YOLOv9 مقابل YOLOv8#
تطورت الرؤية الحاسوبية الآنية بسرعة خلال السنوات القليلة الماضية، إذ حسّن كل نموذج جديد الإمكانات المتاحة على الأجهزة الطرفية والخوادم السحابية على حد سواء. وعند مقارنة بنية YOLOv9 الأحدث بإطار عمل Ultralytics YOLOv8 الشائع، كثيرًا ما يواجه المطورون خيارًا بين أبحاث مسارات التدرج الجديدة ومنظومة مجرّبة وجاهزة للإنتاج.
يقارن هذا الدليل بين النموذجين، ويحلل ابتكاراتهما المعمارية ومقاييس الأداء وسيناريوهات النشر المثالية، لمساعدتك على اختيار النموذج المناسب لمشروعك التالي في الذكاء الاصطناعي.
المواصفات التقنية والجهة المؤلفة#
يوفر فهم سلالة هذه النماذج سياقًا أساسيًا لقرارات التصميم الخاصة بكل منها.
YOLOv9 طوّر Chien-Yao Wang وHong-Yuan Mark Liao النموذج في معهد علوم المعلومات التابع لأكاديميا سينيكا في تايوان، وصدر YOLOv9 في 21 فبراير 2024. يركز البحث الأساسي على معالجة عنق الزجاجة المعلوماتي في الشبكات العصبية العميقة. يمكنك الاطلاع على ورقة البحث الأصلية لـ YOLOv9 على arXiv، أو مراجعة الشيفرة المصدرية في مستودع YOLOv9 الرسمي على GitHub.
Ultralytics YOLOv8 طوّر Glenn Jocher وAyush Chaurasia وJing Qiu النموذج في Ultralytics، وأُطلق YOLOv8 في 10 يناير 2023. وقد رسّخ مكانته معيارًا صناعيًا متعدد الاستخدامات، إذ يقدم واجهة برمجية موحدة لمجموعة واسعة من مهام الرؤية. تُصان الشيفرة المصدرية في مستودع Ultralytics الرئيسي على GitHub، ما يضمن التحديث المستمر والاستقرار على المدى الطويل.
ابتكارات البنية#
YOLOv9: معلومات التدرج القابلة للبرمجة#
تتمثل السمة المميزة لـ YOLOv9 في تقديم معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). فمع ازدياد عمق الشبكات العصبية الالتفافية، تفقد عادةً معلومات سمات مهمة أثناء التمرير الأمامي. يعالج PGI عنق الزجاجة المعلوماتي بالاحتفاظ بتدرجات دقيقة تُستخدم لتحديث الأوزان، ما يدعم استخلاص السمات بموثوقية. وتُحسّن هذه البنية كفاءة المعلمات إلى أقصى حد، ما يتيح لـ YOLOv9 تحقيق دقة عالية بعدد أقل من عمليات الفاصلة العائمة (FLOPs).
YOLOv8: النموذج متعدد الاستخدامات#
قدّم YOLOv8 آلية كشف خالية من المراسي ومبسطة، تقلل عدد تنبؤات الصناديق وتسرّع الكبت غير الأقصى (NMS) أثناء المعالجة اللاحقة. وتحسّن وحدة C2f (عنق الزجاجة الجزئي عبر المراحل مع التفافين) تدفق التدرجات في الشبكة مقارنةً بالنماذج الأقدم. والأهم أن YOLOv8 صُمم مع مراعاة تعدد الاستخدامات، ويدعم أصليًا اكتشاف الأجسام، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعيات، واستخراج الصناديق المحيطة الموجّهة (OBB) مباشرةً.
على الرغم من أن YOLOv9 يقدم مقاييس كشف أولية قوية، فقد يكون دمجه أصليًا في مسارات المعالجة المعقدة أمرًا صعبًا. ويعالج استخدام YOLOv9 عبر إطار عمل Ultralytics هذه الفجوة، إذ يتيح الوصول إلى أدوات التصدير والنشر من Ultralytics.
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 (mAP)، وفق التقييم 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 قوية بين عدد المعلمات والدقة، إذ يحقق mAP أعلى من YOLOv8 عند كل حجم. يحقق نموذج YOLOv9c نسبة mAP تبلغ 53.0% باستخدام 25.5M معلمة فقط. ومع ذلك، يكون YOLOv8 أسرع على GPU في معظم الأحجام، إذ يعمل الإصدار YOLOv8n في 1.47 ms ضمن 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 التصدير المعقدة إلى تعطيل التطوير. وتتولى منظومة Ultralytics المتكاملة هذه التعقيدات.
سواء اخترت YOLOv8 أو YOLOv9 (المدعوم بالكامل ضمن مكتبة Ultralytics)، ستستفيد من واجهة برمجية موحدة، وتقنيات زيادة البيانات التلقائية، وتصدير مبسط إلى تنسيق ONNX. كما تتدرب بنى Ultralytics بكفاءة وتتجنب الاستهلاك العالي لذاكرة CUDA الشائع في النماذج 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:
- النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة 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 تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة 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.
نظرة إلى المستقبل: ظهور YOLO26#
على الرغم من كفاءة كل من YOLOv8 وYOLOv9، فإن مجال الرؤية الحاسوبية يتطور بسرعة. ولعمليات النشر الحديثة، توصي Ultralytics باستخدام Ultralytics YOLO26، الذي صدر في يناير 2026.
يغيّر YOLO26 طريقة تشغيل كواشف الأجسام في بيئات الإنتاج. فهو يتميز بتصميم أصلي شامل خالٍ من NMS (اختياري عبر nms=False)، ما يلغي زمن استجابة المعالجة اللاحقة لـ NMS وتقلباته. ولدعم الأجهزة الطرفية ومنخفضة الطاقة على نحو أفضل، يتضمن YOLO26 إزالة DFL (خسارة البؤرة التوزيعية)، ما يبسط عمليات التصدير إلى الأجهزة المحمولة.
للتدريب، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon ينقل استقرار التدريب المستلهم من نماذج اللغة الكبيرة إلى مهام الرؤية ويسرّع التقارب. وبفضل استدلال على CPU أسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n) وProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة) لتحسين اكتشاف الأجسام الصغيرة، يُعد YOLO26 الخيار الموصى به لمشروعات المؤسسات 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 لكل بكسل أهميته، كما في أنظمة اكتشاف الأورام، تساعد بنية GELAN في YOLOv9 على حفظ التفاصيل الدقيقة، ما قد 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 مجال اللوجستيات وإدارة حركة المرور سريع الوتيرة، تجعل قلة زمن الاستجابة والمتانة المثبتة لـ YOLOv8 منه خيارًا مناسبًا لتتبع المركبات عبر تدفقات كاميرات متعددة في آن واحد.
- عمليات النشر الطرفية: إذا كنت تنشر على أجهزة محدودة الموارد مثل Raspberry Pi أو الأجهزة المحمولة، توفر كتل C2f الفعالة في YOLOv8 (وتحسينات CPU في YOLO26) مسار استدلال أكثر سلاسة وملاءمة للبطارية.