مقارنة Ultralytics YOLO11 بالنماذج السابقة من YOLO

من أتمتة المهام اليومية إلى المساعدة في اتخاذ قرارات مستنيرة في الوقت الفعلي، يعيد الذكاء الاصطناعي (AI) تشكيل مستقبل العديد من الصناعات. أحد المجالات الرائعة بشكل خاص في الذكاء الاصطناعي هو الرؤية الحاسوبية، والمعروف أيضًا باسم الرؤية بالذكاء الاصطناعي. ويركز على تمكين الآلات من تحليل وتفسير البيانات المرئية كما يفعل البشر.

على وجه التحديد، تقود نماذج الرؤية الحاسوبية ابتكارات تعزز الأمان والكفاءة على حد سواء. على سبيل المثال، تُستخدم هذه النماذج في السيارات ذاتية القيادة لاكتشاف المشاة وفي كاميرات المراقبة لمراقبة المباني على مدار الساعة.

تعد بعض أشهر نماذج الرؤية الحاسوبية هي نماذج YOLO (You Only Look Once)، والمعروفة بقدراتها على اكتشاف الأشياء في الوقت الفعلي. وبمرور الوقت، تحسنت نماذج YOLO، حيث يقدم 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 الوضعية، وتتبع الأجسام المتعددة، بدقة وسرعة أكبر من أي وقت مضى.

في هذه المقالة، سنقارن بين Ultralytics YOLOv8 وYOLOv9 وYOLOv10 وUltralytics YOLO11 للحصول على فكرة أفضل عن كيفية تطور هذه النماذج. سنقوم بتحليل ميزاتها الرئيسية ونتائج المقارنة المعيارية واختلافات الأداء. لنبدأ!

Link to this sectionنظرة عامة على Ultralytics YOLOv8#

كان YOLOv8، الذي أصدرته Ultralytics في 10 يناير 2023، خطوة كبيرة إلى الأمام مقارنة بنماذج YOLO السابقة. إنه مُحسّن للاكتشاف الدقيق في الوقت الفعلي، ويجمع بين أساليب مجربة وتحديثات مبتكرة لتحقيق نتائج أفضل.

وبعيداً عن اكتشاف الأشياء، فإنه يدعم أيضاً مهام الرؤية الحاسوبية التالية: تجزئة المثيلات، وتقدير الوضعية، واكتشاف الأشياء باستخدام صناديق الإحاطة الموجهة (OBB)، وتصنيف الصور. ميزة أخرى مهمة لـ YOLOv8 هي أنه متاح في خمسة متغيرات مختلفة للنموذج - Nano وSmall وMedium وLarge وX - بحيث يمكنك اختيار التوازن الصحيح بين السرعة والدقة بناءً على احتياجاتك.

نظراً لتعدد استخداماته وأدائه القوي، يمكن استخدام YOLOv8 في العديد من التطبيقات الواقعية، مثل أنظمة الأمن، والمدن الذكية، والرعاية الصحية، والأتمتة الصناعية.

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

Link to this sectionالميزات الرئيسية لـ YOLOv8#

إليك نظرة فاحصة على بعض الميزات الرئيسية الأخرى لـ YOLOv8:

• بنية اكتشاف محسنة: يستخدم YOLOv8 هيكل CSPDarknet مطوراً. تم تحسين هذا الهيكل لاستخراج الميزات - وهي عملية تحديد والتقاط الأنماط أو التفاصيل المهمة من صور الإدخال التي تساعد النموذج على إجراء تنبؤات دقيقة.
• رأس الاكتشاف: يستخدم تصميماً خالياً من نقاط الربط (anchor-free) ومنفصلاً، مما يعني أنه لا يعتمد على أشكال صناديق الإحاطة المحددة مسبقاً (نقاط الربط) وبدلاً من ذلك يتعلم التنبؤ بمواقع الأشياء مباشرة. ونظراً للإعداد المنفصل، يتم التعامل مع مهام تصنيف ماهية الشيء والتنبؤ بمكانه (الانحدار) بشكل منفصل، مما يساعد على تحسين الدقة وتسريع التدريب.
• يوازن بين الدقة والسرعة: يحقق هذا النموذج دقة مبهرة مع الحفاظ على أوقات استنتاج سريعة، مما يجعله مناسباً لكل من بيئات السحابة والحافة.
• سهل الاستخدام: تم تصميم YOLOv8 ليكون سهل البدء به - يمكنك البدء في التنبؤ ورؤية النتائج في دقائق قليلة فقط باستخدام حزمة Ultralytics Python.

Link to this sectionيركز YOLOv9 على الكفاءة الحسابية#

تم إصدار YOLOv9 في 21 فبراير 2024، بواسطة Chien-Yao Wang وHong-Yuan Mark Liao من معهد علوم المعلومات، أكاديمية سينيكا، تايوان. وهو يدعم مهام مثل اكتشاف الأشياء وتجزئة المثيلات.

يعتمد هذا النموذج على Ultralytics YOLOv5 ويقدم ابتكارين رئيسيين: معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).

تساعد PGI نموذج YOLOv9 في الاحتفاظ بمعلومات مهمة أثناء معالجة البيانات عبر طبقاته، مما يؤدي إلى نتائج أكثر دقة. وفي الوقت نفسه، تعمل GELAN على تحسين كيفية استخدام النموذج لطبقاته، مما يعزز الأداء والكفاءة الحسابية. بفضل هذه الترقيات، يمكن لـ YOLOv9 التعامل مع المهام في الوقت الفعلي على أجهزة الحافة وتطبيقات الهاتف المحمول، حيث غالباً ما تكون موارد الحوسبة محدودة.

الشكل 2. فهم كيفية تحسين GELAN لدقة YOLOv9.

Link to this sectionالميزات الرئيسية لـ YOLOv9#

إليك لمحة عن بعض الميزات الرئيسية الأخرى لـ YOLOv9:

• دقة عالية مع كفاءة: يوفر YOLOv9 دقة اكتشاف عالية دون استهلاك الكثير من طاقة الحوسبة، مما يجعله خياراً رائعاً عندما تكون الموارد محدودة.
• نماذج خفيفة الوزن: تم تحسين متغيرات نموذج YOLOv9 خفيفة الوزن لنشرها على أجهزة الحافة والهواتف المحمولة.
• سهل الاستخدام: يتم دعم YOLOv9 بواسطة حزمة Ultralytics Python، لذا من البسيط إعداده وتشغيله في بيئات مختلفة، سواء كنت تستخدم الكود أو سطر الأوامر.

Link to this sectionيُمكّن YOLOv10 اكتشاف الأشياء بدون NMS#

تم تقديم YOLOv10 في 23 مايو 2024، بواسطة باحثين من جامعة تسينغهوا ويركز على اكتشاف الأشياء في الوقت الفعلي. وهو يعالج القيود في إصدارات YOLO السابقة عن طريق إزالة الحاجة إلى خوارزمية كبت غير الحد الأقصى (NMS)، وهي خطوة معالجة لاحقة تُستخدم للتخلص من الاكتشافات المكررة، وتحسين تصميم النموذج العام. ينتج عن ذلك اكتشاف أسرع وأكثر كفاءة للأشياء، مع تحقيق دقة متطورة.

جزء حيوي مما يجعل هذا ممكناً هو أسلوب تدريب يُعرف بتعيينات التسمية المزدوجة المتسقة. فهو يجمع بين استراتيجيتين: واحدة تسمح لتنبؤات متعددة بالتعلم من نفس الكائن (من واحد إلى متعدد) وأخرى تركز على اختيار أفضل تنبؤ فردي (من واحد إلى واحد). نظراً لأن كلتا الاستراتيجيتين تتبعان نفس قواعد المطابقة، يتعلم النموذج تجنب التكرارات من تلقاء نفسه، لذا لا يلزم وجود NMS.

الشكل 3. يستخدم YOLOv10 تعيينات التسمية المزدوجة المتسقة للتدريب بدون NMS.

تستخدم بنية YOLOv10 أيضاً هيكل CSPNet محسّناً لتعلم الميزات بشكل أكثر فعالية وعنق شبكة PAN (شبكة تجميع المسار) الذي يجمع المعلومات من طبقات مختلفة، مما يجعله أفضل في اكتشاف الأشياء الصغيرة والكبيرة على حد سواء. تجعل هذه التحسينات من الممكن استخدام YOLOv10 للتطبيقات الواقعية في التصنيع وتجارة التجزئة والقيادة الذاتية.

Link to this sectionالميزات الرئيسية لـ YOLOv10#

إليك بعض الميزات البارزة الأخرى لـ YOLOv10:

• التلافيف ذات النواة الكبيرة: يستخدم النموذج تلافيفاً ذات نواة كبيرة لالتقاط المزيد من السياق من مساحات أوسع في الصورة، مما يساعده على فهم المشهد العام بشكل أفضل.

• وحدات الانتباه الذاتي الجزئي: يدمج النموذج وحدات انتباه ذاتي جزئي للتركيز على أهم أجزاء الصورة دون استخدام الكثير من طاقة الحوسبة، مما يعزز الأداء بكفاءة.

• متغير نموذج فريد: إلى جانب أحجام YOLOv10 المعتادة - Nano وSmall وMedium وLarge وX - يوجد أيضاً إصدار خاص يسمى YOLOv10b (Balanced). إنه نموذج أوسع، مما يعني أنه يعالج المزيد من الميزات 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.

Link to this sectionUltralytics YOLO11: سرعة ودقة محسنتان#

هذا العام، في 30 سبتمبر، أطلقت Ultralytics رسمياً YOLO11 - أحد أحدث النماذج في سلسلة YOLO - في حدثها الهجين السنوي، YOLO Vision 2024 (YV24).

قدم هذا الإصدار تحسينات كبيرة مقارنة بالإصدارات السابقة. YOLO11 أسرع وأكثر دقة وفعالية عالية. وهو يدعم النطاق الكامل لـ مهام الرؤية الحاسوبية التي اعتاد عليها مستخدمو YOLOv8، بما في ذلك اكتشاف الأشياء، وتجزئة المثيلات، وتصنيف الصور. كما أنه يحافظ على التوافق مع سير عمل YOLOv8، مما يسهل على المستخدمين الانتقال بسلاسة إلى الإصدار الجديد.

علاوة على ذلك، تم تصميم YOLO11 لتلبية مجموعة واسعة من احتياجات الحوسبة - من أجهزة الحافة خفيفة الوزن إلى أنظمة السحابة القوية. النموذج متاح في إصدارات مفتوحة المصدر وللمؤسسات، مما يجعله قابلاً للتكيف مع حالات الاستخدام المختلفة.

إنه خيار رائع للمهام الدقيقة مثل التصوير الطبي والاكتشاف عبر الأقمار الصناعية، بالإضافة إلى تطبيقات أوسع في المركبات ذاتية القيادة والزراعة والرعاية الصحية.

الشكل 4. استخدام Ultralytics YOLO11 لاكتشاف وإحصاء وتتبع حركة المرور.

Link to this sectionالميزات الرئيسية لـ YOLO11#

إليك بعض الميزات الفريدة الأخرى لـ YOLO11:

• اكتشاف سريع وفعال: يتميز YOLO11 برأس اكتشاف مصمم للحد الأدنى من زمن الاستجابة، مع التركيز على السرعة في طبقات التنبؤ النهائية دون المساس بالأداء.
• استخراج ميزات محسّن: تعمل بنية الهيكل والعنق المحسنة على تحسين استخراج الميزات، مما يؤدي إلى تنبؤات أكثر دقة.
• نشر سلس عبر المنصات: تم تحسين YOLO11 ليعمل بكفاءة على أجهزة الحافة ومنصات السحابة ووحدات معالجة الرسومات من NVIDIA، مما يضمن القدرة على التكيف عبر بيئات مختلفة.

Link to this sectionقياس أداء نماذج YOLO على مجموعة بيانات COCO#

عند استكشاف نماذج مختلفة، ليس من السهل دائماً مقارنتها بمجرد النظر إلى ميزاتها. هذا هو المكان الذي يأتي فيه قياس الأداء. من خلال تشغيل جميع النماذج على نفس مجموعة البيانات، يمكننا قياس ومقارنة أدائها بشكل موضوعي. دعونا نلقي نظرة على كيفية أداء كل نموذج على مجموعة بيانات COCO.

عند مقارنة نماذج YOLO، يجلب كل إصدار جديد تحسينات ملحوظة فيما يتعلق بالدقة والسرعة والمرونة. على وجه الخصوص، يحقق YOLO11m قفزة هنا لأنه يستخدم معاملات أقل بنسبة 22% من YOLOv8m، مما يعني أنه أخف وأسرع في التشغيل. أيضاً، على الرغم من حجمه الأصغر، فإنه يحقق متوسط دقة (mAP) أعلى على مجموعة بيانات COCO. يقيس هذا المقياس مدى جودة اكتشاف النموذج للأشياء وتحديد موقعها، لذا فإن mAP أعلى يعني تنبؤات أكثر دقة.

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

Link to this sectionاختبار ومقارنة نماذج YOLO على فيديو#

دعونا نستكشف أداء هذه النماذج في موقف واقعي.

للمقارنة بين YOLOv8 وYOLOv9 وYOLOv10 وYOLO11، تم تشغيل النماذج الأربعة جميعها على نفس فيديو حركة المرور باستخدام درجة ثقة 0.3 (يعرض النموذج الاكتشافات فقط عندما يكون واثقاً بنسبة 30% على الأقل من أنه حدد كائناً بشكل صحيح) وحجم صورة 640 لتقييم عادل. سلطت نتائج اكتشاف الأشياء وتتبعها الضوء على الاختلافات الرئيسية في دقة الاكتشاف والسرعة والدقة.

من الإطار الأول، التقط YOLO11 المركبات الكبيرة مثل الشاحنات التي فاتتها YOLOv10. أظهر YOLOv8 وYOLOv9 أداءً جيداً ولكن متفاوتاً اعتماداً على ظروف الإضاءة وحجم الكائن. ظلت المركبات الأصغر والبعيدة تمثل تحدياً عبر جميع النماذج، على الرغم من أن YOLO11 أظهر تحسينات ملحوظة في تلك الاكتشافات أيضاً.

الشكل 6. مقارنة بين YOLOv8 وYOLOv9 وYOLOv10 وYOLO11.

من حيث السرعة، عملت جميع النماذج بين 10 و20 مللي ثانية لكل إطار، وهي سرعة كافية للتعامل مع المهام في الوقت الفعلي بأكثر من 50 إطاراً في الثانية. من ناحية، قدم YOLOv8 وYOLOv9 اكتشافات ثابتة وموثوقة طوال الفيديو. ومن المثير للاهتمام أن YOLOv10، المصمم لزمن استجابة أقل، كان أسرع ولكنه أظهر بعض التناقضات في اكتشاف أنواع معينة من الكائنات.

من ناحية أخرى، برز YOLO11 بدقته، حيث قدم توازناً قوياً بين السرعة والدقة. على الرغم من أن أياً من النماذج لم يؤدِ بشكل مثالي في كل إطار، إلا أن المقارنة جنباً إلى جنب أظهرت بوضوح أن YOLO11 قدم أفضل أداء عام.

Link to this sectionأي نموذج YOLO هو الأفضل لمهام الرؤية الحاسوبية؟#

يعتمد اختيار نموذج لمشروع ما على متطلباته المحددة. على سبيل المثال، قد تعطي بعض التطبيقات الأولوية للسرعة، بينما قد يتطلب البعض الآخر دقة أعلى أو يواجه قيوداً في النشر تؤثر على القرار.

عامل مهم آخر هو نوع مهام الرؤية الحاسوبية التي تحتاج إلى معالجتها. إذا كنت تبحث عن مرونة أوسع عبر مهام مختلفة، فإن YOLOv8 وYOLO11 خيارات جيدة.

سواء اخترت YOLOv8 أو YOLO11 يعتمد حقاً على احتياجاتك. يعد YOLOv8 خياراً قوياً إذا كنت جديداً في الرؤية الحاسوبية وتقدر مجتمعاً أكبر، والمزيد من البرامج التعليمية، وتكاملات طرف ثالث واسعة النطاق.

من ناحية أخرى، إذا كنت تبحث عن أداء متطور مع دقة وسرعة أفضل، فإن YOLO11 هو الخيار الأفضل، على الرغم من أنه يأتي مع مجتمع أصغر وعدد أقل من التكاملات نظراً لكونه إصداراً أحدث.

Link to this sectionأبرز النقاط#

من Ultralytics YOLOv8 إلى Ultralytics YOLO11، يعكس تطور سلسلة نماذج YOLO دفعاً مستمراً نحو نماذج رؤية حاسوبية أكثر ذكاءً. يجلب كل إصدار من YOLO ترقيات ذات مغزى من حيث السرعة والدقة والإحكام.

مع استمرار تقدم الرؤية الحاسوبية، توفر هذه النماذج حلولاً موثوقة للتحديات الواقعية، من اكتشاف الأشياء إلى الأنظمة ذاتية القيادة. يُظهر التطوير المستمر لنماذج YOLO مدى التقدم الذي وصل إليه هذا المجال ومقدار ما يمكننا توقعه في المستقبل.

لمعرفة المزيد حول الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. اكتشف التطورات عبر الصناعات، من الرؤية بالذكاء الاصطناعي في التصنيع إلى الرؤية الحاسوبية في الرعاية الصحية. تحقق من خيارات الترخيص لدينا لبدء مشاريع الرؤية بالذكاء الاصطناعي الخاصة بك اليوم.