YOLOv9 مقابل YOLOv10
تطور مجال الرؤية الحاسوبية في الوقت الفعلي بسرعة، مع استمرار الباحثين في تحسين المفاضلة بين الأداء والكفاءة. وفي مسيرة تطور نماذج الرؤية المتقدمة، تمثل YOLOv9 وYOLOv10 محطتين مهمتين. وقد صدر النموذجان مطلع عام 2024، وقدما تغييرات معمارية كبيرة لمعالجة تحديات طويلة الأمد في الشبكات العصبية العميقة، بدءًا من اختناقات المعلومات ووصولًا إلى زمن استجابة المعالجة اللاحقة.
تستكشف هذه المقارنة التقنية البنى ومقاييس الأداء وسيناريوهات النشر المثالية، لمساعدتك على اختيار نموذج كشف الأجسام المناسب.
أصول النماذج وبنيتها#
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
تقدم YOLOv9 شبكة تجميع الطبقات الفعالة المعممة (GELAN)، التي تزيد الاستفادة من المعلمات إلى أقصى حد عبر الجمع بين مزايا CSPNet وELAN. علاوة على ذلك، تستخدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI)، وهي آلية إشراف مساعدة تضمن احتفاظ الطبقات العميقة بالمعلومات المكانية المهمة. وهذا يجعل YOLOv9 قوية في المهام التي تتطلب دقة عالية للسمات، مثل تحليل الصور الطبية أو المراقبة عن بُعد.
YOLOv10: الكفاءة الآنية من البداية إلى النهاية#
بعد فترة وجيزة، في 23 مايو 2024، بسّطت YOLOv10 مسار النشر عبر إزالة أحد اختناقات زمن الاستجابة المعروفة في كشف الأجسام: كبت غير الأعظم (NMS).
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- مرجع: ورقة YOLOv10 على arXiv
- المستودع: YOLOv10 على GitHub
تستخدم YOLOv10 تعيينات مزدوجة متسقة أثناء التدريب، ما يتيح لها اعتماد تصميم خالٍ من NMS أصلاً. ويزيل ذلك العبء الزائد للمعالجة اللاحقة أثناء الاستدلال ويقلل زمن الاستجابة. وبالاقتران مع تصميم شامل للنموذج يوازن بين الكفاءة والدقة، تحقق YOLOv10 توازنًا قويًا؛ إذ تقلل العبء الحسابي (FLOPs) مع الحفاظ على دقة تنافسية، ما يجعلها خيارًا جذابًا لتطبيقات الحوسبة الطرفية.
مقارنة الأداء والمقاييس#
عند إجراء المقارنة المعيارية لعائلتي النموذجين على مجموعة بيانات MS COCO القياسية، تظهر مفاضلات واضحة بين الدقة البحتة وزمن الاستدلال.
| النموذج | الحجم (بكسل) | mAPval50-95 | 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: تقدم نماذج YOLOv10 عمومًا استدلالًا أسرع. فعلى سبيل المثال، تحقق YOLOv10s مقدار 46.3% mAP في 2.49 ms فقط باستخدام TensorRT، مقارنةً بـYOLOv9s التي تحتاج إلى 3.54 ms لتحقيق مقدار مشابه يبلغ 46.8% mAP.
- دقة فائقة: يظل YOLOv9e خيارًا قويًا لسيناريوهات البحث التي تتطلب أقصى دقة في الكشف، إذ يحقق mAP بنسبة 55.6%، ويساعده PGI على استخلاص السمات الدقيقة بموثوقية.
- الكفاءة: يتفوق YOLOv10 في كفاءة FLOPs. وينعكس ذلك مباشرةً في انخفاض استهلاك الطاقة، وهو مقياس بالغ الأهمية للأجهزة العاملة بالبطاريات التي تشغّل نماذج الذكاء الاصطناعي للرؤية.
إذا كنت تنشر على وحدات CPU أو أجهزة طرفية محدودة الموارد مثل Raspberry Pi، فستوفر بنية YOLOv10 الخالية من NMS عادةً مسار معالجة أكثر سلاسة، عبر التخلص من خطوات المعالجة اللاحقة ذات زمن الاستجابة المتغير.
ميزة Ultralytics: التدريب والمنظومة المتكاملة#
على الرغم من أهمية الاختلافات المعمارية، فكثيرًا ما تحدد منظومة البرمجيات المحيطة نجاح المشروع. يتكامل كل من YOLOv9 وYOLOv10 بالكامل مع منظومة Ultralytics، ما يوفر تجربة متسقة للمطورين.
سهولة الاستخدام وكفاءة الذاكرة#
على عكس البنى المعقدة القائمة على Transformer، التي قد تتطلب قدرًا كبيرًا من الذاكرة، صُممت نماذج Ultralytics YOLO لاستخدام ذاكرة GPU بكفاءة. وهذا يتيح للباحثين استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية، ما يجعل الذكاء الاصطناعي المتطور في متناول الجميع.
تتولى واجهة Python البرمجية الموحدة تعقيدات زيادة البيانات وضبط المعلمات الفائقة. ويمكنك التبديل بين البنى بتغيير 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. ويجعل التصميم الخالي من NMS هذا النموذج ملائمًا للروبوتات ذاتية التشغيل، ومراقبة حركة المرور في الوقت الفعلي، 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.
يستند YOLO26 إلى الأجيال السابقة، ويجمع بين كفاءة YOLOv10 الخالية من NMS ودقة أعلى من كلا النموذجين في هذه المقارنة.
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 تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، لتحقيق تدريب مستقر وتقارب سريع.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، ما يجعله مناسبًا للحوسبة الطرفية والأجهزة التي لا تحتوي على GPU مخصص.
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية لتبسيط تصدير النماذج وتعزيز التوافق مع الأجهزة منخفضة الطاقة.
- ProgLoss + STAL: تعمل الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) على تحسين اكتشاف الأجسام الصغيرة.
للباحثين الذين يقيّمون بنى أخرى، يُعد كل من RT-DETR وYOLO11 بديلين موثقين جيدًا ضمن منظومة Ultralytics. أما للتنوع عبر جميع مهام الرؤية، فيُوصى باستخدام YOLO26 على منصة Ultralytics للمشروعات الجديدة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.