ProgLoss و STAL، تحقق YOLO26 استدلالاً على CPU أسرع بنسبة تصل إلى 43%. بالنسبة للمشاريع الحديثة، فهي توفر المزيج النهائي من الابتكار الأكاديمي والموثوقية الجاهزة للإنتاج. علاوة على ذلك، ستجد الفرق التي تقوم بالترقية من الأنظمة القديمة مثل Ultralytics YOLOv8 أن الانتقال إلى YOLO26 أو YOLO11 خالٍ تماماً من الاحتكاك بفضل API Ultralytics الموحد.