Ultralytics YOLO27:

YOLOv9 مقابل YOLO11#

دفع التطور السريع في مجال الرؤية الحاسوبية باستمرار حدود ما يمكن تحقيقه في اكتشاف الأجسام في الوقت الفعلي. وعند مقارنة أبرز البنى، تبرز YOLOv9 و**Ultralytics YOLO11** باعتبارهما قفزتين هائلتين إلى الأمام، إذ يلبي كل منهما احتياجات تقنية متميزة. قدّم YOLOv9 أساليب مبتكرة للحفاظ على تدفق التدرجات أثناء تدريب الشبكات العميقة، في حين أحدث YOLO11 ثورة في منظومة الرؤية للأغراض العامة بفضل كفاءته التي لا تضاهى وتعدد استخداماته وسهولة استعماله.

تحلل هذه المقارنة التقنية الشاملة بنيتهما، ومقاييس الأداء، ومتطلبات الذاكرة، وسيناريوهات النشر المثالية، لمساعدتك على اختيار النموذج الأمثل لمشروعك التالي في مجال الذكاء الاصطناعي.

حصّن مشروعك للمستقبل باستخدام YOLO26

مع أن YOLOv9 وYOLO11 نموذجان ممتازان، فإن YOLO26 الذي أُطلق حديثًا يمثل القفزة التالية إلى الأمام. فهو يتميز بتصميم شامل خالٍ من NMS لتبسيط النشر، واستدلال أسرع على CPU بنسبة تصل إلى 43%، ومحسّن MuSGD المبتكر لتحقيق تقارب سريع. ويوصى بشدة باستخدام YOLO26 في جميع مشاريع الإنتاج الجديدة.

المواصفات التقنية والجهة المؤلفة#

يوفر فهم سلالة هذه النماذج سياقًا أساسيًا لفهم قراراتها المعمارية واعتماديات أطر العمل الخاصة بها.

YOLOv9#

ركّز YOLOv9 بقوة على الجانب الأكاديمي للتعامل مع اختناقات المعلومات في التعلم العميق، مع إعطاء أولوية كبيرة لتحقيق أقصى دقة للسمات من خلال كتل شبكية مخصصة.

تعرف على المزيد حول YOLOv9

Ultralytics YOLO11#

صُمم YOLO11 من الأساس لبيئات الإنتاج، مع التركيز على تحقيق توازن بين الدقة العالية، وسرعات النشر الواقعية، وتعدد الاستخدامات في المهام.

الابتكارات المعمارية#

معلومات التدرج القابلة للبرمجة في YOLOv9#

يقدم YOLOv9 مفهوم معلومات التدرج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات الفعالة المعممة (GELAN). ومع ازدياد عمق الشبكات العصبية، غالبًا ما تعاني من اختناقات المعلومات، حيث تُفقد التفاصيل المهمة أثناء العملية الأمامية. ويعالج PGI ذلك من خلال توفير تحديثات موثوقة للتدرجات تحتفظ بالمعلومات المكانية الدقيقة، بينما تعمل GELAN على زيادة كفاءة المعلمات إلى أقصى حد. وهذا يجعل YOLOv9 بارعًا بصفة خاصة في المهام التي تتطلب دقة عالية للسمات، لكنه يعتمد على قمع غير القيم العظمى (NMS) القياسي أثناء المعالجة اللاحقة، ما قد يضيف زمن استجابة على الأجهزة الطرفية.

كفاءة مبسطة في YOLO11#

يبني YOLO11 على سنوات من الأبحاث التأسيسية لتقديم بنية محسّنة بدرجة كبيرة. وهو يتفوق على الإصدارات السابقة من خلال تقليل العبء الحسابي مع زيادة استخراج السمات إلى أقصى حد. وعلى خلاف مسارات NMS التقليدية التي تشكل عنق زجاجة لأداء CPU، يستخدم YOLO11 رؤوس كشف محسّنة تحقق توازنًا مذهلًا بين زمن الاستجابة والدقة. علاوة على ذلك، يتميز YOLO11 باستهلاك ذاكرة أقل بطبيعته أثناء كل من تدريب النموذج والاستدلال مقارنةً بنماذج Transformer الثقيلة، التي غالبًا ما تكون أبطأ في التدريب وتتطلب كميات هائلة من ذاكرة CUDA.

مقارنة مقاييس الأداء#

عند مقارنة هذين النموذجين على مجموعة بيانات COCO القياسية، يُظهر كلاهما قدرات مذهلة، لكن تظهر مفاضلات بين العدد الخام للمعلمات والسرعة التشغيلية.

فيما يلي تحليل مفصل لـمقاييس أداء YOLO.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

تحليل النتائج#

  1. السرعة وكفاءة العتاد: يتفوق YOLO11 باستمرار على YOLOv9 في سرعة الاستدلال. فعلى سبيل المثال، يحقق YOLO11n زمنًا مذهلًا قدره 1.5ms على وحدة معالجة الرسومات NVIDIA T4 باستخدام TensorRT، ما يجعله ملائمًا للغاية لمسارات المعالجة الصارمة في الوقت الفعلي.
  2. متطلبات الحوسبة: تتطلب نماذج YOLO11 عمومًا عددًا أقل من عمليات الفاصلة العائمة في الثانية (FLOPs) (مثلًا، 68.0B لـ YOLO11m مقابل 76.3B لـ YOLOv9m)، ما يترجم إلى استهلاك طاقة أقل على الأجهزة الطرفية التي تعمل بالبطارية، مثل Raspberry Pi، أو على الأجهزة المحمولة.
  3. تقارب الدقة: مع أن YOLOv9e يتفوق قليلًا على YOLO11x في قيمة mAP المطلقة (55.6 مقابل 54.7)، يصل YOLO11 إلى ذروة دقته بزمن استجابة أقل بكثير (11.3ms مقابل 16.77ms)، ما يبرز توازنًا أفضل بين الأداء لمشاريع النشر الواقعية.

المنظومة وسهولة الاستخدام#

مع أهمية المقاييس الخام، غالبًا ما تحدد منظومة أطر العمل نجاح المشروع. وهنا تتألق ميزة Ultralytics بحق.

مستودع YOLOv9 الأصلي متخصص بدرجة كبيرة، إذ يوفر تنفيذًا لأحدث الأبحاث. إلا أن منصة Ultralytics وحزمتها مفتوحة المصدر المقابلة توفران تجربة مستخدم مبسطة، وواجهة API سهلة، ووثائق شاملة تقلل بدرجة كبيرة من الوقت اللازم للوصول إلى السوق.

تعدد استخدامات المهام#

يركز YOLOv9 بدرجة أساسية على اكتشاف المربعات المحيطة. أما YOLO11، فعلى النقيض من ذلك، فهو منظومة قوية موحدة متعددة المهام تدعم أصليًا ما يلي:

نشر سلس#

يتيح استخدام منظومة Ultralytics للمطورين تصدير النماذج بسلاسة إلى مجموعة متنوعة من التنسيقات باستخدام سطر واحد من تعليمات برمجية Python. وسواء كان الهدف هو ONNX، أو OpenVINO، أو TFLite، أو CoreML، فإن الانتقال من التدريب إلى الإنتاج يتم بسهولة.

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#

يُعد YOLOv9 أداة رائعة لبيئات البحث أو للسيناريوهات التي تعطي الأولوية لدقة السمات القصوى، حيث لا يكون زمن استجابة العتاد هو القيد الأساسي. ويمكن أن تكون بنية GELAN مفيدة للغاية في تحليل الصور الطبية، حيث يُعد اكتشاف أصغر الاختلافات في وحدات البكسل أمرًا بالغ الأهمية.

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 التجزئة الذكية: تتبع المنتجات والعملاء بسلاسة باستخدام معالجات Intel القياسية.
  • الطائرات المسيّرة الذاتية: حيث تحافظ البنى التي تتطلب عددًا منخفضًا من FLOPs على عمر البطارية، مع الاستمرار في توفير اكتشاف قوي للأجسام الصغيرة.
  • المشاريع الديناميكية: مسارات العمل التي قد تبدأ باكتشاف الأجسام ثم تتطور لاحقًا لتتطلب تقدير الوضعية أو التجزئة.

نظرة إلى المستقبل: التطور التالي#

مع أن YOLO11 يمثل أحدث ما توصلت إليه التقنية في جيله، فإن مشهد الرؤية الحاسوبية يواصل تقدمه. وينبغي للمستخدمين الذين يستكشفون حدود الذكاء الاصطناعي أن يتطلعوا أيضًا إلى YOLO26.

يقدم YOLO26 تصميمًا رائدًا شاملًا خاليًا من NMS، جرى استكشافه لأول مرة في YOLOv10، إلى جانب محسّن MuSGD (وهو مزيج من SGD وMuon) لتحقيق استقرار غير مسبوق في التدريب. ومن خلال إزالة خسارة التركيز التوزيعي (DFL) لتبسيط التصدير، واستخدام آليات خسارة متقدمة مثل ProgLoss وSTAL، يحقق YOLO26 استدلالًا أسرع على CPU بنسبة تصل إلى 43%. وبالنسبة إلى المشاريع الحديثة، فإنه يوفر المزيج الأمثل 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 API الموحدة من Ultralytics.

المساهمون
GLglenn-jocher15PDpderrenger2

التعليقات