YOLOv9 مقابل YOLOv8#
شهد مجال الرؤية الحاسوبية الآنية تطورًا ملحوظًا خلال السنوات القليلة الماضية، إذ دفع كل نموذج جديد الحدود النظرية لما يمكن تحقيقه على الأجهزة الطرفية والخوادم السحابية على حد سواء. وعند مقارنة بنية YOLOv9 الأحدث بإطار عمل Ultralytics YOLOv8 واسع الانتشار، يجد المطورون أنفسهم غالبًا أمام خيار بين مسارات التدرج النظرية المتطورة ومنظومة مجرّبة ميدانيًا وجاهزة للإنتاج.
يقارن هذا الدليل الشامل بين هذين النموذجين الرائدين، ويحلل ابتكاراتهما المعمارية ومقاييس الأداء وسيناريوهات النشر المثلى، لمساعدتك على اختيار النموذج المناسب لمشروع الذكاء الاصطناعي المقبل.
المواصفات التقنية والجهة المؤلفة#
يوفر فهم سلالة هذه النماذج سياقًا أساسيًا لقرارات التصميم الخاصة بكل منها.
YOLOv9 ألّف Chien-Yao Wang وHong-Yuan Mark Liao، من معهد علوم المعلومات في أكاديميا سينيكا بتايوان، ورقة YOLOv9 التي نُشرت في 21 فبراير 2024. ويركز البحث الأساسي على حل اختناق المعلومات في الشبكات العصبية العميقة. يمكنك الاطلاع على ورقة البحث الأصلية عن YOLOv9 على Arxiv أو مراجعة الشفرة المصدرية في مستودع YOLOv9 الرسمي على GitHub.
Ultralytics YOLOv8 طوّر Glenn Jocher وAyush Chaurasia وJing Qiu هذا النموذج في Ultralytics، وأُطلق YOLOv8 في 10 يناير 2023. وقد رسّخ مكانته معيارًا صناعيًا متعدد الاستخدامات، إذ يوفر API موحدة لمجموعة واسعة من مهام الرؤية. وتُصان الشفرة المصدرية ضمن مستودع Ultralytics الرئيسي على GitHub، ما يضمن التحديث المستمر والاستقرار على المدى الطويل.
ابتكارات البنية#
YOLOv9: معلومات التدرج القابلة للبرمجة#
السمة الأبرز في YOLOv9 هي تقديم معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). ومع ازدياد عمق الشبكات العصبية الالتفافية، فإنها تفقد عادةً معلومات سمات مهمة أثناء التمرير الأمامي. وتعالج PGI اختناق المعلومات هذا من خلال الاحتفاظ بتدرجات دقيقة تُستخدم لتحديث الأوزان، ما يضمن استخراج السمات بموثوقية. وتُعظّم هذه البنية كفاءة المعلمات، ما يتيح لـ YOLOv9 تحقيق دقة عالية بعدد أقل من عمليات الفاصلة العائمة (FLOPs).
YOLOv8: النموذج متعدد الاستخدامات#
قدّم YOLOv8 آلية مبسطة للاكتشاف غير المعتمد على المراسي، تقلل عدد تنبؤات الصناديق وتسرّع الكبت غير الأقصى (NMS) أثناء المعالجة اللاحقة. وتحسّن وحدته C2f (عنق زجاجة جزئي عبر المراحل مع التفافين) تدفق التدرج عبر الشبكة مقارنةً بالنماذج الأقدم. والأهم من ذلك أن YOLOv8 صُمم مع مراعاة تعدد الاستخدامات، ويدعم بطبيعته اكتشاف الكائنات وتقسيم الكائنات إلى مثيلات وتقدير الوضعية وتصنيف الصور واستخراج الصناديق المحيطة الموجّهة (OBB) مباشرةً.
رغم أن YOLOv9 يقدم مقاييس اكتشاف أولية استثنائية، فقد يكون دمجه مباشرةً في مسارات عمل معقدة صعبًا. ويسد استخدام YOLOv9 عبر إطار عمل Ultralytics هذه الفجوة، إذ يتيح الوصول إلى أدواتنا القوية للتصدير والنشر.
توازن الأداء والمقاييس المعيارية#
تُعد المفاضلة بين السرعة والدقة العامل الأهم عند نشر نماذج الرؤية. فيما يلي مقارنة مفصلة لأحجام النماذج وزمن الاستجابة ومتوسط الدقة المتوسطة، وفقًا للتقييم 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
عند تحليل المقاييس، يُظهر YOLOv9 نسبة مميزة بين عدد المعلمات والدقة. يحقق نموذج YOLOv9c نسبة mAP مذهلة تبلغ 53.0% باستخدام 25.5M من المعلمات فقط. ومع ذلك، يتفوق YOLOv8 بوضوح في متطلبات الذاكرة وسرعة الاستدلال على مسرّعات الأجهزة، ولا سيما أن إصدار YOLOv8n يحقق 1.47ms على إعداد NVIDIA TensorRT.
ميزة منظومة Ultralytics#
من الاعتبارات الرئيسية عند اختيار بنية ما سهولة الاستخدام ومنظومة البرمجيات المحيطة بها. فقد يؤدي تدبير التبعيات وكتابة محمّلات بيانات مخصصة والتعامل مع نصوص تصدير معقدة إلى تعطيل التطوير. وتجرّد منظومة Ultralytics المتكاملة هذه العمليات من تعقيداتها.
سواء اخترت YOLOv8 أو YOLOv9 (المدعوم بالكامل ضمن مكتبة Ultralytics)، ستستفيد من API موحدة وتقنيات زيادة البيانات تلقائية وتصدير مبسط إلى تنسيق ONNX. علاوةً على ذلك، تتميز بُنى Ultralytics عمومًا بـ كفاءة عالية في التدريب، إذ تتجنب التضخم الهائل في ذاكرة CUDA المرتبط عادةً بالنماذج الكبيرة القائمة على Transformer.
مثال على شيفرة التدريب#
تدريب أي من النموذجين باستخدام Python API أمر مباشر، ولا يتطلب سوى بضعة أسطر من الشفرة.
from ultralytics import YOLO
# تحميل النموذج المفضّل (استبدل 'yolov9c.pt' بـ 'yolov8n.pt' حسب الحاجة)
model = YOLO("yolov8n.pt")
# درّب النموذج على مجموعة البيانات المخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# التحقق من مقاييس أداء النموذج
metrics = model.val()
# التصدير إلى ONNX للنشر في بيئة الإنتاج
model.export(format="onnx")حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv9 وYOLOv8 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة البرمجية.
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 YOLOv8#
يوصى بـYOLOv8 في الحالات التالية:
- نشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مجرّبًا لـالكشف والتقسيم والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
- أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
- دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
نظرة إلى المستقبل: ظهور YOLO26#
رغم أن YOLOv8 وYOLOv9 يتمتعان بقدرات فائقة، فإن مجال الرؤية الحاسوبية يتطور بسرعة. ولعمليات النشر الحديثة، نوصي بشدة باستخدام Ultralytics YOLO26، الذي أُطلق في يناير 2026.
يمثل YOLO26 تحولًا جذريًا في طريقة عمل كاشفات الكائنات في بيئات الإنتاج. فهو يتميز بتصميم شامل خالٍ من NMS بطبيعته (اختياري عبر nms=False)، ما يلغي زمن الاستجابة والسلوك غير الحتمي للمعالجة اللاحقة. ولدعم الأجهزة الطرفية ومنخفضة الطاقة على نحو أفضل، يتضمن YOLO26 إزالة كاملة لـ DFL (خسارة البؤرة التوزيعية)، ما يجعل التصدير إلى الأجهزة المحمولة أبسط بكثير.
علاوةً على ذلك، يستخدم YOLO26 مُحسِّن MuSGD الرائد، وهو مزيج من SGD وMuon ينقل استقرار التدريب بمستوى النماذج اللغوية الكبيرة إلى مهام الرؤية، ما يؤدي إلى تقارب أسرع بكثير. ومع استدلال على CPU أسرع بنسبة تصل إلى 43% ودمج ProgLoss + STAL لتحسين التعرف على الكائنات الصغيرة بدرجة كبيرة، يُعد YOLO26 الخيار الأبرز للمبادرات المؤسسية الجديدة.
وفقًا لقيود أجهزتك، قد ترغب أيضًا في مقارنة هذه النماذج بـ Ultralytics YOLO11 للمهام العامة المتوازنة، أو استكشاف النماذج القائمة على Transformer مثل RT-DETR لأبحاث متخصصة تتطلب دقة عالية.
التطبيقات وحالات الاستخدام في العالم الحقيقي#
يعتمد الاختيار بين YOLOv8 وYOLOv9 إلى حد كبير على قيود مشروعك والأجهزة المستهدفة.
- الرعاية الصحية والتصوير الطبي: عندما تكون كل بكسلة مهمة، كما في أنظمة اكتشاف الأورام، تحافظ بنية GELAN في YOLOv9 على التفاصيل الدقيقة بكفاءة استثنائية، ما يقلل النتائج السلبية الكاذبة في التشخيصات الحرجة.
- تحليلات البيع بالتجزئة والمخزون: لتتبّع الأرفف المكتظة في أنظمة المتاجر الذكية، يوفر YOLOv9 قيمة mAP اللازمة لتمييز العناصر المتداخلة بموثوقية.
- المدن الذكية ومراقبة حركة المرور: في إدارة الخدمات اللوجستية وحركة المرور سريعة الإيقاع، يجعل زمن الاستجابة المنخفض للغاية والموثوقية المثبتة لـ YOLOv8 منه خيارًا مثاليًا لتتبّع المركبات عبر تدفقات متعددة من الكاميرات في الوقت نفسه.
- عمليات النشر الطرفية: إذا كنت تنشر على أجهزة محدودة الموارد مثل Raspberry Pi أو الأجهزة المحمولة، فإن كتل C2f المحسّنة للغاية في YOLOv8 (وتحسينات CPU في YOLO26) توفر مسار استدلال أكثر سلاسة وكفاءة في استهلاك البطارية.