مقارنة بين YOLOv9 وYOLOv10#
شهد مجال الرؤية الحاسوبية في الوقت الفعلي تطورات هائلة، مدفوعةً بدرجة كبيرة بباحثين يواصلون دفع حدود التوازن بين الأداء والكفاءة. وعند تحليل تطور نماذج الرؤية المتقدمة، يمثل كل من YOLOv9 وYOLOv10 محطتين أساسيتين. فقد طُرح كلا النموذجين في أوائل عام 2024، وقدّما تصميمات معمارية غيّرت المفاهيم السائدة لمعالجة تحديات طويلة الأمد في الشبكات العصبية العميقة، بدءًا من اختناقات المعلومات وصولًا إلى زمن استجابة المعالجة اللاحقة.
تستكشف هذه المقارنة التقنية الشاملة بنيتهما المعمارية، ومقاييس الأداء، وسيناريوهات النشر المثالية، ما يساعدك على التعامل مع تعقيدات منظومات اكتشاف الكائنات الحديثة.
أصول النماذج والاختراقات المعمارية#
يُعد فهم تسلسل نشأة هذه النماذج وأسسها النظرية أمرًا بالغ الأهمية لاختيار البنية المعمارية المناسبة لمشروعك المحدد في الرؤية الحاسوبية.
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
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- المرجع: ورقة YOLOv9 على arXiv
- المستودع: مستودع YOLOv9 على GitHub
يقدّم YOLOv9 شبكة تجميع الطبقات الفعّالة المعمّمة (GELAN)، التي تزيد الاستفادة من المعلمات إلى أقصى حد عبر الجمع بين مزايا CSPNet وELAN. بالإضافة إلى ذلك، يستخدم معلومات التدرج القابلة للبرمجة (PGI)، وهي آلية إشراف مساعدة تضمن احتفاظ الطبقات العميقة بالمعلومات المكانية المهمة. وهذا يجعل YOLOv9 قويًا بصورة استثنائية في المهام التي تتطلب دقة عالية في تمثيل السمات، مثل تحليل الصور الطبية أو المراقبة بعيدة المدى.
YOLOv10: كفاءة آنية من البداية إلى النهاية#
طُرح YOLOv10 بعد فترة وجيزة، في 23 مايو 2024، وأعاد تصور خط أنابيب النشر من خلال إزالة أحد أشهر اختناقات زمن الاستجابة في اكتشاف الكائنات: الكبت غير الأقصى (NMS).
- المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
- الجهة: جامعة تسينغهوا
- المرجع: ورقة YOLOv10 على arXiv
- المستودع: مستودع YOLOv10 على GitHub
يستخدم YOLOv10 تعيينات مزدوجة متسقة أثناء التدريب، ما يتيح تصميمًا أصليًا خاليًا من NMS. ويزيل ذلك الحمل الزائد للمعالجة اللاحقة أثناء الاستدلال، ما يقلل زمن الاستجابة بدرجة كبيرة. وبالاقتران مع تصميم نموذجي شامل موجّه بالكفاءة والدقة، يحقق YOLOv10 توازنًا متميزًا، إذ يخفض الحمل الحسابي (FLOPs) مع الحفاظ على دقة تنافسية، ما يجعله 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 الخالصة وزمن استجابة الاستدلال.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
تحليل البيانات#
- زمن الاستجابة مقابل الدقة: توفر نماذج YOLOv10 عمومًا سرعات استدلال أعلى. فعلى سبيل المثال، يحقق YOLOv10s قيمة mAP تبلغ 46.7% في 2.66 مللي ثانية فقط على TensorRT، مقارنةً بـ YOLOv9s الذي يتطلب 3.54 مللي ثانية لتحقيق قيمة mAP شبه مطابقة تبلغ 46.8%.
- الدقة من الفئة العليا: في سيناريوهات البحث التي تتطلب أقصى دقة لاكتشاف الكائنات، يظل YOLOv9e خيارًا قويًا، إذ يصل إلى mAP مذهلة تبلغ 55.6%. وتضمن بنيته PGI استخراج السمات الدقيقة بصورة موثوقة.
- الكفاءة: يتفوق YOLOv10 في كفاءة FLOPs. ويترجم ذلك مباشرةً إلى استهلاك أقل للطاقة، وهو مقياس بالغ الأهمية للأجهزة التي تعمل بالبطاريات وتشغّل نماذج ذكاء اصطناعي للرؤية.
إذا كنت تنشر على وحدات CPU أو أجهزة طرفية محدودة الموارد مثل Raspberry Pi، فستوفر بنية YOLOv10 الخالية من NMS عادةً خط أنابيب أكثر سلاسة عبر إزالة خطوات المعالجة اللاحقة غير الحتمية.
ميزة Ultralytics: التدريب والمنظومة المتكاملة#
رغم أهمية الاختلافات المعمارية، تحدد منظومة البرمجيات المحيطة بدرجة كبيرة نجاح المشروع. وقد دُمج كل من YOLOv9 وYOLOv10 بالكامل في منظومة Ultralytics، ما يوفر تجربة مطورين لا مثيل لها.
سهولة الاستخدام وكفاءة الذاكرة#
على خلاف البنى المعمارية المعقدة القائمة على Transformer، التي تعاني من تضخم هائل في الذاكرة، صُممت نماذج Ultralytics YOLO لاستخدام ذاكرة GPU على النحو الأمثل. ويتيح ذلك للباحثين استخدام أحجام دفعات أكبر على أجهزة بمستوى الأجهزة الاستهلاكية، ما يجعل الذكاء الاصطناعي المتقدم متاحًا.
تجرد واجهة Python الموحدة برمجيًا تعقيدات زيادة البيانات وضبط المعلمات الفائقة. ويمكنك التبديل بسلاسة بين البنى المعمارية بمجرد 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 أجهزة عالية السرعة، تتولى منصة Ultralytics ذلك أصليًا.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هذين النموذجين على قيود النشر لديك:
- اختر YOLOv9 إذا: كنت تعمل على مهام اكتشاف الكائنات الصغيرة، مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو اكتشاف الأورام الصغيرة، حيث يوفر احتفاظ بنية GELAN بالسمات أعلى مستوى من الدقة.
- اختر YOLOv10 إذا: كان هدفك الأساسي هو الاستدلال في الوقت الفعلي على الأجهزة الطرفية. ويجعل التصميم الخالي من NMS النموذج مثاليًا للروبوتات المستقلة، ومراقبة حركة المرور في الوقت الفعلي، والمراقبة الذكية.
الاستعداد للمستقبل: التحول إلى YOLO26#
رغم أن YOLOv8 وYOLOv9 وYOLOv10 نماذج ممتازة، ينبغي للمطورين الذين يتطلعون إلى بناء حلول ذكاء اصطناعي حديثة أن ينظروا في Ultralytics YOLO26، الذي أُطلق في يناير 2026.
يمثل YOLO26 الخلاصة المثلى للأجيال السابقة، إذ يجمع بين أفضل جوانب دقة YOLOv9 وكفاءة YOLOv10.
أهم ابتكارات YOLO26#
- تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي وضعها YOLOv10، يلغي YOLO26 معالجة NMS اللاحقة أصليًا لتبسيط النشر.
- مُحسِّن MuSGD: مزيج من SGD وMuon، ينقل ابتكارات تدريب LLM المتقدمة إلى الرؤية الحاسوبية لتحقيق تقارب سريع ومستقر بدرجة استثنائية.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: مُحسّن خصيصًا للحوسبة الطرفية والأجهزة التي لا تحتوي على وحدات GPU مخصصة.
- إزالة DFL: أُزيل Distribution Focal Loss لتبسيط تصدير النموذج وتعزيز توافق الأجهزة منخفضة الطاقة.
- ProgLoss + STAL: تحقق دوال الخسارة المحسّنة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، بما يضاهي قدرات YOLOv9 أو يتجاوزها.
بالنسبة إلى الباحثين الذين يقيّمون البنى المعمارية القديمة، يُعد كل من RT-DETR وYOLO11 بديلين موثقين جيدًا أيضًا ضمن منظومة Ultralytics. ومع ذلك، ولتحقيق أقصى قدر من التنوع في جميع مهام الرؤية، يضمن الانتقال إلى YOLO26 على منصة Ultralytics الاستفادة من ذروة الذكاء الاصطناعي مفتوح المصدر للرؤية.