YOLOv9 مقابل YOLOv8#

شهد مجال الرؤية الحاسوبية في الوقت الفعلي تطورًا ملحوظًا خلال السنوات القليلة الماضية، إذ يدفع كل نموذج جديد الحدود النظرية لما هو ممكن على الأجهزة الطرفية وخوادم السحابة على حد سواء. وعند مقارنة بنية YOLOv9 الأحدث بإطار عمل Ultralytics YOLOv8 واسع الانتشار، غالبًا ما يواجه المطورون خيارًا بين مسارات التدرج النظرية المتطورة ونظام بيئي خضع لاختبارات مكثفة وجاهز للاستخدام في بيئات الإنتاج.

يقارن هذا الدليل الشامل بين هذين النموذجين البارزين، محللًا ابتكاراتهما المعمارية، ومقاييس الأداء، وسيناريوهات النشر المثالية، لمساعدتك على اختيار النموذج المناسب لمشروعك التالي في مجال الذكاء الاصطناعي.

المواصفات التقنية والجهة المؤلفة#

يوفر فهم نشأة هذين النموذجين سياقًا أساسيًا لخيارات التصميم الخاصة بكل منهما.

YOLOv9 طوّر Chien-Yao Wang وHong-Yuan Mark Liao في معهد علوم المعلومات التابع لأكاديمية سينيكا في تايوان نموذج YOLOv9، الذي أُطلق في 21 فبراير 2024. يركز البحث الأساسي على حل عنق الزجاجة المعلوماتي في الشبكات العصبية العميقة. يمكنك الاطلاع على ورقة بحث YOLOv9 الأصلية على Arxiv أو عرض الشفرة المصدرية في مستودع YOLOv9 الرسمي على GitHub.

تعرف على المزيد حول YOLOv9

Ultralytics YOLOv8 طوّر Glenn Jocher وAyush Chaurasia وJing Qiu في Ultralytics نموذج YOLOv8، الذي أُطلق في 10 يناير 2023. وقد رسّخ مكانته معيارًا صناعيًا للتعددية، إذ يوفر API موحدًا لمجموعة واسعة للغاية من مهام الرؤية. وتُصان الشفرة المصدرية ضمن مستودع Ultralytics الرئيسي على GitHub، مما يضمن تحديثات مستمرة واستقرارًا طويل الأمد.

الابتكارات المعمارية#

YOLOv9: المعلومات القابلة للبرمجة للتدرجات#

تتمثل السمة المميزة لـ YOLOv9 في 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 العملية الأمامية. ويعالج PGI عنق الزجاجة المعلوماتي هذا من خلال الاحتفاظ بالتدرجات الدقيقة المستخدمة لتحديث الأوزان، مما يضمن استخراجًا موثوقًا للسمات. وتزيد هذه البنية من كفاءة المعاملات إلى أقصى حد، مما يتيح لـ YOLOv9 تحقيق دقة عالية باستخدام عدد أقل من عمليات الفاصلة العائمة (FLOPs).

YOLOv8: أداة العمل متعددة الاستخدامات#

قدّم YOLOv8 آلية كشف مبسطة خالية من المراسي، مما يقلل عدد تنبؤات الصناديق ويسرّع قمع القيم غير العظمى (NMS) أثناء المعالجة اللاحقة. وتحسّن وحدة C2f (عنق الزجاجة الجزئي عبر المراحل مع تلافيف اثنين) تدفق التدرج عبر الشبكة مقارنةً بالنماذج الأقدم. والأهم من ذلك، صُمم YOLOv8 مع وضع التعددية في الاعتبار، إذ يدعم أصلاً كشف الأجسام، وتجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور، واستخراج الصناديق المحيطة الموجّهة (OBB) مباشرةً.

توازن الأداء والمعايير القياسية#

يُعد المفاضلة بين السرعة والدقة العامل الأهم عند نشر نماذج الرؤية. فيما يلي مقارنة مفصلة لأحجام النماذج، وزمن الاستجابة، ومتوسط الدقة (mAP)، جرى تقييمها على مجموعة بيانات COCO القياسية.

عند تحليل المقاييس، يُظهر YOLOv9 نسبة لافتة بين عدد المعاملات والدقة. إذ يحقق نموذج YOLOv9c نسبة mAP تبلغ 53.0% باستخدام 25.3 مليون معلمة فقط. ومع ذلك، يحافظ YOLOv8 على تفوق ملحوظ في متطلبات الذاكرة وسرعة الاستدلال على مسرّعات الأجهزة، ولا سيما أن المتغير YOLOv8n يسجل 1.47 مللي ثانية على إعداد NVIDIA TensorRT.

ميزة منظومة Ultralytics#

من الاعتبارات الرئيسية عند اختيار بنية ما سهولة الاستخدام والنظام البيئي البرمجي المحيط بها. فقد يؤدي تنظيم التبعيات، وكتابة محمّلات بيانات مخصصة، والتعامل مع نصوص تصدير معقدة إلى إبطاء التطوير. ويجرد النظام البيئي المتكامل من Ultralytics هذه التعقيدات.

سواء اخترت YOLOv8 أو YOLOv9 (المدعوم بالكامل ضمن مكتبة Ultralytics)، فإنك تستفيد من API موحد، وتقنيات زيادة البيانات التلقائية، وتصدير مبسط إلى تنسيق ONNX. وعلاوة على ذلك، تتميز بنيات Ultralytics عمومًا بـ كفاءة تدريب محسّنة بدرجة كبيرة، إذ تتجنب تضخم ذاكرة CUDA الهائل المرتبط عادةً بالنماذج الكبيرة القائمة على Transformer.

مثال على شفرة التدريب#

يُعد تدريب أي من النموذجين باستخدام API الخاص بـ Python أمرًا مباشرًا ولا يتطلب سوى بضعة أسطر من الشفرة.

from ultralytics import YOLO

# Load the preferred model (swap 'yolov9c.pt' with 'yolov8n.pt' as needed)
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance metrics
metrics = model.val()

# Export to ONNX for production deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv9 وYOLOv8 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv9#

يُعد YOLOv9 خيارًا قويًا لـ:

• أبحاث عنق الزجاجة المعلوماتي: المشاريع الأكاديمية التي تدرس معماريات المعلومات القابلة للبرمجة للتدرجات (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).
• دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
• قياس أداء اكتشاف عالي الدقة: السيناريوهات التي تحتاج إلى أداء YOLOv9 القوي في معيار COCO بوصفه نقطة مرجعية للمقارنات المعمارية.

متى تختار YOLOv8#

يُوصى باستخدام YOLOv8 من أجل:

• النشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مُثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
• أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية مسبقًا على بنية YOLOv8، مع مسارات نشر مستقرة ومختبرة جيدًا.
• دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـYOLOv8، وعمليات التكامل التابعة لجهات خارجية، وموارد المجتمع النشطة.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

التطلع إلى المستقبل: ظهور YOLO26#

مع أن YOLOv8 وYOLOv9 يتمتعان بقدرات هائلة، فإن مجال الرؤية الحاسوبية يتطور بسرعة. وبالنسبة إلى عمليات النشر الحديثة، نوصي بشدة باستخدام Ultralytics YOLO26، الذي أُطلق في يناير 2026.

يمثل YOLO26 تحولًا جذريًا في طريقة عمل كاشفات الأجسام في بيئات الإنتاج. فهو يتميز بتصميم أصلي شامل من الطرف إلى الطرف وخالٍ من NMS، مما يلغي فعليًا زمن الاستجابة والسلوك غير الحتمي للمعالجة اللاحقة. ولدعم الأجهزة الطرفية والأجهزة منخفضة الطاقة على نحو أفضل، يدمج YOLO26 إزالة DFL بالكامل (خسارة البؤرة التوزيعية)، مما يجعل عمليات التصدير إلى الأجهزة المحمولة أبسط بكثير.

علاوة على ذلك، يستخدم YOLO26 مُحسِّن MuSGD الرائد، وهو مزيج من SGD وMuon يجلب استقرار التدريب بمستوى نماذج LLM إلى مهام الرؤية، مما يؤدي إلى تقارب أسرع بكثير. ومع استدلال على CPU أسرع بنسبة تصل إلى 43%، ودمج ProgLoss + STAL لتحسين التعرف على الأجسام الصغيرة بدرجة كبيرة، يُعد YOLO26 الخيار الأبرز للمبادرات المؤسسية الجديدة.

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 هو الحال في أنظمة كشف الأورام، تحافظ بنية GELAN في YOLOv9 على التفاصيل الدقيقة بكفاءة استثنائية، مما يقلل النتائج السلبية الكاذبة في التشخيصات الحرجة.
• تحليلات البيع بالتجزئة والمخزون: بالنسبة إلى أنظمة المتاجر الكبرى الذكية التي تتعقب الرفوف المكتظة بالسلع، يوفر YOLOv9 قيمة mAP اللازمة لفصل العناصر المتداخلة بشكل موثوق.
• المدن الذكية ومراقبة حركة المرور: في إدارة الخدمات اللوجستية وحركة المرور سريعة الوتيرة، يجعل زمن الاستجابة المنخفض للغاية والمتانة المثبتة لـ YOLOv8 منه خيارًا مثاليًا لتتبع المركبات عبر تدفقات كاميرات متعددة في الوقت نفسه.
• عمليات النشر الطرفية: إذا كنت تنشر على أجهزة محدودة الموارد مثل Raspberry Pi أو الأجهزة المحمولة، فإن كتل C2f المحسّنة بدرجة كبيرة في YOLOv8 (وتحسينات CPU في YOLO26) توفر مسار استدلال أكثر سلاسة وملاءمة للبطارية.