مقارنة Ultralytics YOLO11 بالنماذج السابقة من YOLO

من أتمتة المهام اليومية إلى المساعدة في اتخاذ قرارات مستنيرة في الوقت الفعلي، يعمل الذكاء الاصطناعي على إعادة صياغة مستقبل مختلف الصناعات. أحد المجالات المثيرة للاهتمام بشكل خاص في مجال الذكاء الاصطناعي هو computer vision، المعروف أيضاً باسم رؤية الذكاء الاصطناعي. وهو يركز على تمكين الآلات من تحليل البيانات المرئية وتفسيرها تماماً مثلما يفعل البشر.

على وجه التحديد، تقود computer vision models ابتكارات تعزز الأمان والكفاءة على حد سواء. على سبيل المثال، تُستخدم هذه النماذج في السيارات ذاتية القيادة لاكتشاف المشاة وفي كاميرات المراقبة لمراقبة الأماكن 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، وتحديد الهيئة، وتتبع الأجسام المتعددة، بدقة وسرعة أفضل من أي وقت مضى.

في هذه المقالة، سنقوم بمقارنة Ultralytics YOLOv8، وYOLOv9، وYOLOv10، وUltralytics YOLO11 للحصول على فكرة أفضل حول كيفية تطور هذه النماذج. سنقوم بتحليل ميزاتها الرئيسية، ونتائج معايير الأداء، واختلافات الأداء. لنبدأ!

نظرة 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.

بالتجاوز عن object detection، فهو يدعم أيضاً مهام رؤية الكمبيوتر التالية: تجزئة المثيلات، وتقدير وضعية الجسم، واكتشاف الكائنات بالمربعات المحيطة الموجهة (OBB)، وتصنيف الصور. ميزة أخرى مهمة لنموذج Ultralytics YOLOv8 هي توفره بخمسة متغيّرات مختلفة للنموذج - وهي Nano، وSmall، وMedium، وLarge، وX - بحيث يمكنك اختيار التوازن المناسب بين السرعة والدقة بناءً على احتياجاتك.

نظراً لتعدد استخداماته وأدائه القوي، يمكن استخدام Ultralytics YOLOv8 في العديد من التطبيقات الواقعية، مثل أنظمة الأمان، والمدن الذكية، والرعاية الصحية، والتمثيل الصناعي الآلي.

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

الميزات الرئيسية لنموذج Ultralytics YOLOv8#

إليك نظرة عن كثب على بعض الميزات الرئيسية الأخرى في Ultralytics YOLOv8:

• بنية اكتشاف محسنة: يستخدم Ultralytics YOLOv8 هيكل CSPDarknet محسناً. تم تحسين هذا الهيكل لاستخراج الميزات - وهي عملية تحديد التقاط الأنماط أو التفاصيل المهمة من صور الإدخال والتي تساعد النموذج في إجراء تنبؤات دقيقة.
• رأس الاكتشاف: يستخدم تصميماً مفصولاً وخالياً من anchor-free، مما يعني أنه لا يعتمد على أشكال مربعات الإحاطة المسبقة (المرساة) وبدلاً من ذلك يتعلم التنبؤ بمواقع الأجسام مباشرةً. ونظراً للإعداد المفصول، تتم معالجة مهام تصنيف ماهية الجسم 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.
• سهولة الاستخدام: تم تصميم YOLOv8 ليكون من السهل البدء به - يمكنك البدء في التنبؤ ورؤية النتائج في غضون بضع دقائق فقط باستخدام Ultralytics Python package.

يركز YOLOv9 على الكفاءة الحسابية#

تم إصدار YOLOv9 في 21 فبراير 2024 بواسطة تشين-ياو وانغ و هونغ-يوآن مارك لياو من معهد علوم المعلومات، أكاديمية سينيكا، تايوان. وهو يدعم مهام مثل اكتشاف الأجسام وinstance segmentation.

يبني هذا النموذج على Ultralytics YOLOv5 ويقدم ابتزازين 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.

Fig 2. فهم كيف تحسن GELAN دقة YOLOv9.

الميزات 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.

يُمكّن 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.

Fig 3. يستخدم YOLOv10 تعيينات التسمية المزدوجة المتسقة للتدريب الخالي من 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.

الميزات 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.

Ultralytics YOLO11: سرعة ودقة محسنتان#

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

قدم هذا الإصدار تحسينات كبيرة مقارنة بالإصدارات السابقة. يتميز Ultralytics YOLO11 بأنه أسرع وأكثر دقة وعالي الكفاءة. وهو يدعم النطاق الكامل لـ computer vision tasks التي اعتاد عليها مستخدمو YOLOv8، بما في ذلك كشف الكائنات، وتجزئة النماذج، وتصنيف الصور. كما أنه يحافظ على التوافق مع سير عمل YOLOv8، مما يسهل على المستخدمين الانتقال بسلاسة إلى الإصدار الجديد.

إلى جانب ذلك، تم تصميم Ultralytics YOLO11 لتلبية مجموعة واسعة من الاحتياجات الحوسبية - بدءاً من الأجهزة الطرفية خفيفة الوزن وصولاً إلى أنظمة السحابة القوية. يتوفر النموذج كنسختين مفتوحة المصدر وللشركات، 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.

الميزات الرئيسية لنموذج Ultralytics YOLO11#

إليك بعض الميزات الفريدة الأخرى لـ Ultralytics YOLO11:

• اكتشاف سريع وفعال: يتميز Ultralytics YOLO11 برأس اكتشاف مصمم لتقليل زمن الانتقال إلى الحد الأدنى، مع التركيز على السرعة في طبقات التنبؤ النهائية دون المساومة على الأداء.
• استخراج ميزات محسّن: تعمل بنية الهيكل والعنق المحسنة على تحسين استخراج الميزات، مما يؤدي إلى تنبؤات أكثر دقة.
• نشر سلس عبر منصات مختلفة: تم تحسين Ultralytics YOLO11 للعمل بكفاءة على الأجهزة الطرفية، والمنصات السحابية، ووحدات معالجة الرسومات من NVIDIA، مما يضمن القابلية للتكيف عبر بيئات مختلفة.

قياس أداء نماذج YOLO على مجموعة بيانات COCO#

عند استكشاف نماذج مختلفة، ليس من السهل دائماً compare بينها مجرد النظر إلى ميزاتها. وهنا يأتي دور مقارنة الأداء (Benchmarking). من خلال تشغيل جميع النماذج على نفس مجموعة البيانات، يمكننا قياس ومقارنة أقرانها بموضوعية. دعنا نلقي نظرة على أداء كل نموذج على COCO dataset.

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.

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

اختبار ومقارنة نماذج YOLO على فيديو#

دعونا نستكشف أداء هذه النماذج في موقف واقعي.

لمقارنة YOLOv8, YOLOv9, YOLOv10, and YOLO11, تم تشغيل الأربعة على نفس فيديو حركة المرور باستخدام درجة ثقة 0.3 (يعرض النموذج الاكتشافات فقط عندما يكون واثقاً بنسبة 30% على الأقل من أنه حدد جسماً ما بشكل صحيح) وحجم صورة 640 من أجل التقييم العادل. سلطت نتائج اكتشاف الأجسام 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.

Fig 6. مقارنة YOLOv8، وYOLOv9، وYOLOv10، وYOLO11.

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

من ناحية أخرى، برز Ultralytics YOLO11 بدقته، مما يوفر توازناً قوياً بين السرعة وaccuracy. على الرغم من أن أياً من النماذج لم يعمل بشكل مثالي في كل إطار، إلا أن المقارنة جنباً إلى جنب أثبتت بوضوح أن YOLO11 قدم أفضل أداء عام.

أي 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، فإن الأمر يعتمد حقاً على احتياجاتك. يعتبر YOLOv8 خياراً قوياً إذا كنت جديداً في مجال الرؤية الحاسوبية وكنت تقدر مجتمعاً أكبر، والمزيد من البرامج التعليمية، والعديد من third-party integrations.

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

أبرز 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 GitHub repository وتفاعل مع our community. اكتشف التطورات عبر الصناعات، بدءاً من vision AI in manufacturing وحتى computer vision in healthcare. تحقق من licensing options الخاصة بنا لبدء مشاريع رؤية الذكاء الاصطناعي الخاصة بك اليوم.