مقارنة بين YOLOv9 و YOLOv10#

شهد مجال رؤية الكمبيوتر في الوقت الفعلي تقدمًا هائلاً، مدفوعًا بشكل أساسي بالباحثين الذين يعملون باستمرار على دفع حدود الأداء والكفاءة. عند تحليل تطور نماذج الرؤية الحديثة، يمثل كل من YOLOv9 و YOLOv10 علامتين فارقتين حاسمتين. فمع إطلاقهما في أوائل عام 2024، قدم كلا النموذجين تصميمات معمارية غيرت مفاهيم القطاع لمعالجة التحديات طويلة الأمد في الشبكات العصبية العميقة، بدءًا من اختناقات المعلومات وصولاً إلى زمن انتقال المعالجة اللاحقة.

تستكشف هذه المقارنة التقنية الشاملة هياكلها، ومقاييس أﺩائها، وسيناريوهات نشرها المثالية، مما يساعدك على التعامل مع تعقيدات أنظمة object detection الحديثة.

أصول النماذج والاختراقات المعمارية#

يعد فهم أصل الأسس النظرية لهذه النماذج أمراً بالغ الأهمية لاختيار الهيكل الصحيح لمشروع computer vision الخاص بك.

YOLOv9: إتقان تدفق المعلومات#

تم تقديم YOLOv9 في 21 فبراير 2024، وهو يعالج المشكلة النظرية لفقدان المعلومات أثناء مرور البيانات عبر الشبكات العصبية العميقة.

• المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
• المنظمة: Institute of Information Science, Academia Sinica, Taiwan
• المرجع: YOLOv9 arXiv Paper
• المستودع: YOLOv9 GitHub

يقدم YOLOv9 شبكة Generalized Efficient Layer Aggregation Network (GELAN)، والتي تعظم الاستفادة من المعلمات من خلال الجمع بين نقاط القوة في CSPNet و ELAN. علاوة على ذلك، فهو يوظف Programmable Gradient Information (PGI)، وهي آلية إشراف مساعد تضمن احتفاظ الطبقات العميقة بمعلومات مكانية حرجة. هذا يجعل YOLOv9 قوياً بشكل استثنائي للمهام التي تتطلب دقة عالية في الميزات، مثل medical image analysis أو المراقبة عن بعد.

اعرف المزيد عن YOLOv9

YOLOv10: كفاءة الوقت الفعلي من البداية إلى النهاية#

تم إصداره بعد فترة وجيزة في 23 مايو 2024، ويعيد YOLOv10 تصور خط أنابيب النشر من خلال القضاء على أحد أكثر اختناقات زمن الانتقال شهرة في اكتشاف الكائنات: كبت غير الأقصى (NMS).

• المؤلفون: Ao Wang و Hui Chen و Lihao Liu، وآخرون.
• المنظمة: Tsinghua University
• المرجع: YOLOv10 arXiv Paper
• المستودع: YOLOv10 GitHub

يستفد YOLOv10 من التعيينات الثنائية المتسقة أثناء التدريب، مما يتيح تصميمًا خالياً من NMS بشكل أصلي. هذا يزيل عبء المعالجة اللاحقة أثناء الاستدلال، مما يقلل بشكل كبير من زمن الانتقال. مجتمعاً مع تصميم نموذج مدفوع بالكفاءة والدقة الشاملة، يحقق YOLOv10 توازناً متميزاً، مما يقلل من العبء الحسابي (FLOPs) مع الحفاظ على دقة تنافسية، مما يجعله جذاباً للغاية لتطبيقات edge computing.

تعرف على المزيد حول YOLOv10

مقارنة الأداء والمقاييس#

عند إجراء قياسات الأداء لهذين العملاقين على مجموعة بيانات MS COCO القياسية، تظهر مقايضات متميزة بين الدقة الخالصة وزمن انتقال الاستدلال.

تحليل البيانات#

1. زمن الانتقال مقابل الدقة: تقدم نماذج YOLOv10 بشكل عام سرعات استدلال فائقة. على سبيل المثال، يحقق YOLOv10s دقة 46.7% mAP في 2.66 مللي ثانية فقط على TensorRT، مقارنة بـ YOLOv9s الذي يتطلب 3.54 مللي ثانية لدقة 46.8% mAP متطابقة تقريبًا.
2. دقة عالية المستوى: بالنسبة لسيناريوهات البحث التي تتطلب أقصى دقة اكتشاف، يظل YOLOv9e خيارًا هائلاً، حيث يصل إلى 55.6% mAP مذهلة. تضمن بنيته PGI استخراج الميزات الدقيقة بشكل موثوق.
3. الكفاءة: يتفوق YOLOv10 في FLOPs efficiency. يترجم هذا بشكل مباشر إلى انخفاض استهلاك الطاقة، وهو مقياس حاسم للأجهزة التي تعمل بالبطارية والتي تشغل vision AI models.

ميزة Ultralytics: التدريب والنظام البيئي#

في حين أن الاختلافات الهيكلية ضرورية، فإن النظام البيئي البرمجي المحيط يملي بشكل كبير نجاح المشروع. تم دمج كل من YOLOv9 و YOLOv10 بالكامل في Ultralytics ecosystem، مما يوفر تجربة مطور لا مثيل لها.

سهولة الاستخدام وكفاءة الذاكرة#

على عكس الهياكل المعقدة القائمة على Transformer والتي تعاني من تضخم هائل في الذاكرة، تم هندسة نماذج Ultralytics YOLO للاستخدام الأمثل لـ GPU memory. يتيح هذا للباحثين استخدام batch sizes أكبر على أجهزة المستهلك، مما يجعل الذكاء الاصطناعي الحديث في متناول الجميع.

تستبعد واجهة برمجة تطبيقات Python الموحدة تعقيدات data augmentation و hyperparameter tuning. يمكنك التبديل بسلاسة بين الهياكل ببساطة عن طريق تغيير سلسلة ملف الأوزان.

from ultralytics import YOLO

# Load a YOLOv10 model (Easily swap to "yolov9c.pt" for YOLOv9)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Validate the model's performance
metrics = model.val()

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

سواء كنت بحاجة إلى تسجيل المقاييس في MLflow أو التصدير إلى TensorRT للنشر على الأجهزة عالية السرعة، فإن منصة Ultralytics تتولى ذلك بشكل أصلي.

حالات الاستخدام المثالية#

يعتمد الاختيار بين هذه النماذج على قيود النشر الخاصة بك:

• اختر YOLOv9 إذا: كنت تعمل على مهام small object detection، مثل صور الطائرات بدون طيار الجوية أو detecting small tumors، حيث يوفر الاحتفاظ بالميزات لهيكل GELAN أعلى دقة.
• اختر YOLOv10 إذا: كان هدفك الأساسي هو real-time inference على الأجهزة الطرفية. يجعل التصميم الخالي من NMS مثالياً للروبوتات المستقلة، ومراقبة المرور في الوقت الفعلي، و smart surveillance.

التطلع للمستقبل: التحول إلى YOLO26#

في حين أن YOLOv8 و YOLOv9 و YOLOv10 نماذج ممتازة، يجب على المطورين الذين يتطلعون إلى بناء حلول ذكاء اصطناعي حديثة أن يفكروا في Ultralytics YOLO26، الذي تم إصداره في يناير 2026.

يمثل YOLO26 التوليف النهائي للأجيال السابقة، حيث يجمع بين أفضل جوانب دقة YOLOv9 وكفاءة YOLOv10.

ابتكارات YOLO26 الرئيسية#

• تصميم NMS-Free من الطرف إلى الطرف: بناءً على الأسس التي وضعها YOLOv10، يلغي YOLO26 محليًا المعالجة اللاحقة لـ NMS لنشر أبسط.
• مُحسِّن MuSGD: هجين من SGD و Muon، مما يجلب ابتكارات تدريب LLM المتقدمة إلى رؤية الكمبيوتر من أجل تقارب مستقر وسريع بشكل لا يصدق.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية: مُحسَّن خصيصًا للحوسبة المتطرفة والأجهزة التي لا تحتوي على وحدات GPU مخصصة.
• إزالة DFL: تمت إزالة Distribution Focal Loss تبسيطاً لـ model export وتعزيزاً لتوافق أجهزة الطاقة المنخفضة.
• ProgLoss + STAL: تجلب وظائف الخسارة المحسنة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، مطابقة أو متجاوزة قدرات YOLOv9.

بالنسبة للباحثين الذين يقيمون الهياكل القديمة، تعد RT-DETR و YOLO11 بدائل موثقة جيداً داخل النظام البيئي لـ Ultralytics. ومع ذلك، من أجل أقصى قدر من التنوع عبر جميع مهام الرؤية، يضمن الانتقال إلى YOLO26 على Ultralytics Platform استفادتك من قمة الذكاء الاصطناعي للرؤية مفتوحة المصدر.