بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
تُمكّن أنظمة الرؤية الحاسوبية المتطورة، التي غالبًا ما تعتمد على الشبكات العصبية التلافيفية (CNN)، الآلات من تحليل وتفسير البيانات المرئية المستمدة من الصور ومقاطع الفيديو، ويجري حاليًا نشرها في مجموعة واسعة من البيئات.
من الزراعة إلى التصنيع والتجزئة، تعمل هذه الأنظمة عبر مجموعة متنوعة من بيئات النشر، بما في ذلك الأجهزة الطرفية، والأجهزة المدمجة، وأجهزة إنترنت الأشياء (IoT)، والمعالجة على الجهاز، وخطوط الأنابيب السحابية واسعة النطاق التي تدعم التطبيقات في الوقت الفعلي.
في الاستخدام العملي، لا يكون نشر هذه النماذج أمراً سهلاً دائماً. فغالباً ما يتعين تشغيلها باستخدام موارد حوسبة محدودة، والوفاء بمتطلبات زمن الاستجابة الصارمة، والتوسع دون زيادة كبيرة في التكاليف. وتجعل هذه القيود الأداء مشكلة متعددة الأبعاد، بدلاً من أن تقتصر على الدقة وحدها.
ورغم أن الدقة لا تزال مهمة، فإنه من المهم بنفس القدر أن يعمل النموذج بكفاءة في بيئة الإنتاج. وتلعب عوامل مثل السرعة واستخدام الموارد وقابلية التوسع دورًا كبيرًا في مدى جودة أداء النظام على المدى الطويل.
لقد تطورت نماذج الرؤية الحاسوبية، مثل YOLO Ultralytics مع مراعاة هذا التوازن. على سبيل المثال، Ultralytics YOLOv8 أرسى أساسًا قويًا ومتعدد الاستخدامات، Ultralytics YOLO11 خطوة إلى الأمام من خلال تحسين السرعة والدقة، ويستفيد Ultralytics من ذلك ليكون أخف وزناً وأسرع وأكثر كفاءة من أي وقت مضى.
الشكل 1. استخدام Ultralytics detect في الصورة (المصدر)
في هذا المقال، سنقارن YOLO11 نماذج Ultralytics YOLO11 YOLOv8 اختيار النموذج المناسب لمشروع الرؤية الحاسوبية الخاص بك. هيا بنا نبدأ!
فهم كيفية تطورYOLO Ultralytics
أدخلت كل نسخة جديدة منYOLO Ultralytics تحسينات تهدف إلى تلبية متطلبات العالم الواقعي بشكل أفضل وجعل الرؤية الحاسوبية في متناول الجميع. وقد أدت هذه التحديثات إلى جعل النماذج أسرع وأكثر كفاءة وأسهل في النشر، مما يدعم نمو منظومة الذكاء الاصطناعي في مجال الرؤية.
كما أنها مبنية على PyTorch مما يجعلها سهلة التدريب والتخصيص والدمج في سير عمل التعلم الآلي الذكي. وتتوفرYOLO Ultralytics YOLO جاهزة للاستخدام كنماذج مدربة مسبقًا، وغالبًا ما يتم تدريبها على مجموعات بيانات مثل COCO ، مما يتيح للفرق البدء بسرعة وضبطها لتناسب حالات استخدام محددة.
بالإضافة إلى ذلك، تُسهّل Python Ultralytics Python عملية النشر من خلال توفير دعم مدمج لتصدير النماذج إلى صيغ مثل ONNX TensorRT. وهذا يسهّل دمج النماذج عبر منصات الأجهزة المختلفة، بدءًا من الأجهزة الطرفية وصولاً إلى الأنظمة GPU.
الانتقال من Ultralytics YOLOv5 Ultralytics
أولYOLO Ultralytics ، Ultralytics YOLOv5، اكتسب شهرة واسعة بفضل قدراته الموثوقة في اكتشاف الأجسام. وبفضل اعتماده على نهج اكتشاف أحادي المرحلة، فقد أتاح إجراء تنبؤات سريعة في الوقت الفعلي في مسار واحد، مما جعله مناسبًا تمامًا لسير عمل الإنتاج.
أدخلت التحديثات اللاحقة نسخًا خالية من النقاط المرجعية، حيث يتنبأ النموذج بمواقع الكائنات مباشرةً بدلاً من استخدام مربعات مرجعية محددة مسبقًا، مما يجعل عملية الكشف أكثر مرونة. ومع ذلك، ظل النموذج الأصلي يركز بشكل أساسي على مهام الكشف عن الكائنات.
وبناءً على هذا الأساس، YOLOv8 نطاق عائلة النماذج. فبدلاً من التركيز على اكتشاف الكائنات فقط، أضاف دعمًا لمهام متعددة في مجال الرؤية الحاسوبية، مثل تجزئة الكائنات، وتصنيف الصور، وتقدير الوضع، واكتشاف الصناديق المحيطة الموجهة (OBB). كما أدخل تحسينات على البنية، بما في ذلك تصميمات متطورة للهيكل الأساسي و"العنق"، مما عزز استخراج الميزات وأداء الاكتشاف بشكل عام.
علاوة على ذلك، أتاحت المتغيرات مثل YOLOv8n Nano) YOLOv8s Small) YOLOv8m Medium) YOLOv8l Large) YOLOv8x Extra Large) للمطورين المرونة اللازمة لتحقيق التوازن بين السرعة والدقة واستخدام الموارد وفقًا لاحتياجاتهم. هذه القدرة الأوسع نطاقًا، إلى جانب سهولة الاستخدام، جعلت منها الخيار المفضل لمجموعة واسعة من تطبيقات الرؤية.
الشكل 2. تدعم YOLO مثل YOLOv8 YOLO11 وYOLO26 مجموعة متنوعة من مهام الرؤية.
وعلى إثر ذلك، YOLO11 على تحسين الأداء في سير العمل الفعلي، حيث حققت دقة أعلى إلى جانب سرعات استدلال أسرع. وبفضل بنيتها الأكثر خفة، تعمل هذه الخوارزمية بكفاءة في كل من بيئات الحافة والسحابة، مع التوافق مع YOLOv8 الحالية.
يُعد «YOLO26»، أحدث إضافة إلى عائلةYOLO Ultralytics نموذجًا متطورًا يضع معيارًا جديدًا في مجال الذكاء الاصطناعي للرؤية الذي يعتمد على الحافة أولاً، حيث يقدم نهجًا أخف وزنًا وأسرع وأكثر كفاءة للنشر في بيئات العمل الفعلية. وقد صُمم هذا النموذج ليعمل بكفاءة على وحدات المعالجة المركزية (CPU) والأنظمة المدمجة، مع تبسيط عملية النشر وتحسين الأداء في الوقت الفعلي عبر مجموعة واسعة من التطبيقات.
مقارنة بين YOLO26 و YOLO11 YOLOv8
عند العمل على مشاريع الرؤية الحاسوبية، قد تصادف Ultralytics مختلفة Ultralytics وتتساءل أيها الأنسب لمشروعك. دعونا نستعرض YOLOv8 بين YOLO26 YOLO11 YOLOv8 في سيناريوهات واقعية.
YOLOv8 إصدار YOLOv8 في عام 2023، وقد استخدمه مجتمع الرؤية الحاسوبية على نطاق واسع منذ ذلك الحين. وقد جعله الدعم القوي من المجتمع وسهولة استخدامه النموذج المفضل للعديد من الفرق في الماضي. إذا كنت تبحث عن نموذج موثق جيدًا ويحتوي على مجموعة واسعة من الدروس التعليمية والأدلة والموارد المجتمعية، YOLOv8 نقطة انطلاق رائعة.
في عام 2024، YOLO11 طرح YOLO11 مع تحسينات في كل من الأداء والكفاءة. ويوفر هذا النموذج سرعة ودقة أفضل مقارنةً YOLOv8، مع الحفاظ على بنية أصغر حجماً وأكثر تحسيناً. وهو نموذج أكثر توازناً يقدم أداءً موثوقاً به في بيئات الإنتاج دون زيادة كبيرة في استهلاك الموارد.
تم إطلاق الإصدار YOLO26 هذا العام باعتباره أحدث نسخة من البرنامج، مع التركيز على كفاءة النشر على نطاق واسع. ويوفر هذا الإصدار CPU أسرع CPU واستخدامًا محسّنًا للموارد، مما يتيح للفرق تشغيل المزيد من أحمال العمل على نفس الأجهزة.
على سبيل المثال، يمكن لنموذج YOLO26 nano تحقيق سرعة استدلال تصل إلى 43% أسرع من YOLO11 وحدات المعالجة المركزية (CPU)، مما يجعله خيارًا ممتازًا للبيئات الطرفية والبيئات ذات الموارد المحدودة. ويعد هذا أمرًا بالغ الأهمية بشكل خاص لأن الإعدادات التقليدية غالبًا ما تعتمد بشكل كبير على وحدات معالجة الرسومات (GPU)، والتي قد تكون مكلفة ويصعب توسيع نطاقها.
الشكل 3. مقارنة أداء YOLO26 على وحدات المعالجة المركزية (المصدر)
بشكل عام، يُعد YOLO26 خيارًا ممتازًا للفرق والأفراد الذين يسعون إلى تحقيق التوازن الأمثل بين الأداء والتكلفة وقابلية التوسع.
نظرة عن قرب على Ultralytics
يُعد YOLO26 نموذجًا متطورًا مصممًا للاستخدام في التطبيقات العملية، حيث تُعد الكفاءة والسرعة وقابلية التوسع أمورًا لا تقل أهمية عن الدقة. وبدلاً من التركيز فقط على تحسين الأداء في اختبارات القياس المعيارية، يُدخل هذا النموذج تغييرات على مستوى البنية والتدريب تجعل النماذج أسهل في التشغيل وأسرع في النشر وأكثر موثوقية عبر بيئات الأجهزة المختلفة.
تكتسب هذه التحسينات أهمية خاصة بالنسبة لأنظمة الحافة وأنظمة الإنتاج، حيث تلعب محدودية القدرات الحاسوبية وقيود زمن الاستجابة واعتبارات التكلفة دوراً رئيسياً. ومن خلال تبسيط عملية الاستدلال وتحسين الأداء، يتيح YOLO26 لعشاق الذكاء الاصطناعي إنشاء تطبيقات الرؤية وتوسيع نطاقها بشكل أكثر كفاءة.
فيما يلي نظرة عن قرب على بعض الميزات الرئيسية لـ YOLO26:
استدلال شامل NMS: أحد التغييرات الجوهرية هو تصميمه الخالي من تقنية Non-Maximum Suppression (NMS)، مما يلغي الحاجة إلى المعالجة اللاحقة. وبعبارة بسيطة، ينتج النموذج التنبؤات النهائية مباشرةً. ونتيجة لذلك، يصبح زمن الاستجابة أكثر قابلية للتنبؤ، ويصبح النشر أسهل.
إزالة DFL: يتخلى YOLO26 عن وحدة "خسارة التركيز التوزيعي" (DFL) ويتجه نحو نهج أبسط للتنبؤ بالمربعات المحيطة. ويتماشى هذا التغيير مع تصميمه الشامل NMS مما يقلل من تعقيد مسار المعالجة ويحسن اتساق النشر.
محسّن MuSGD: تُقدمأحدث YOLO Ultralytics تقنية MuSGD، وهي محسّن هجين يجمع بين طريقة الانحدار العشوائي (SGD) والتحديثات المستوحاة من جسيمات الميون. ويؤدي ذلك إلى تحسين استقرار التدريب والتقارب، مما ينتج عنه تحسين أكثر سلاسة وسلوك أكثر اتساقًا عبر أحجام النماذج المختلفة.
ProgLoss و STAL: تساهم هاتان التقنيتان المبتكرتان في التدريب، وهما «موازنة الخسارة التدريجية» (ProgLoss) و«تخصيص العلامات مع مراعاة الأهداف الصغيرة» (STAL)، في جعل النموذج أكثر استقرارًا وموثوقية. تساعد تقنية ProgLoss النموذج على التعلم من مجموعات البيانات على مراحل مع مرور الوقت، بينما تضمن تقنية STAL عدم تجاهل الأجسام الصغيرة أثناء التدريب، مما يحسّن من دقة الكشف في المشاهد المعقدة.
الدقة مقابل الكفاءة: ما وراء المعايير القياسية إلى الأداء الفعلي
YOLOv8 الفروق بين YOLO26 YOLO11 YOLOv8 دعونا نتعرف بشكل أفضل على العوامل التي تؤثر على أداء النموذج في الاستخدام العملي.
لطالما كانت الدقة، التي تُقاس غالبًا بمؤشرات الأداء مثل متوسط الدقة (mAP)، وسيلة مهمة لتقييم نماذج الرؤية الحاسوبية. فهي تُظهر مدى جودة أداء النموذج في ظل ظروف موحدة، وتُعد مفيدة عند مقارنة الإصدارات المختلفة.
ومع ذلك، بمجرد انتقال النماذج من مرحلة الاختبار إلى مرحلة النشر الفعلي، لا تكفي الدقة وحدها. فأداء الإنتاج يعتمد على عوامل مثل حجم النموذج، ووقت الاستدلال أو زمن الاستجابة، واستخدام الموارد الحاسوبية، ومدى قدرة النظام على التوسع عبر بيئات مختلفة.
على عكس الاختبارات القياسية الخاضعة للرقابة، غالبًا ما تكون البيئات الواقعية غير متوقعة. فقد تتغير ظروف الإضاءة، وقد تكون الأجسام مرئية جزئيًا، ويمكن أن تختلف بيانات الإدخال بشكل كبير عما تم تدريب النموذج عليه. وقد تؤثر هذه الاختلافات على مدى ثبات أداء النموذج في الممارسة العملية.
الشكل 4. مثال على استخدام YOLO26 في بيئة غير متوقعة، مثل موقع بناء.
على سبيل المثال، لنفترض وجود نظام يضم مئات الكاميرات في مدينة ذكية أو متجر بيع بالتجزئة أو مستودع. يجب معالجة كل دفق في الوقت الفعلي، وهو ما يتطلب غالبًا معدلات إطارات ثابتة (إطارات في الثانية، أو FPS) لتجنب التأخير أو فقدان الإطارات.
يمكن للنموذج الأقل كفاءة معالجة عدد أقل من التدفقات المتزامنة على نظام معين، مما يعني أن التوسع يتطلب عادةً أجهزة إضافية ويزيد من تكاليف البنية التحتية.
يمكن للنماذج الأكثر كفاءة، مثل YOLO26، معالجة المزيد من التدفقات على نفس الأجهزة، مما يتيح الاستفادة بشكل أفضل من الموارد المتاحة. وهذا يحسّن كفاءة النظام بشكل عام وييسر توسيع نطاق عمليات النشر بمرور الوقت.
تطورت سلسلةYOLO Ultralytics YOLO لتتوافق بشكل أفضل مع احتياجات النشر في العالم الواقعي. ويستند كل إصدار إلى الإصدار الذي سبقه، مع تركيز متزايد على الكفاءة وقابلية التوسع وسهولة النشر. بعبارة أخرى، إذا كنت تعمل على تطوير تطبيق للكشف في الوقت الفعلي يحتاج إلى العمل بشكل موثوق على نطاق واسع، فإن Ultralytics هو الخيار الأمثل.
