YOLOv9 مقابل YOLOv5#
شهد مجال الرؤية الحاسوبية نموًا سريعًا، وأصبح اكتشاف الأجسام أساسًا للعديد من التطبيقات الصناعية والبحثية. ويتطلب اختيار البنية المناسبة غالبًا تقييمًا دقيقًا لـمتوسط الدقة (mAP) وسرعة الاستدلال واستهلاك الذاكرة. وتستكشف هذه المقارنة نموذجين مؤثرين: YOLOv9، المعروف بتطوراته المعمارية في الاحتفاظ بمعلومات التدرج، وUltralytics YOLOv5، وهو نموذج مجرّب واسع الاستخدام، معروف بسهولة الاستخدام وتعدد خيارات النشر.
الابتكارات المعمارية والأصول التقنية#
يوفر فهم آليات هذين النموذجين الأساسية سياقًا مهمًا لخصائص الأداء الخاصة بكل منهما.
YOLOv9: معلومات التدرج القابلة للبرمجة#
طوّر الباحثان Chien-Yao Wang وHong-Yuan Mark Liao نموذج YOLOv9 في معهد علوم المعلومات التابع لأكاديميا سينيكا في تايوان، وصدر في 21 فبراير 2024. ويقدم النموذج مفهومين جديدين لمعالجة عنق الزجاجة المعلوماتي الشائع في الشبكات العصبية العميقة: معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
باستخدام PGI، يضمن YOLOv9 الاحتفاظ بالمعلومات الحيوية طوال عملية التمرير الأمامي، ما يؤدي إلى تحديثات أكثر موثوقية للتدرجات. وفي الوقت نفسه، تحسّن بنية GELAN كفاءة المعلمات إلى أقصى حد، ما يتيح للنموذج تحقيق دقة عالية بأعباء حاسوبية منخفضة. يمكنك استكشاف التفاصيل التقنية في ورقة YOLOv9 على arXiv الرسمية، أو الاطلاع على مستودع YOLOv9 على GitHub.
Ultralytics YOLOv5: معيار الإنتاج#
ألّف Glenn Jocher النموذج، وأصدرته Ultralytics في 26 يونيو 2020، وجعل YOLOv5 الرؤية الحاسوبية أكثر سهولة بكثير. وبصفته أحد أوائل نماذج اكتشاف الأجسام المبنية أصليًا على إطار عمل PyTorch، فقد تجاوز تعقيدات إطار C القديم لـDarknet. يستخدم YOLOv5 بنية أساسية قائمة على CSPNet وعنقًا من PANet، محققًا توازنًا بين السرعة والدقة.
لكن أبرز نقاط قوته تكمن في تكامله مع منظومة Ultralytics الأوسع. وقد حُسّن YOLOv5 للتدريب السريع والعمل في البيئات محدودة الذاكرة، ما يجعله مستقرًا لعمليات النشر الطرفية.
عند تقييم النماذج للأجهزة الطرفية، تذكّر أن نماذج Ultralytics YOLO تتطلب عادةً ذاكرة GPU أقل بكثير أثناء التدريب والاستدلال مقارنة بالبنى الضخمة القائمة على Transformer.
تحليل الأداء: السرعة مقابل الدقة#
عند تصميم مسار معالجة للرؤية الحاسوبية، يجب على المطورين الموازنة بين الدقة وزمن الاستجابة. ويوضح الجدول التالي اختلافات الأداء على مجموعة بيانات COCO القياسية.
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
تحليل المفاضلات#
يتفوق YOLOv9 في الدقة، إذ يحقق mAP أعلى من YOLOv5 عند كل حجم في هذا الجدول. ويحقق YOLOv9e نسبة mAP تبلغ 55.6%، مستخدمًا طبقات GELAN للحفاظ على التفاصيل الدقيقة، ما يجعله خيارًا قويًا لـالتصوير الطبي أو السيناريوهات التي تتطلب دقة صارمة عند اكتشاف الأجسام الصغيرة.
في المقابل، يتفوق YOLOv5 من حيث سرعة GPU الخام ومرونة الأجهزة. فإصدار YOLOv5n (Nano) خفيف جدًا، إذ ينفذ عمليات الاستدلال في 1.12ms فقط على GPU من نوع T4 عبر TensorRT. وإذا كنت تنشر على أجهزة إنترنت الأشياء محدودة الموارد أو الهواتف المحمولة أو Raspberry Pi، فإن البصمة الذاكرية الصغيرة لـ YOLOv5 تجعله خيارًا موثوقًا.
ميزة منظومة Ultralytics#
تُعد منظومة البرمجيات المحيطة بالنموذج من الاعتبارات الرئيسية عند اختياره. وعلى الرغم من أن YOLOv9 يقدم معايير بحثية من المستوى الأعلى، فإن استخدام النموذجين عبر واجهة Ultralytics البرمجية الحديثة لـPython يسد الفجوة ويوفر للمطورين تجربة موحدة ومبسطة.
سهولة الاستخدام والتصدير#
تتولى Ultralytics مهام الهندسة المعقدة. فميزات مثل زيادة البيانات التلقائية وضبط المعلمات الفائقة متاحة مباشرةً. كما أن نقل النماذج إلى الإنتاج بسيط بالقدر نفسه، بفضل أوامر التصدير المدمجة لتحويل النماذج إلى تنسيقات ONNX أو OpenVINO أو LiteRT.
تعدد المهام#
على الرغم من تفوق كلا النموذجين في اكتشاف الأجسام، صُممت نماذج Ultralytics الحديثة لمعالجة مجموعة متنوعة من تحديات الرؤية الحاسوبية. ويوفر إطار العمل الأوسع دعمًا أصليًا لـتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعيات، والصناديق المحيطة الموجّهة (OBB)، ما يتيح للمطورين حل مشكلات متعددة في الرؤية دون تغيير قواعد الشيفرة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv9 وYOLOv5 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLOv9#
يُعد YOLOv9 خيارًا قويًا لما يلي:
- أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
- دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
- اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.
متى تختار YOLOv5#
يُنصح بـ YOLOv5 في الحالات التالية:
- أنظمة إنتاج مجرّبة: عمليات النشر الحالية التي تحظى فيها خبرة YOLOv5 الطويلة في الاستقرار، ووثائقه الشاملة، ومجتمعه الكبير بالتقدير.
- التدريب مع موارد محدودة: البيئات التي تعاني من محدودية موارد GPU، حيث يكون مسار التدريب الفعّال في YOLOv5 ومتطلباته الأقل للذاكرة مفيدين.
- دعم واسع لتنسيقات التصدير: للمشروعات التي تتطلب النشر بتنسيقات عديدة، بما في ذلك ONNX وTensorRT وCoreML وLiteRT.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
- البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
مثال على التنفيذ#
باستخدام منظومة Ultralytics، يمكنك التبديل بين نموذج YOLOv5 ونموذج YOLOv9 بتغيير نص الأوزان.
from ultralytics import YOLO
# حمّل نموذج YOLOv9 مدرّبًا مسبقًا (استبدله بـ "yolov5su.pt" لاستخدام YOLOv5u)
model = YOLO("yolov9c.pt")
# تدريب النموذج بكفاءة على مجموعة بيانات مخصصة
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# نفّذ الاستدلال على صور جديدة
predictions = model.predict("https://ultralytics.com/images/zidane.jpg")
# صدّر إلى ONNX للنشر
model.export(format="onnx")استكشاف البنى الأحدث#
رغم أن YOLOv5 وYOLOv9 نموذجان ممتازان ولكل منهما مزايا مميزة، فإن المجال يواصل تطوره. وقد يرغب المستخدمون الذين يستكشفون مشاريع جديدة أيضًا في تقييم أحدث إصدارات Ultralytics.
- YOLO11: تطور محسّن لسلالة YOLOv8، يقدم توازنًا ممتازًا بين السرعة والدقة عبر جميع مهام الرؤية.
- YOLO26: صدر YOLO26 في يناير 2026، وهو النموذج الموصى به لمسارات المعالجة الجديدة. يقدم تصميمًا شاملًا اختياريًا خاليًا من NMS (
nms=False) يزيل اختناقات المعالجة اللاحقة لـ NMS. وبفضل إزالة DFL (إزالة خسارة البؤرة التوزيعية لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، يحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n. ويحسّن مُحسِّن MuSGD استقرار التدريب، بينما تحسّن ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة) اكتشاف الأجسام الصغيرة لتطبيقات إنترنت الأشياء والروبوتات والصور الجوية، في عمليات النشر الطرفية والسحابية.
للفرق التي تدير مجموعات بيانات كبيرة ومسارات نشر معقدة، توفر منصة Ultralytics طريقة بلا شيفرة لتدريب هذه النماذج وتتبعها ونشرها.