مقارنة النماذج: YOLOv9 مقابل YOLOv8 للكشف عن الأجسام
يُعد اختيار نموذج الكشف عن الأجسام المناسب قرارًا بالغ الأهمية يوازن بين الدقة والسرعة والموارد الحسابية. تقدم هذه الصفحة مقارنة فنية مفصلة بين Ultralytics YOLOv8، وهو نموذج متعدد الاستخدامات وسهل الاستخدام، و YOLOv9، وهو نموذج معروف بتطوراته المعمارية المبتكرة. سنقوم بتحليل بنيتهما ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في تحديد الأنسب لمشاريع الرؤية الحاسوبية الخاصة بك.
YOLOv9: تعزيز الدقة مع بنية جديدة
تم تقديم YOLOv9 كخطوة كبيرة إلى الأمام في الكشف عن الأجسام، مع التركيز بشكل أساسي على التغلب على فقدان المعلومات في الشبكات العصبية العميقة لتعزيز الدقة.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2024-02-21
- Arxiv: https://arxiv.org/abs/2402.13616
- GitHub: https://github.com/WongKinYiu/yolov9
- المستندات: https://docs.ultralytics.com/models/yolov9/
الهندسة المعمارية والابتكارات الرئيسية
يقدم YOLOv9 ابتكارين رئيسيين: معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تم تصميم PGI لتوفير معلومات إدخال كاملة لحساب دالة الخسارة، مما يساعد في تخفيف مشكلة عنق الزجاجة للمعلومات ويضمن إنشاء تدرجات أكثر موثوقية لتحديثات الشبكة. GELAN عبارة عن بنية شبكة جديدة وعالية الكفاءة تعمل على تحسين استخدام المعلمات والكفاءة الحسابية. تسمح هذه الميزات معًا لـ YOLOv9 بتحقيق دقة عالية، وغالبًا ما تحدد معايير حديثة على مجموعات البيانات مثل COCO.
نقاط القوة
- دقة هي الأحدث على مستوى التقنية: تحقق نماذج YOLOv9، وخاصةً المتغيرات الأكبر، أعلى مستويات mAP، مما يدفع حدود دقة اكتشاف الكائنات في الوقت الفعلي.
- كفاءة عالية: تتيح بنية GELAN لـ YOLOv9 تقديم أداء عالٍ مع عدد أقل من المعلمات والمتطلبات الحسابية (FLOPs) مقارنة ببعض النماذج الأخرى ذات الدقة المماثلة.
- الحفاظ على المعلومات: يعالج PGI بشكل فعال مشكلة فقدان المعلومات في الشبكات العميقة، وهو أمر بالغ الأهمية لتدريب نماذج عميقة ودقيقة للغاية.
نقاط الضعف
- النظام البيئي وسهولة الاستخدام: كنموذج من مستودع بحثي، يفتقر YOLOv9 إلى النظام البيئي المصقول والجاهز للإنتاج الذي توفره Ultralytics. يمكن أن تكون عملية التدريب أكثر تعقيدًا، والدعم المجتمعي وعمليات تكامل الطرف الثالث أقل نضجًا.
- تنوع المهام: يركز تطبيق YOLOv9 الأصلي بشكل أساسي على اكتشاف الكائنات. ولا يوفر الدعم المدمج والموحد لمهام الرؤية الأخرى مثل التقسيم أو تقدير الوضع أو التصنيف وهو معيار في نماذج Ultralytics.
- موارد التدريب: قد يكون تدريب YOLOv9 أكثر استهلاكًا للموارد ويستغرق وقتًا أطول مقارنة بالعمليات المبسطة التي يوفرها Ultralytics YOLOv8.
Ultralytics YOLOv8: تعدد الاستخدامات وسهولة الاستخدام
Ultralytics YOLOv8 هو نموذج حديث تم تطويره بواسطة Ultralytics، وهو معروف بتوازنه الاستثنائي بين السرعة والدقة، والأهم من ذلك، سهولة استخدامه وتعدد استخداماته. وهو مصمم كإطار عمل كامل لتدريب النماذج والتحقق من صحتها ونشرها لمجموعة واسعة من مهام الذكاء الاصطناعي البصري.
- المؤلفون: جلين جوتشر، أيوش شوراسيا، جينغ تشيو
- المنظمة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- المستندات: https://docs.ultralytics.com/models/yolov8/
البنية والميزات الرئيسية
يعتمد YOLOv8 على نجاحات إصدارات YOLO السابقة مع تحسينات معمارية كبيرة، بما في ذلك رأس كشف جديد anchor-free وعمود فقري C2f (CSP مع 2 convolutions) مُعدَّل. لا يحسن هذا التصميم الأداء فحسب، بل يبسط أيضًا النموذج وخطوات المعالجة اللاحقة. ومع ذلك، تكمن القوة الحقيقية لـ YOLOv8 في نظامه البيئي الشامل.
نقاط القوة
- توازن أداء استثنائي: يوفر YOLOv8 حلاً وسطًا رائعًا بين السرعة والدقة، مما يجعله مناسبًا للغاية لمجموعة واسعة من التطبيقات الواقعية، من الأجهزة الطرفية ذات الموارد المحدودة إلى خوادم السحابة عالية الأداء.
- تنوع لا مثيل له: YOLOv8 هو إطار عمل حقيقي متعدد المهام. وهو يدعم اكتشاف الكائنات، و تجزئة المثيلات، و تصنيف الصور، و تقدير الوضعية، والمربعات المحيطة الموجهة (OBB) ضمن إطار عمل موحد واحد. هذا التنوع هو ميزة رئيسية على النماذج الأكثر تخصصًا مثل YOLOv9.
- سهولة الاستخدام: أعطت Ultralytics الأولوية لتجربة مستخدم مبسطة. بفضل واجهة برمجة تطبيقات Python بسيطة و CLI، و توثيق شامل، وثروة من الدروس التعليمية، يمكن للمطورين البدء في دقائق.
- نظام بيئي مُدار بشكل جيد: يتم دعم YOLOv8 من خلال التطوير النشط من Ultralytics، ومجتمع مفتوح المصدر قوي، والتحديثات المتكررة، والتكامل السلس مع Ultralytics HUB لتدفقات عمل التدريب بدون تعليمات برمجية و MLOps.
- كفاءة التدريب: عملية التدريب عالية الكفاءة، مع أوزان مُدرَّبة مسبقًا متاحة بسهولة ومتطلبات ذاكرة أقل مقارنة بالعديد من البنى الأخرى، وخاصة النماذج القائمة على المحولات.
- جاهز للنشر: تم تصميم YOLOv8 لسهولة النشر مع دعم التصدير المدمج لتنسيقات مختلفة مثل ONNX و TensorRT و OpenVINO، مما يبسط المسار إلى الإنتاج.
نقاط الضعف
- ذروة الدقة: على الرغم من دقتها الشديدة، قد تحقق أكبر نماذج YOLOv9 درجة mAP أعلى قليلاً في معيار COCO في مهمة الكشف عن العناصر النقية. ومع ذلك، غالبًا ما يأتي ذلك على حساب تعدد الاستخدامات وسهولة الاستخدام.
مقارنة أداء مباشرة: الدقة والسرعة
عند مقارنة الأداء، من الضروري النظر إلى الصورة الكاملة، بما في ذلك الدقة (mAP) وسرعة الاستدلال وحجم النموذج (المعلمات) والتكلفة الحسابية (FLOPs).
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
المعلمات (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 |
| 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
من الجدول، يمكننا أن نرى أن YOLOv9-E تحقق أعلى mAP. ومع ذلك، تُظهر نماذج YOLOv8 سرعات استدلال فائقة، خاصةً المتغيرات الأصغر مثل YOLOv8n، وهو أمر بالغ الأهمية للتطبيقات في الوقت الفعلي. توفر YOLOv8 ملفًا شخصيًا للأداء أكثر اكتمالاً وعملية عبر أجهزة مختلفة، مع مقارنات معيارية للسرعة موثقة جيدًا وهي ضرورية لتخطيط الإنتاج.
الخلاصة: أي نموذج يجب أن تختاره؟
يعتمد الاختيار بين YOLOv9 و YOLOv8 بشكل كبير على أولويات مشروعك.
اختر YOLOv9 إذا:
- هدفك الأساسي والوحيد هو تحقيق أقصى قدر من الدقة في الكشف عن الكائنات على معايير مثل COCO.
- أنت تعمل في سياق بحثي حيث يكون استكشاف الهياكل الجديدة مثل PGI و GELAN هو الهدف الرئيسي.
- لديك موارد وخبرات حسابية كبيرة لإدارة سير عمل أكثر تعقيدًا للتدريب والنشر.
اختر Ultralytics YOLOv8 إذا:
- أنت بحاجة إلى نموذج قوي وموثوق وسهل الاستخدام لمجموعة واسعة من التطبيقات.
- يتطلب مشروعك أكثر من مجرد الكشف عن الكائنات، مثل تجزئة المثيلات أو تقدير الوضع أو التصنيف. توفر براعة YOLOv8 وقتًا هائلاً في التطوير.
- أنت تعطي الأولوية لسير عمل سريع وفعال، من التدريب إلى النشر. تم تصميم نظام Ultralytics البيئي لتوصيلك إلى مرحلة الإنتاج بشكل أسرع.
- أنت بحاجة إلى نموذج يوفر توازنًا ممتازًا بين السرعة والدقة، ومناسب لكل من النشر على الحافة السحابية.
- أنت تقدر الدعم المجتمعي القوي والتحديثات المستمرة والوثائق الشاملة.
بالنسبة للغالبية العظمى من المطورين والباحثين والشركات، يعد Ultralytics YOLOv8 هو الخيار الموصى به. إن جمعه بين الأداء القوي والتنوع المذهل والنظام البيئي سهل الاستخدام والمدعوم جيدًا يجعله أداة أكثر عملية وقوة لبناء حلول رؤية الكمبيوتر في العالم الحقيقي.
إذا كنت تستكشف نماذج أخرى، فقد تكون مهتمًا أيضًا بـ Ultralytics YOLOv5، المعروف باستقراره واعتماده على نطاق واسع، أو RT-DETR، وهو هيكل بديل قائم على المحولات. يمكنك العثور على مزيد من المقارنات على صفحة مقارنة النماذج الخاصة بنا.
