مقارنة إصدارات YOLO: من YOLOv1 إلى YOLOv8

دليل شامل حول تطور YOLO (You Only Look Once) عبر إصداراته المختلفة.

1. من YOLOv1 إلى YOLOv5

1.1 YOLOv1 (2015)

• الإصدار الأول من تطوير Joseph Redmon
• بنية بسيطة تضم 24 طبقة التفافية (convolution)
• القيود:
  • دقة ضعيفة في اكتشاف الأجسام الصغيرة
  • صعوبة في التعامل مع الأجسام المتقاربة
  • لا يدعم الكشف متعدد المقاييس

1.2 YOLOv2 (2016)

• تحسينات رئيسية:
  • Batch Normalization
  • Anchors boxes
  • Dimension clustering
  • Fine-grained features
  • Multi-scale training

1.3 YOLOv3 (2018)

• الخصائص الرئيسية:
  • الكشف متعدد المقاييس
  • Feature Pyramid Network (FPN)
  • معالجة أفضل للأجسام الصغيرة
  • دعم 80 فئة

1.4 YOLOv4 (2020)

• تحسينات مهمة:
  • Mosaic augmentation
  • CSP (Cross Stage Partial Network)
  • PANet
  • SAM (Spatial Attention Module)
  • دقة وسرعة أفضل

1.5 YOLOv5 (2020)

• طورتها شركة Ultralytics
• الخصائص:
  • Auto-learning bounding box anchors
  • Mosaic augmentation
  • Multi-scale training
  • دعم عدة أطر عمل (frameworks)

2. YOLOv6 وYOLOv7

2.1 YOLOv6 (2022)

• طورتها شركة Meituan
• التحسينات:
  • RepVGG backbone
  • CSPVoVNet neck
  • أداء أفضل على الأجهزة المحمولة
  • تحسين مرحلة الاستدلال (inference)

2.2 YOLOv7 (2022)

• طورها WongKinYiu
• الابتكارات:
  • E-ELAN (Extended Efficient Layer Aggregation Network)
  • Model scaling
  • Auxiliary head
  • دقة أفضل من YOLOv5

3. YOLOv8 (2023)

3.1 الخصائص الرئيسية

# Installation
pip install ultralytics

# Import
from ultralytics import YOLO

# Modèles disponibles
model_nano = YOLO('yolov8n.pt')    # Nano
model_small = YOLO('yolov8s.pt')   # Small
model_medium = YOLO('yolov8m.pt')  # Medium
model_large = YOLO('yolov8l.pt')   # Large
model_xlarge = YOLO('yolov8x.pt')  # XLarge

3.2 التحسينات

1. البنية

   • backbone جديد من نوع CSP
   • إدارة أفضل للخصائص (features)
   • تحسين مرحلة الاستدلال

2. الأداء

   • سرعة استدلال محسّنة
   • دقة أفضل
   • دعم المهام المتعددة

3. الوظائف

   • اكتشاف الأجسام
   • تجزئة الحالات (instance segmentation)
   • تصنيف الصور
   • Pose estimation

4. مقارنة الأداء

4.1 المقاييس

def benchmark_yolo_versions():
    # Configuration
    test_image = "path/to/test/image.jpg"
    
    # Test des différentes versions
    versions = {
        'v5': YOLO('yolov5n.pt'),
        'v6': YOLO('yolov6n.pt'),
        'v7': YOLO('yolov7n.pt'),
        'v8': YOLO('yolov8n.pt')
    }
    
    results = {}
    for version, model in versions.items():
        # Mesure du temps d'inférence
        start_time = time.time()
        results[version] = model(test_image)
        inference_time = time.time() - start_time
        
        print(f"YOLO{version}:")
        print(f"Temps d'inférence: {inference_time:.2f}s")
        print(f"Nombre de détections: {len(results[version][0].boxes)}")
        print(f"Précision moyenne: {results[version][0].boxes.conf.mean():.2f}")

4.2 جدول المقارنة

الإصدار	السرعة	الدقة	الذاكرة	الوظائف
v5	الأساس	الأساس	الأساس	الأساس
v6	+10%	+3%	-5%	+1 جديدة
v7	+15%	+5%	-8%	+2 جديدتان
v8	+20%	+7%	-10%	+3 جديدة

5. التطبيقات العملية

5.1 الكشف في الوقت الفعلي

def real_time_detection():
    # Initialisation
    cap = cv2.VideoCapture(0)
    model = YOLO('yolov8n.pt')  # Utilisation de YOLOv8
    
    while cap.isOpened():
        success, frame = cap.read()
        if not success:
            continue
        
        # Détection
        results = model(frame)
        
        # Visualisation
        annotated_frame = results[0].plot()
        
        # Affichage
        cv2.imshow('YOLOv8 Detection', annotated_frame)
        
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    
    cap.release()
    cv2.destroyAllWindows()

5.2 تجزئة الحالات (Instance Segmentation)

def instance_segmentation():
    # Initialisation
    model = YOLO('yolov8n-seg.pt')
    
    # Segmentation
    results = model('path/to/image.jpg')
    
    # Visualisation
    for result in results:
        # Masques de segmentation
        masks = result.masks
        # Boîtes de détection
        boxes = result.boxes
        
        # Visualisation
        annotated_frame = result.plot()
        cv2.imshow('Segmentation', annotated_frame)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

6. أفضل الممارسات

1. اختيار الإصدار

   • v5 للتطبيقات الأساسية
   • v6 لتطبيقات الأجهزة المحمولة
   • v7 للتطبيقات المتقدمة
   • v8 للتطبيقات المبتكرة

2. التحسين

   • استخدام تسريع GPU
   • ضبط عتبات الثقة
   • تحسين حجم الدفعة (batch)

3. النشر

   • التصدير بالصيغة المناسبة
   • استخدام التسريع العتادي
   • تنفيذ نظام تخزين مؤقت (cache)

الخلاصة

النقاط الرئيسية:

• تطور ملحوظ في الأداء
• وظائف جديدة مع كل إصدار
• تحسين مستمر لمرحلة الاستدلال
• دعم المهام المتعددة مع YOLOv8

التوصيات:

• اختيار الإصدار بحسب الاحتياجات
• تحسين الأداء
• استخدام التسريع العتادي
• تنفيذ إدارة قوية للأخطاء