تخطي إلى المحتوى

YOLOv9 YOLOv5: التطور المعماري والإرث في اكتشاف الكائنات

يمثل تطور عائلة YOLO You Only Look Once) خطًا زمنيًا مثيرًا للاهتمام لتقدم الرؤية الحاسوبية. YOLOv5، الذي أطلقته Ultralytics عام 2020، معيارًا جديدًا لسهولة الاستخدام والجاهزية للإنتاج، ليصبح الإطار المفضل للمطورين في جميع أنحاء العالم. YOLOv9، الذي أطلقه باحثون في Academia Sinica في عام 2024، يوسع حدود الهندسة النظرية بمفاهيم مثل معلومات التدرج القابلة للبرمجة (PGI).

تستكشف هذه المقارنة كيفية YOLOv5 الموثوقية التي أثبتتها YOLOv5 في الاختبارات العملية بالابتكارات المعمارية لـ YOLOv9 مما يساعدك على تحديد النموذج الذي يناسب احتياجاتك الخاصة في مجال الرؤية الحاسوبية.

مقارنة مقاييس الأداء

يُقارن الجدول التالي بين النموذجين عبر أحجام مختلفة. لاحظ أنه بينما YOLOv9 دقة نظرية أعلى (mAP)، YOLOv5 منافسًا من حيث السرعة وكفاءة الموارد، خاصةً بالنسبة لعمليات النشر القديمة.

النموذجالحجم
(بالبكسل)		mAPval
50-95		السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		السرعة
T4 TensorRT10
(بالمللي ثانية)		المعلمات
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

YOLOv5: المعيار القياسي للذكاء الاصطناعي في الإنتاج

منذ إصداره في عام 2020 من قبل UltralyticsYOLOv5 أصبح مرادفًا للنشر العملي للذكاء الاصطناعي. لم يكن مجرد بنية نموذجية؛ بل كان تحولًا كاملًا في النظام البيئي. قبل YOLOv5 كان تدريب نماذج الكشف عن الكائنات يتطلب غالبًا ملفات تكوين معقدة وأطر عمل هشة قائمة على لغة C. YOLOv5 PyTorch أصليًا PyTorch جعل التدريب بسيطًا مثل أمر واحد.

تعرف على المزيد حول YOLOv5

نقاط القوة الرئيسية في YOLOv5

  1. سهولة استخدام لا مثيل لها: السمة المميزة Ultralytics هي تجربة المستخدم. YOLOv5 سير عمل سلسًا بدءًا من إعداد مجموعة البيانات وحتى النشر.
  2. دعم واسع للمنصات: يوفر دعمًا أصليًا للتصدير لـ CoreMLو TFLiteو ONNX ، مما يجعله متعدد الاستخدامات بشكل لا يصدق للتطبيقات المحمولة والتطبيقات المتطورة.
  3. تكلفة موارد منخفضة: على عكس البنى الهندسية التي تعتمد على المحولات والتي تتطلب GPU ضخمة، YOLOv5 عالية الكفاءة، مما يسمح بالتدريب على الأجهزة الاستهلاكية أو حتى أجهزة الكمبيوتر المحمولة السحابية المجانية مثل Google .
  4. الاستقرار: بفضل سنوات من الصيانة النشطة، تم حل الحالات الاستثنائية، مما يضمن منصة مستقرة للتطبيقات الحيوية في التصنيع الذكي والأمن.

مثال على سهولة الاستخدام

يتم تنفيذ الاستدلال باستخدام YOLOv5 أو أي Ultralytics ) بطريقة موحدة وبسيطة:

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Show results
results[0].show()

YOLOv9: ابتكار معماري مع PGI

صدر في أوائل عام 2024، YOLOv9 على حل مشكلة اختناق المعلومات في الشبكات العصبية العميقة. مع ازدياد عمق الشبكات، يمكن أن تضيع المعلومات المهمة أثناء عملية التغذية الأمامية. YOLOv9 هذه المشكلة باستخدام معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).

تعرف على المزيد حول YOLOv9

إنجازات معمارية

  • هندسة GELAN: تجمع هذه الهندسة المبتكرة بين أفضل ميزات CSPNet (المستخدمة في YOLOv5) و ELAN (المستخدمة في YOLOv7) لتحقيق أقصى قدر من كفاءة المعلمات. وهي تتيح للنموذج تحقيق دقة أعلى باستخدام معلمات أقل مقارنة بالهندسات القديمة.
  • معلومات التدرج القابلة للبرمجة (PGI): تولد PGI تدرجات موثوقة من خلال فرع إضافي لا يستخدم إلا أثناء التدريب. وهذا يضمن احتفاظ الطبقات العميقة بالمعلومات الدلالية دون إضافة تكلفة استدلالية، مما يعزز الأداء في المهام الصعبة مثل اكتشاف الأجسام الصغيرة.

تحليل المقارنة: متى تستخدم أيهما؟

يعتمد الاختيار بين هذين النموذجين على أولويتك: سرعة النشر أو الدقة القصوى.

1. كفاءة التدريب والنظام البيئي

YOLOv5 تفوز من حيث نضج النظام البيئي. فهي مدمجة في آلاف الأدوات الخارجية وتتمتع بدعم مجتمعي هائل. إذا كنت بحاجة إلى نشر نموذج اليوم بأقل قدر من الصعوبات، فإن YOLOv5 أو النسخة الأحدث YOLO11) هو الخيار الأكثر أمانًا في كثير من الأحيان.

YOLOv9 مدعوم بالكامل في Ultralytics ، مما يعني أن المستخدمين يمكنهم الاستفادة من نفس خطوط التدريب المبسطة. ومع ذلك، فإن بنيته المعقدة (الفروع الإضافية) قد تجعله في بعض الأحيان أبطأ في التدريب وأكثر استهلاكًا للذاكرة قليلاً من YOLOv5 المبسط.

2. النشر على الحافة مقابل دقة الخادم

بالنسبة للمهام التي تعتمد على الدقة بشكل كامل، مثل تحليل الصور الطبية دون اتصال بالإنترنت أو الفحص الصناعي عالي الدقة، يتفوق YOLOv9e بشكل كبير على YOLOv5x، حيث يوفر mAP بنسبة +5٪ mAP .

ومع ذلك، بالنسبة للأجهزة الطرفية مثل Raspberry Pi أو NVIDIA ، YOLOv5 هي المفضلة. فهيكلها الأبسط يترجم جيدًا إلى تكمية int8 وغالبًا ما ينتج عنه سرعات استدلال أسرع على الأجهزة المقيدة، على الرغم من أن النماذج الأحدث مثل YOLO26 تحل محلها بسرعة في هذا المجال المتخصص.

3. مرونة المهام

كلا النموذجين متعدد الاستخدامات، لكن Ultralytics يضمن دعمهما لمجموعة واسعة من المهام التي تتجاوز الكشف البسيط:

  • تجزئة المثيل: أقنعة دقيقة على مستوى البكسل.
  • التصنيف: تسمية الصورة بأكملها.
  • تقدير الوضع: تتبع النقاط الرئيسية للتعرف على نشاط الإنسان.
  • obb: صناديق الإحاطة الموجهة (Oriented Bounding Boxes) لـ الصور الجوية.

المستقبل: YOLO26

على الرغم من أن YOLOv5 YOLOv9 نموذجان YOLOv9 هذا المجال يتطور بسرعة. يجب على المطورين الذين يبحثون عن أحدث ما توصلت إليه التكنولوجيا أن يبحثوا عن YOLO26.

صدر YOLO26 في يناير 2026، وهو يمثل تتويجًا لهذه التطورات المعمارية. وهو يعتمد تصميمًا شاملاً NMS ، والذي شاع لأول مرة بواسطة YOLOv10، والذي يزيل خطوة Non-Maximum Suppression التي تتسم بزمن انتقال كبير تمامًا. بالإضافة إلى ذلك، يتميز بمُحسِّن MuSGD، وهو مزيج من SGD Muon، مما يضمن تقاربًا واستقرارًا أسرع.

بفضل التحسينات مثل ProgLoss + STAL لاكتشاف الأجسام الصغيرة وإزالة Distribution Focal Loss (DFL) لتسهيل عملية التصدير، يوفر YOLO26 CPU أسرع بنسبة تصل إلى 43% CPU مقارنة بالأجيال السابقة، مما يجعله الخيار الأمثل للبحث والإنتاج.

تعرف على المزيد حول YOLO26

الخلاصة

  • اختر YOLOv5 إذا كنت بحاجة إلى نموذج خفيف الوزن ومجرب في الميدان للأنظمة القديمة أو في حالات القيود الشديدة على الموارد حيث قد يكون الدعم التشغيلي الأحدث (مثل ذلك الموجود في YOLOv9) غير متوفر.
  • اختر YOLOv9 إذا كنت بحاجة إلى دقة عالية في مجموعات البيانات الصعبة ويمكنك تحمل تكاليف موارد تدريب أعلى قليلاً.
  • اختر YOLO26 للحصول على أفضل ما في العالم: سرعة NMS ودقة من الدرجة الأولى، وميزات من الجيل التالي مثل مُحسّن MuSGD.

للبدء في استخدام أي من هذه النماذج، يمكنك استخدام Ultralytics لإدارة مجموعات البيانات الخاصة بك، والتدريب في السحابة، والنشر بسهولة.

ابدأ

يمكنك تدريب أي من هذه النماذج باستخدامPython Ultralytics Python . ما عليك سوى تغيير اسم النموذج في البرنامج النصي الخاص بك:

from ultralytics import YOLO

# Switch between models easily
model = YOLO("yolov5su.pt")  # YOLOv5
# model = YOLO("yolov9c.pt") # YOLOv9
# model = YOLO("yolo26n.pt") # YOLO26

# Train on your data
model.train(data="coco8.yaml", epochs=100)

تعليقات