مقارنة Ultralytics YOLO11 بنماذج YOLO السابقة

من أتمتة المهام اليومية إلى المساعدة في اتخاذ قرارات مستنيرة في الوقت الفعلي، يعيد الذكاء الاصطناعي (AI) تشكيل مستقبل مختلف الصناعات. ومن المجالات المثيرة للاهتمام بوجه خاص في الذكاء الاصطناعي الرؤية الحاسوبية، المعروفة أيضًا باسم ذكاء الرؤية. وتركّز على تمكين الآلات من تحليل البيانات المرئية وتفسيرها كما يفعل البشر.

تحديدًا، تقود نماذج الرؤية الحاسوبية ابتكارات تعزز السلامة والكفاءة على حد سواء. فعلى سبيل المثال، تُستخدم هذه النماذج في السيارات ذاتية القيادة لاكتشاف المشاة، وفي كاميرات المراقبة لمتابعة المنشآت على مدار الساعة.

تُعد نماذج YOLO (You Only Look Once) من أشهر نماذج الرؤية الحاسوبية، وهي معروفة بقدراتها على اكتشاف الأجسام في الوقت الفعلي. ومع مرور الوقت، تحسنت نماذج YOLO، إذ قدم كل إصدار جديد أداءً أفضل ومرونة أكبر.

يمكن للإصدارات الأحدث، مثل Ultralytics YOLO11، التعامل مع مجموعة متنوعة من المهام، مثل تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعيات، وتتبع الأجسام المتعددة، بدقة وسرعة وإحكام أفضل من أي وقت مضى.

في هذه المقالة، سنقارن بين Ultralytics YOLOv8 وYOLOv9 وYOLOv10 وUltralytics YOLO11 لفهم كيفية تطور هذه النماذج بصورة أفضل. وسنحلل ميزاتها الرئيسية ونتائج اختبارات الأداء والفروق في الأداء. لنبدأ!

نظرة عامة على Ultralytics YOLOv8#

أصدرت Ultralytics نموذج YOLOv8 في 10 يناير 2023، وكان خطوة مهمة إلى الأمام مقارنةً بنماذج YOLO السابقة. وقد حُسّن النموذج للاكتشاف الدقيق في الوقت الفعلي، إذ يجمع بين الأساليب المُختبرة جيدًا والتحديثات المبتكرة لتحقيق نتائج أفضل.

إضافةً إلى اكتشاف الأجسام، يدعم النموذج أيضًا مهام الرؤية الحاسوبية التالية: تجزئة المثيلات، وتقدير الوضعيات، واكتشاف الأجسام باستخدام مربعات الإحاطة الموجّهة (OBB)، وتصنيف الصور. ومن الميزات المهمة الأخرى في Ultralytics YOLOv8 توفره في خمسة إصدارات مختلفة من النماذج - Nano وSmall وMedium وLarge وX - بحيث يمكنك اختيار التوازن المناسب بين السرعة والدقة وفقًا لاحتياجاتك.

بفضل تعدد استخداماته وأدائه القوي، يمكن استخدام Ultralytics YOLOv8 في العديد من التطبيقات الواقعية، مثل أنظمة الأمان، والمدن الذكية، والرعاية الصحية، والأتمتة الصناعية.

الشكل 1. إدارة مواقف السيارات في المدن الذكية باستخدام YOLOv8.

الميزات الرئيسية في Ultralytics YOLOv8#

فيما يلي نظرة أقرب على بعض الميزات الرئيسية الأخرى في Ultralytics YOLOv8:

• بنية اكتشاف محسّنة: يستخدم Ultralytics YOLOv8 بنية CSPDarknet أساسية محسّنة. وقد حُسّنت هذه البنية لاستخراج الميزات، وهي عملية تحديد الأنماط أو التفاصيل المهمة من صور الإدخال والتقاطها لمساعدة النموذج على إجراء تنبؤات دقيقة.
• رأس الاكتشاف: يستخدم النموذج تصميمًا خاليًا من المراسي وغير مقترن، أي إنه لا يعتمد على أشكال مُعدّة مسبقًا لمربعات الإحاطة (المراسي)، بل يتعلم التنبؤ بمواقع الأجسام مباشرةً. وبفضل الإعداد غير المقترن، تُعالَج مهمتا تصنيف ماهية الجسم والتنبؤ بموقعه (الانحدار) بصورة منفصلة، مما يساعد على تحسين الدقة وتسريع التدريب.
• تحقيق التوازن بين الدقة والسرعة: يحقق هذا النموذج دقة مذهلة مع الحفاظ على أزمنة استدلال سريعة، مما يجعله مناسبًا لكل من بيئات السحابة والحافة.
• سهل الاستخدام: صُمم YOLOv8 ليكون سهل البدء - إذ يمكنك بدء التنبؤ ورؤية النتائج خلال دقائق قليلة باستخدام حزمة Ultralytics Python.

يركّز YOLOv9 على الكفاءة الحاسوبية#

أصدر تشين-ياو وانغ وهونغ-يوان مارك لياو من معهد علوم المعلومات في أكاديمية سينكا، تايوان، YOLOv9 في 21 فبراير 2024. ويدعم النموذج مهام مثل اكتشاف الأجسام وتجزئة المثيلات.

يبني هذا النموذج على Ultralytics YOLOv5 ويقدم ابتكارين رئيسيين: معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).

تساعد PGI نموذج YOLOv9 على الاحتفاظ بالمعلومات المهمة أثناء معالجة البيانات عبر طبقاته، مما يؤدي إلى نتائج أكثر دقة. وفي الوقت نفسه، تحسّن GELAN كيفية استخدام النموذج لطبقاته، فتعزز الأداء والكفاءة الحاسوبية. وبفضل هذه الترقيات، يستطيع YOLOv9 التعامل مع المهام في الوقت الفعلي على الأجهزة الطرفية وتطبيقات الأجهزة المحمولة، حيث تكون موارد الحوسبة محدودة غالبًا.

الشكل 2. فهم كيفية تحسين GELAN لدقة YOLOv9.

الميزات الرئيسية في YOLOv9#

فيما يلي لمحة عن بعض الميزات الرئيسية الأخرى في YOLOv9:

• دقة عالية مع الكفاءة: يحقق YOLOv9 دقة عالية في الاكتشاف دون استهلاك قدر كبير من القدرة الحاسوبية، مما يجعله خيارًا ممتازًا عند محدودية الموارد.
• نماذج خفيفة الوزن: حُسّنت إصدارات YOLOv9 الخفيفة للنشر على الأجهزة الطرفية والمحمولة.
• سهل الاستخدام: تدعم حزمة Ultralytics Python نموذج YOLOv9، لذا من السهل إعداده وتشغيله في بيئات مختلفة، سواء كنت تستخدم التعليمات البرمجية أو سطر الأوامر.

يتيح YOLOv10 اكتشاف الأجسام الخالي من NMS#

قُدّم YOLOv10 في 23 مايو 2024 على يد باحثين من جامعة تسينغهوا، ويركّز على اكتشاف الأجسام في الوقت الفعلي. ويعالج قيود إصدارات YOLO السابقة بإزالة الحاجة إلى الكبت غير الأقصى (NMS)، وهي خطوة معالجة لاحقة تُستخدم لإزالة الاكتشافات المكررة، وبصقل تصميم النموذج ككل. وينتج عن ذلك اكتشاف أسرع وأكثر كفاءة للأجسام، مع الحفاظ على دقة متقدمة.

يتمثل جزء أساسي مما يجعل ذلك ممكنًا في أسلوب تدريب يُعرف بتعيينات التسميات المزدوجة المتسقة. ويجمع هذا الأسلوب بين استراتيجيتين: إحداهما تتيح لتنبؤات متعددة التعلم من الجسم نفسه (واحد إلى متعدد)، والأخرى تركّز على اختيار أفضل تنبؤ واحد (واحد إلى واحد). وبما أن كلتا الاستراتيجيتين تتبعان قواعد المطابقة نفسها، يتعلم النموذج تجنب التكرارات ذاتيًا، ولذلك لا تكون هناك حاجة إلى NMS.

الشكل 3. يستخدم YOLOv10 تعيينات التسميات المزدوجة المتسقة للتدريب الخالي من NMS.

تستخدم بنية YOLOv10 أيضًا بنية CSPNet أساسية محسّنة لتعلّم الميزات بفاعلية أكبر، وعنق PAN (شبكة تجميع المسارات) يجمع المعلومات من طبقات مختلفة، مما يجعله أفضل في اكتشاف الأجسام الصغيرة والكبيرة على حد سواء. وتجعل هذه التحسينات من الممكن استخدام YOLOv10 في تطبيقات واقعية في مجالات التصنيع، وتجارة التجزئة، والقيادة الذاتية.

الميزات الرئيسية في YOLOv10#

فيما يلي بعض الميزات البارزة الأخرى في YOLOv10:

• التفافات ذات نوى كبيرة: يستخدم النموذج التفافات ذات نوى كبيرة لالتقاط مزيد من السياق من مناطق أوسع في الصورة، مما يساعده على فهم المشهد العام بصورة أفضل.

• وحدات الانتباه الذاتي الجزئي: يدمج النموذج وحدات انتباه ذاتي جزئي للتركيز على أهم أجزاء الصورة دون استخدام قدر كبير من القدرة الحاسوبية، مما يعزز الأداء بكفاءة.

• إصدار فريد من النموذج: إلى جانب أحجام YOLOv10 المعتادة - Nano وSmall وMedium وLarge وX - يوجد أيضًا إصدار خاص يسمى YOLOv10b (Balanced). وهو نموذج أعرض، أي إنه يعالج ميزات أكثر في كل طبقة، مما يساعد على تحسين الدقة مع الحفاظ على التوازن بين السرعة والحجم.

• سهل الاستخدام: يتوافق YOLOv10 مع حزمة Ultralytics Python، مما يجعله سهل الاستخدام.

Ultralytics YOLO11: سرعة ودقة محسّنتان#

في 30 سبتمبر من هذا العام، أطلقت Ultralytics رسميًا YOLO11 - أحد أحدث نماذج سلسلة YOLO - في فعالية YOLO Vision 2024 (YV24) الهجينة السنوية.

قدم هذا الإصدار تحسينات مهمة مقارنةً بالإصدارات السابقة. يتميز Ultralytics YOLO11 بسرعة أكبر ودقة أعلى وكفاءة عالية. وهو يدعم المجموعة الكاملة من مهام الرؤية الحاسوبية المألوفة لمستخدمي YOLOv8، بما في ذلك اكتشاف الأجسام، وتجزئة المثيلات، وتصنيف الصور. كما يحافظ على التوافق مع سير عمل YOLOv8، مما يسهّل على المستخدمين الانتقال بسلاسة إلى الإصدار الجديد.

إضافةً إلى ذلك، صُمم Ultralytics YOLO11 لتلبية مجموعة واسعة من احتياجات الحوسبة - بدءًا من الأجهزة الطرفية خفيفة الوزن ووصولًا إلى الأنظمة السحابية القوية. ويتوفر النموذج في إصدارين: مفتوح المصدر ومؤسسي، مما يجعله قابلًا للتكييف مع حالات استخدام مختلفة.

وهو خيار ممتاز للمهام التي تتطلب دقة عالية، مثل التصوير الطبي واكتشاف الأجسام عبر الأقمار الصناعية، وكذلك للتطبيقات الأوسع في المركبات ذاتية القيادة والزراعة والرعاية الصحية.

الشكل 4. استخدام Ultralytics YOLO11 لاكتشاف حركة المرور وعدّها وتتبعها.

الميزات الرئيسية في Ultralytics YOLO11#

فيما يلي بعض الميزات الفريدة الأخرى في Ultralytics YOLO11:

• اكتشاف سريع وفعّال: يتميز Ultralytics YOLO11 برأس اكتشاف مصمم لتقليل زمن الاستجابة إلى أدنى حد، مع التركيز على السرعة في طبقات التنبؤ النهائية دون المساس بالأداء.
• استخراج محسّن للميزات: تعزز بنية العمود الفقري والعنق المحسّنة استخراج الميزات، مما يؤدي إلى تنبؤات أكثر دقة.
• نشر سلس عبر المنصات: حُسّن Ultralytics YOLO11 ليعمل بكفاءة على الأجهزة الطرفية والمنصات السحابية ووحدات معالجة الرسومات NVIDIA، مما يضمن قابليته للتكيف عبر بيئات مختلفة.

اختبار أداء نماذج YOLO على مجموعة بيانات COCO#

عند استكشاف نماذج مختلفة، ليس من السهل دائمًا مقارنتها بمجرد النظر إلى ميزاتها. وهنا تأتي أهمية اختبار الأداء. فمن خلال تشغيل جميع النماذج على مجموعة البيانات نفسها، يمكننا قياس أدائها ومقارنته بموضوعية. فلنلقِ نظرة على أداء كل نموذج على مجموعة بيانات COCO.

عند مقارنة نماذج YOLO، يجلب كل إصدار جديد تحسينات ملحوظة من حيث الدقة والسرعة والمرونة. وعلى وجه الخصوص، يحقق YOLO11m قفزة مهمة هنا، إذ يستخدم معلمات أقل بنسبة 22% من YOLOv8m، مما يعني أنه أخف وزنًا وأسرع في التشغيل. وعلى الرغم من حجمه الأصغر، فإنه يحقق متوسط دقة (mAP) أعلى على مجموعة بيانات COCO. ويقيس هذا المقياس مدى جودة اكتشاف النموذج للأجسام وتحديد مواقعها، ولذلك يعني ارتفاع mAP تنبؤات أكثر دقة.

الشكل 5. اختبار أداء YOLO11 ونماذج YOLO الأخرى على مجموعة بيانات COCO.

اختبار نماذج YOLO ومقارنتها على مقطع فيديو#

لنستكشف أداء هذه النماذج في موقف واقعي.

لمقارنة YOLOv8 وYOLOv9 وYOLOv10 وYOLO11، شُغّلت النماذج الأربعة على مقطع الفيديو المروري نفسه باستخدام درجة ثقة تبلغ 0.3 (لا يعرض النموذج الاكتشافات إلا عندما تكون ثقته في تحديد الجسم بصورة صحيحة 30% على الأقل) وحجم صورة يبلغ 640 لضمان عدالة التقييم. وأظهرت نتائج اكتشاف الأجسام وتتبعها فروقًا رئيسية في دقة الاكتشاف والسرعة والإحكام.

من الإطار الأول، تمكّن YOLO11 من اكتشاف مركبات كبيرة مثل الشاحنات التي أخفق YOLOv10 في اكتشافها. وأظهر YOLOv8 وYOLOv9 أداءً جيدًا، لكنه اختلف تبعًا لظروف الإضاءة وحجم الجسم. وظلت المركبات الأصغر والأبعد تمثل تحديًا لدى جميع النماذج، مع أن YOLO11 أظهر تحسينات ملحوظة في هذه الاكتشافات أيضًا.

الشكل 6. مقارنة YOLOv8 وYOLOv9 وYOLOv10 وYOLO11.

من حيث السرعة، عملت جميع النماذج خلال فترة تتراوح بين 10 و20 ميلي ثانية لكل إطار، وهي سرعة كافية للتعامل مع المهام في الوقت الفعلي بمعدل يتجاوز 50 إطارًا في الثانية (FPS). فمن ناحية، قدم كل من Ultralytics YOLOv8 وYOLOv9 اكتشافات ثابتة وموثوقة طوال مقطع الفيديو. ومن المثير للاهتمام أن YOLOv10، المصمم لزمن استجابة أقل، كان أسرع، لكنه أظهر بعض حالات عدم الاتساق في اكتشاف أنواع معينة من الأجسام.

أما Ultralytics YOLO11، فبرز بإحكامه، إذ قدم توازنًا قويًا بين السرعة والدقة. وعلى الرغم من أن أيًا من النماذج لم يؤدِّ أداءً مثاليًا في كل إطار، فقد أظهرت المقارنة جنبًا إلى جنب بوضوح أن YOLO11 قدم أفضل أداء إجمالي.

ما نموذج YOLO الأفضل لمهام الرؤية الحاسوبية؟#

يعتمد اختيار نموذج لمشروع ما على متطلباته المحددة. فعلى سبيل المثال، قد تعطي بعض التطبيقات الأولوية للسرعة، بينما قد تتطلب تطبيقات أخرى دقة أعلى أو تواجه قيودًا في النشر تؤثر في القرار.

ومن العوامل المهمة الأخرى نوع مهام الرؤية الحاسوبية التي تحتاج إلى معالجتها. فإذا كنت تبحث عن مرونة أوسع عبر مهام مختلفة، فإن YOLOv8 وYOLO11 خياران جيدان.

يعتمد اختيار YOLOv8 أو YOLO11 فعليًا على احتياجاتك. ويُعد YOLOv8 خيارًا قويًا إذا كنت جديدًا في مجال الرؤية الحاسوبية وتقدّر وجود مجتمع أكبر، ومزيد من البرامج التعليمية، وتكاملات خارجية واسعة.

أما إذا كنت تبحث عن أداء متطور مع دقة وسرعة أفضل، فإن Ultralytics YOLO11 هو الخيار الأفضل، مع أنه يأتي مع مجتمع أصغر وتكاملات أقل لأنه إصدار أحدث.

أهم النقاط المستخلصة#

من Ultralytics YOLOv8 إلى Ultralytics YOLO11، يعكس تطور سلسلة نماذج YOLO توجهًا مستمرًا نحو نماذج رؤية حاسوبية أكثر ذكاءً. ويقدم كل إصدار من YOLO ترقيات ذات أهمية من حيث السرعة والدقة والإحكام.

ومع استمرار تقدم الرؤية الحاسوبية، تقدم هذه النماذج حلولًا موثوقة للتحديات الواقعية، بدءًا من اكتشاف الأجسام ووصولًا إلى الأنظمة الذاتية. ويُظهر التطور المستمر لنماذج YOLO مدى التقدم الذي أحرزه هذا المجال، ومقدار ما يمكننا توقعه مستقبلًا.

لمعرفة المزيد عن الذكاء الاصطناعي، تفضل بزيارة مستودعنا على GitHub والتفاعل مع مجتمعنا. واكتشف التطورات في مختلف الصناعات، بدءًا من ذكاء الرؤية في التصنيع وصولًا إلى الرؤية الحاسوبية في الرعاية الصحية. اطّلع على خيارات الترخيص لبدء مشاريع ذكاء الرؤية الخاصة بك اليوم.