مقارنة Ultralytics YOLO11 بنماذج YOLO السابقة

من أتمتة المهام اليومية إلى المساعدة على اتخاذ قرارات مستنيرة في الوقت الفعلي، يعيد الذكاء الاصطناعي (AI) تشكيل مستقبل قطاعات متنوعة. ومن المجالات المثيرة للاهتمام على نحو خاص في الذكاء الاصطناعي الرؤية الحاسوبية، المعروفة أيضًا بالذكاء الاصطناعي البصري. وتركز على تمكين الآلات من تحليل البيانات المرئية وتفسيرها كما يفعل البشر.

وعلى وجه التحديد، تقود نماذج الرؤية الحاسوبية ابتكارات تعزز السلامة والكفاءة معًا. فعلى سبيل المثال، تُستخدم هذه النماذج في السيارات ذاتية القيادة لاكتشاف المشاة، وفي كاميرات الأمن لمراقبة المنشآت على مدار الساعة.

تُعد نماذج YOLO (انظر مرة واحدة فقط) من أشهر نماذج الرؤية الحاسوبية، وهي معروفة بقدراتها على اكتشاف الكائنات في الوقت الفعلي. وقد تطورت نماذج YOLO بمرور الوقت، إذ قدم كل إصدار جديد أداءً أفضل ومرونة أكبر.

تستطيع الإصدارات الأحدث مثل Ultralytics YOLO11 تنفيذ مهام متنوعة، مثل تجزئة الكائنات، وتصنيف الصور، وتقدير الوضعيات، وتتبع كائنات متعددة، بدقة وسرعة وإحكام أفضل من أي وقت مضى.

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

نظرة عامة على Ultralytics YOLOv8#

كان YOLOv8، الذي أطلقته Ultralytics في 10 يناير 2023، خطوة كبيرة إلى الأمام مقارنةً بنماذج YOLO السابقة. وقد حُسّن لتحقيق اكتشاف دقيق في الوقت الفعلي، جامعًا بين أساليب مجرّبة وتحديثات مبتكرة لتحسين النتائج.

إلى جانب اكتشاف الكائنات، يدعم أيضًا مهام الرؤية الحاسوبية التالية: تجزئة الكائنات، وتقدير الوضعيات، واكتشاف الكائنات باستخدام مربعات الإحاطة الموجّهة (OBB)، وتصنيف الصور. ومن الميزات المهمة الأخرى في Ultralytics YOLOv8 توفره بخمسة إصدارات مختلفة من النماذج: Nano وSmall وMedium وLarge وX، ما يتيح لك اختيار التوازن المناسب بين السرعة والدقة وفقًا لاحتياجاتك.

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

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

الميزات الرئيسية لـ Ultralytics YOLOv8#

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

• بنية محسّنة للاكتشاف: يستخدم Ultralytics YOLOv8 العمود الفقري المحسّن CSPDarknet. وقد حُسّن هذا العمود الفقري لاستخراج السمات، وهي عملية تحديد الأنماط أو التفاصيل المهمة في صور الإدخال والتقاطها، بما يساعد النموذج على تقديم تنبؤات دقيقة.
• رأس الاكتشاف: يعتمد تصميمًا منفصلًا بلا مراسي، أي إنه لا يعتمد على أشكال محددة مسبقًا لمربعات الإحاطة (المراسي)، بل يتعلم التنبؤ بمواقع الكائنات مباشرةً. وبفضل هذا التصميم المنفصل، تُعالَج مهمتا تصنيف ماهية الكائن والتنبؤ بموقعه (الانحدار) كلٌّ على حدة، ما يساعد على تحسين الدقة وتسريع التدريب.
• موازنة الدقة والسرعة: يحقق هذا النموذج دقةً عالية مع الحفاظ على سرعة الاستدلال، ما يجعله مناسبًا للبيئات السحابية والبيئات الطرفية على حد سواء.
• سهولة الاستخدام: صُمم YOLOv8 ليكون سهل البدء؛ إذ يمكنك البدء بإجراء التنبؤات ومشاهدة النتائج خلال دقائق باستخدام حزمة Ultralytics لـ Python.

يركز YOLOv9 على الكفاءة الحاسوبية#

أُطلق YOLOv9 في 21 فبراير 2024 على يد Chien-Yao Wang وHong-Yuan Mark Liao من معهد علوم المعلومات في Academia Sinica، تايوان. وهو يدعم مهام مثل اكتشاف الكائنات وتجزئة الكائنات.

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

تساعد PGI نموذج YOLOv9 على الاحتفاظ بالمعلومات المهمة أثناء معالجة البيانات عبر طبقاته، ما يؤدي إلى نتائج أدق. وفي الوقت نفسه، تحسّن GELAN طريقة استخدام النموذج لطبقاته، فترفع الأداء والكفاءة الحاسوبية. وبفضل هذه التحسينات، يستطيع YOLOv9 تنفيذ مهام الوقت الفعلي على الأجهزة الطرفية وتطبيقات الهواتف المحمولة، حيث تكون موارد الحوسبة محدودة غالبًا.

الشكل 2. فهم كيفية تحسين GELAN لدقة YOLOv9.

الميزات الرئيسية لـ YOLOv9#

إليك لمحة عن بعض الميزات الرئيسية الأخرى لـ YOLOv9:

• دقة عالية بكفاءة: يحقق YOLOv9 دقة اكتشاف عالية دون استهلاك قدر كبير من قدرة الحوسبة، ما يجعله خيارًا ممتازًا عند محدودية الموارد.
• نماذج خفيفة الوزن: حُسّنت إصدارات YOLOv9 خفيفة الوزن للنشر على الأجهزة الطرفية والهواتف المحمولة.
• سهولة الاستخدام: تدعم حزمة Ultralytics لـ Python نموذج YOLOv9، لذا يسهل إعداده وتشغيله في بيئات مختلفة، سواء أكنت تستخدم التعليمات البرمجية أم سطر الأوامر.

يتيح YOLOv10 اكتشاف الكائنات دون NMS#

قدّم باحثون من جامعة تسينغهوا YOLOv10 في 23 مايو 2024، مع التركيز على اكتشاف الكائنات في الوقت الفعلي. ويعالج النموذج قيود إصدارات YOLO السابقة بإلغاء الحاجة إلى الكبت غير الأقصى (NMS)، وهي خطوة معالجة لاحقة تُستخدم لإزالة الاكتشافات المكررة، وتحسين التصميم العام للنموذج. وينتج عن ذلك اكتشاف أسرع وأكثر كفاءة للكائنات، مع الحفاظ على دقة تضاهي أحدث ما توصلت إليه التقنية.

ومن العوامل الأساسية التي تتيح ذلك نهج تدريبي يُعرف بإسناد التسميات المزدوجة المتسق. وهو يجمع بين استراتيجيتين: إحداهما تتيح لتنبؤات متعددة التعلم من الكائن نفسه (واحد إلى متعدد)، والأخرى تركز على اختيار أفضل تنبؤ واحد (واحد إلى واحد). وبما أن الاستراتيجيتين تتبعان قواعد المطابقة نفسها، يتعلم النموذج تجنب التكرارات تلقائيًا، لذا لا تكون هناك حاجة إلى NMS.

الشكل 3. يستخدم YOLOv10 إسناد التسميات المزدوجة المتسق للتدريب دون NMS.

تستخدم بنية YOLOv10 أيضًا عمودًا فقريًا محسّنًا من CSPNet لتعلّم السمات بفعالية أكبر، وعنق PAN (شبكة تجميع المسارات) يجمع المعلومات من طبقات مختلفة، ما يحسن قدرته على اكتشاف الكائنات الصغيرة والكبيرة على حد سواء. وتجعل هذه التحسينات استخدام YOLOv10 ممكنًا في تطبيقات واقعية ضمن التصنيع والتجزئة والقيادة الذاتية.

الميزات الرئيسية لـ YOLOv10#

إليك بعض الميزات البارزة الأخرى في YOLOv10:

• التفافات ذات نوى كبيرة: يستخدم النموذج التفافات ذات نوى كبيرة لالتقاط سياق أوسع من مناطق أكبر في الصورة، ما يساعده على فهم المشهد العام على نحو أفضل.

• وحدات الانتباه الذاتي الجزئي: يضم النموذج وحدات انتباه ذاتي جزئي للتركيز على أهم أجزاء الصورة دون استهلاك قدر كبير من قدرة الحوسبة، ما يعزز الأداء بكفاءة.

• إصدار فريد من النموذج: إلى جانب أحجام YOLOv10 المعتادة، وهي Nano وSmall وMedium وLarge وX، يتوفر أيضًا إصدار خاص يُسمى YOLOv10b (متوازن). وهو نموذج أعرض، أي إنه يعالج مزيدًا من السمات في كل طبقة، ما يساعد على تحسين الدقة مع الحفاظ على التوازن بين السرعة والحجم.

• سهولة الاستخدام: يتوافق YOLOv10 مع حزمة Ultralytics لـ Python، ما يجعله سهل الاستخدام.

Ultralytics YOLO11: سرعة ودقة محسّنتان#

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

قدّم هذا الإصدار تحسينات كبيرة مقارنةً بالإصدارات السابقة. إذ يتميز Ultralytics YOLO11 بسرعة أكبر ودقة أعلى وكفاءة عالية. ويدعم المجموعة الكاملة من مهام الرؤية الحاسوبية المألوفة لمستخدمي YOLOv8، بما في ذلك اكتشاف الكائنات وتجزئة الكائنات وتصنيف الصور. كما يحافظ على التوافق مع مسارات عمل YOLOv8، ما يسهّل على المستخدمين الانتقال بسلاسة إلى الإصدار الجديد.

وفوق ذلك، صُمم Ultralytics YOLO11 لتلبية مجموعة واسعة من احتياجات الحوسبة، من الأجهزة الطرفية خفيفة الوزن إلى الأنظمة السحابية القوية. ويتوفر النموذج بإصدار مفتوح المصدر وآخر للمؤسسات، ما يجعله قابلًا للتكيّف مع حالات استخدام مختلفة.

وهو خيار ممتاز للمهام الدقيقة مثل التصوير الطبي واكتشاف الأجسام في صور الأقمار الصناعية، فضلًا عن تطبيقات أوسع في المركبات ذاتية القيادة والزراعة والرعاية الصحية.

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

الميزات الرئيسية لـ Ultralytics YOLO11#

إليك بعض الميزات الفريدة الأخرى في Ultralytics YOLO11:

• اكتشاف سريع وفعّال: يتميز Ultralytics YOLO11 برأس اكتشاف مصمم لتحقيق أقل زمن استجابة، ويركز على السرعة في طبقات التنبؤ النهائية دون التضحية بالأداء.
• استخراج محسّن للسمات: تعزز بنية العمود الفقري والعنق المحسّنة استخراج السمات، ما يؤدي إلى تنبؤات أدق.
• نشر سلس عبر المنصات: حُسّن Ultralytics YOLO11 للعمل بكفاءة على الأجهزة الطرفية والمنصات السحابية ووحدات GPU من NVIDIA، ما يضمن قابليته للتكيّف مع بيئات مختلفة.

اختبار أداء نماذج YOLO على مجموعة بيانات COCO#

عند استكشاف نماذج مختلفة، لا يسهل دائمًا مقارنتها بمجرد النظر إلى ميزاتها. وهنا يأتي دور اختبار الأداء. فمن خلال تشغيل جميع النماذج على مجموعة البيانات نفسها، يمكننا قياس أدائها ومقارنته بموضوعية. لنلقِ نظرة على أداء كل نموذج على مجموعة بيانات COCO.

عند مقارنة نماذج YOLO، يقدم كل إصدار جديد تحسينات ملحوظة من حيث الدقة والسرعة والمرونة. وعلى وجه الخصوص، يحقق YOLO11m قفزة كبيرة، إذ يستخدم معلمات أقل بنسبة 22% من YOLOv8m، ما يعني أنه أخف وزنًا وأسرع في التشغيل. وعلى الرغم من حجمه الأصغر، فإنه يحقق أيضًا متوسط دقة أعلى (mAP) على مجموعة بيانات COCO. ويقيس هذا المقياس مدى جودة اكتشاف النموذج للكائنات وتحديد مواقعها، لذا تعني قيمة mAP الأعلى تنبؤات أدق.

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 نفسه لحركة المرور باستخدام درجة ثقة قدرها 0.3 (لا يعرض النموذج الاكتشافات إلا عندما تبلغ ثقته بصحة تحديد الكائن 30% على الأقل) وحجم صورة قدره 640 لضمان تقييم عادل. وأبرزت نتائج اكتشاف الكائنات وتتبعها فروقًا رئيسية في دقة الاكتشاف والسرعة والإحكام.

من الإطار الأول، رصد YOLO11 المركبات الكبيرة مثل الشاحنات التي لم يرصدها YOLOv10. وأظهر YOLOv8 وYOLOv9 أداءً جيدًا، لكنه تفاوت حسب ظروف الإضاءة وحجم الكائن. وظلت المركبات الصغيرة والبعيدة تمثل تحديًا لجميع النماذج، مع أن YOLO11 أظهر تحسنًا ملحوظًا في اكتشافها أيضًا.

الشكل 6. مقارنة YOLOv8 وYOLOv9 وYOLOv10 وYOLO11.

من حيث السرعة، عالجت جميع النماذج كل إطار في مدة تتراوح بين 10 و20 ميلي ثانية، وهي سرعة كافية لتنفيذ مهام الوقت الفعلي بمعدل يتجاوز 50 إطارًا في الثانية (FPS). فمن ناحية، قدم Ultralytics YOLOv8 وYOLOv9 اكتشافات مستقرة وموثوقة طوال مقطع الفيديو. ومن المثير للاهتمام أن YOLOv10، المصمم لخفض زمن الاستجابة، كان أسرع، لكنه أظهر بعض التفاوت في اكتشاف أنواع معينة من الكائنات.

أما Ultralytics YOLO11، فتميز بإحكامه، مقدمًا توازنًا قويًا بين السرعة والدقة. وعلى الرغم من أن أداء أي من النماذج لم يكن مثاليًا في كل إطار، فقد أوضحت المقارنة جنبًا إلى جنب أن YOLO11 قدم أفضل أداء إجمالي.

ما أفضل نموذج YOLO لمهام الرؤية الحاسوبية؟#

يعتمد اختيار نموذج للمشروع على متطلباته المحددة. فعلى سبيل المثال، قد تعطي بعض التطبيقات الأولوية للسرعة، في حين قد تتطلب تطبيقات أخرى دقة أعلى أو تواجه قيودًا تتعلق بالنشر تؤثر في القرار.

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

يعتمد اختيارك بين YOLOv8 وYOLO11 حقًا على احتياجاتك. ويُعد YOLOv8 خيارًا قويًا إذا كنت جديدًا في مجال الرؤية الحاسوبية وتقدّر وجود مجتمع أكبر ومزيد من الدروس التعليمية وتكاملات الجهات الخارجية على نطاق واسع.

أما إذا كنت تبحث عن أداء متطور بدقة وسرعة أفضل، فإن Ultralytics YOLO11 هو الخيار الأفضل، وإن كان مجتمعه أصغر وتكاملاته أقل لكونه إصدارًا أحدث.

أبرز النقاط#

من Ultralytics YOLOv8 إلى Ultralytics YOLO11، يعكس تطور سلسلة نماذج YOLO سعيًا متواصلًا نحو نماذج رؤية حاسوبية أكثر ذكاءً. ويقدم كل إصدار من YOLO تحسينات ملموسة من حيث السرعة والدقة والإحكام.

ومع استمرار تقدم الرؤية الحاسوبية، توفر هذه النماذج حلولًا موثوقة للتحديات الواقعية، بدءًا من اكتشاف الكائنات وصولًا إلى الأنظمة ذاتية التشغيل. ويُظهر التطوير المستمر لنماذج YOLO مدى التقدم الذي أحرزه هذا المجال، وما يمكن أن نتوقعه مستقبلًا.

لمعرفة المزيد عن الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واكتشف التطورات في مختلف القطاعات، من الذكاء الاصطناعي البصري في التصنيع إلى الرؤية الحاسوبية في الرعاية الصحية. وألقِ نظرة على خيارات الترخيص لبدء مشاريعك في الذكاء الاصطناعي البصري اليوم.