YOLOv9 مقابل YOLOv10#
شهد مجال الرؤية الحاسوبية في الوقت الفعلي تطورات هائلة، مدفوعة إلى حد كبير بباحثين يواصلون دفع حدود الأداء والكفاءة. وعند تحليل تطور نماذج الرؤية المتطورة، يمثل YOLOv9 وYOLOv10 محطتين أساسيتين. وقد طُرح كلا النموذجين في أوائل عام 2024، وقدّما تصميمات بنيوية غيّرت المفاهيم لمعالجة تحديات طويلة الأمد في الشبكات العصبية العميقة، بدءًا من اختناقات المعلومات ووصولًا إلى زمن استجابة المعالجة اللاحقة.
تستكشف هذه المقارنة التقنية الشاملة بنية النموذجين ومقاييس الأداء وسيناريوهات النشر المثالية، وتساعدك على التعامل مع تعقيدات منظومات اكتشاف الأجسام الحديثة.
أصول النماذج والاختراقات المعمارية#
يُعد فهم سلالة هذه النماذج وأسسها النظرية أمرًا بالغ الأهمية لاختيار البنية المناسبة لمشروع الرؤية الحاسوبية الخاص بك.
YOLOv9: إتقان تدفق المعلومات#
طُرح YOLOv9 في 21 فبراير 2024، ويعالج المشكلة النظرية المتمثلة في فقدان المعلومات أثناء مرور البيانات عبر الشبكات العصبية العميقة.
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- مرجع: ورقة YOLOv9 على arXiv
- المستودع: YOLOv9 على GitHub
يقدّم YOLOv9 شبكة تجميع الطبقات الفعالة المعممة (GELAN)، التي تعظّم الاستفادة من المعلمات من خلال الجمع بين نقاط قوة CSPNet وELAN. كما يستخدم معلومات التدرج القابلة للبرمجة (PGI)، وهي آلية إشراف مساعدة تضمن احتفاظ الطبقات العميقة بالمعلومات المكانية المهمة. وهذا يجعل YOLOv9 قويًا للغاية في المهام التي تتطلب دقة عالية للسمات، مثل تحليل الصور الطبية أو المراقبة عن بُعد.
YOLOv10: الكفاءة الآنية من البداية إلى النهاية#
أُطلق YOLOv10 بعد ذلك بوقت قصير، في 23 مايو 2024، وأعاد تصور مسار النشر من خلال إزالة أحد أشهر اختناقات زمن الاستجابة في اكتشاف الكائنات: الكبت غير الأقصى (NMS).
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- مرجع: ورقة YOLOv10 على arXiv
- المستودع: YOLOv10 على GitHub
يستخدم YOLOv10 تعيينات مزدوجة متسقة أثناء التدريب، ما يتيح تصميمًا خاليًا من NMS بطبيعته. ويزيل هذا عبء المعالجة اللاحقة أثناء الاستدلال، فيقلل زمن الاستجابة بدرجة كبيرة. وبالاقتران مع تصميم شامل للنموذج يوازن بين الكفاءة والدقة، يحقق YOLOv10 توازنًا استثنائيًا، إذ يقلل العبء الحسابي (FLOPs) مع الحفاظ على دقة تنافسية، ما يجعله خيارًا جذابًا للغاية لتطبيقات الحوسبة الطرفية.
مقارنة الأداء والمقاييس#
عند قياس أداء هذين النموذجين القويين على مجموعة بيانات MS COCO القياسية، تظهر مفاضلات واضحة بين الدقة وحدها وزمن الاستدلال.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
تحليل البيانات#
- زمن الاستجابة مقابل الدقة: توفر نماذج YOLOv10 عمومًا سرعات استدلال أعلى. فعلى سبيل المثال، يحقق YOLOv10s نسبة mAP تبلغ 46.3% في 2.49ms فقط باستخدام TensorRT، مقارنةً بـ YOLOv9s الذي يحتاج إلى 3.54ms لتحقيق نسبة mAP مماثلة تبلغ 46.8%.
- دقة فائقة: في سيناريوهات البحث التي تتطلب أقصى دقة للاكتشاف، يظل YOLOv9e خيارًا قويًا، إذ يحقق نسبة mAP مذهلة تبلغ 55.6%. وتضمن بنية PGI استخراج السمات الدقيقة بموثوقية.
- الكفاءة: يتفوق YOLOv10 في كفاءة FLOPs. وينعكس ذلك مباشرةً في انخفاض استهلاك الطاقة، وهو مقياس بالغ الأهمية للأجهزة التي تعمل بالبطارية وتشغّل نماذج الذكاء الاصطناعي للرؤية.
إذا كنت تنشر على وحدات CPU أو أجهزة طرفية محدودة الموارد مثل Raspberry Pi، فعادةً ما توفر بنية YOLOv10 الخالية من NMS مسارًا أكثر سلاسة من خلال إزالة خطوات المعالجة اللاحقة غير الحتمية.
ميزة Ultralytics: التدريب والمنظومة المتكاملة#
رغم أهمية الاختلافات المعمارية، فإن منظومة البرمجيات المحيطة تحدد إلى حد كبير نجاح المشروع. يتكامل كل من YOLOv9 وYOLOv10 بالكامل مع منظومة Ultralytics، ما يوفر تجربة تطوير لا مثيل لها.
سهولة الاستخدام وكفاءة الذاكرة#
على عكس البنى المعقدة القائمة على Transformer، التي تعاني من تضخم هائل في الذاكرة، صُممت نماذج Ultralytics YOLO لتحقيق الاستخدام الأمثل لـذاكرة GPU. وهذا يتيح للباحثين استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية، ما يجعل الذكاء الاصطناعي المتطور في متناول الجميع.
تجرّد Python API الموحدة تعقيدات زيادة البيانات وضبط المعلمات الفائقة. ويمكنك التبديل بسلاسة بين البنى بمجرد تغيير نص ملف الأوزان.
from ultralytics import YOLO
# تحميل نموذج YOLOv10 (يمكن التبديل بسهولة إلى "yolov9c.pt" لاستخدام YOLOv9)
model = YOLO("yolov10n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# التحقق من أداء النموذج
metrics = model.val()
# تصدير النموذج المدرّب إلى تنسيق ONNX لنشره
model.export(format="onnx")سواء أكنت تريد تسجيل المقاييس في MLflow أم التصدير إلى TensorRT للنشر على الأجهزة عالية السرعة، تتولى حزمة Python من Ultralytics ذلك مباشرةً.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هذين النموذجين على قيود النشر لديك:
- اختر YOLOv9 إذا: كنت تعمل على مهام اكتشاف الكائنات الصغيرة، مثل الصور الملتقطة بالطائرات المسيّرة أو اكتشاف الأورام الصغيرة، حيث يوفر احتفاظ بنية GELAN بالسمات أعلى دقة ممكنة.
- اختر YOLOv10 إذا: كان هدفك الأساسي هو الاستدلال الآني على الأجهزة الطرفية. فالتصميم الخالي من NMS يجعله مثاليًا للروبوتات ذاتية التشغيل ومراقبة حركة المرور آنياً والمراقبة الذكية.
الاستعداد للمستقبل: التحول إلى YOLO26#
رغم أن YOLOv8 وYOLOv9 وYOLOv10 نماذج ممتازة، ينبغي للمطورين الراغبين في بناء حلول ذكاء اصطناعي حديثة التفكير في Ultralytics YOLO26، الذي أُطلق في يناير 2026.
يمثل YOLO26 خلاصة الأجيال السابقة، إذ يجمع أفضل جوانب دقة YOLOv9 وكفاءة YOLOv10.
أبرز ابتكارات YOLO26#
- تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي وضعها YOLOv10، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) المعالجة اللاحقة باستخدام NMS لتبسيط النشر. - مُحسِّن MuSGD: مزيج من SGD وMuon، ينقل ابتكارات التدريب المتقدمة للنماذج اللغوية الكبيرة إلى الرؤية الحاسوبية لتحقيق تقارب سريع ومستقر على نحو استثنائي.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: محسّن خصيصًا للحوسبة الطرفية والأجهزة التي لا تحتوي على وحدات GPU مخصصة.
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط تصدير النماذج وتعزيز التوافق مع الأجهزة منخفضة الطاقة.
- ProgLoss + STAL: تحقق دوال الخسارة المحسّنة هذه تحسنًا ملحوظًا في التعرف على الكائنات الصغيرة، بما يضاهي قدرات YOLOv9 أو يتجاوزها.
للباحثين الذين يقيّمون البنى السابقة، يُعد كل من RT-DETR وYOLO11 بديلين موثقين جيدًا ضمن منظومة Ultralytics. ومع ذلك، فإن الانتقال إلى YOLO26 على منصة Ultralytics يضمن الاستفادة من أحدث ما توصل إليه الذكاء الاصطناعي مفتوح المصدر للرؤية، ويوفر أقصى قدر من التنوع في جميع مهام الرؤية.