YOLO11 YOLOv6.0: مقارنة تقنية شاملة

يتطور مجال الرؤية الحاسوبية بسرعة، ويعد اختيار بنية النموذج المناسبة قرارًا بالغ الأهمية لممارسي التعلم الآلي. هناك معلمان هامان في تطور اكتشاف الكائنات في الوقت الفعلي، وهما YOLO11 و YOLOv6.YOLOv6. على الرغم من أن كلا النموذجين يوفران إمكانات رائعة لاستخراج الرؤى من البيانات المرئية، إلا أنهما تم تطويرهما بأهداف أساسية وفلسفات تصميم مختلفة.

يقدم هذا الدليل تحليلاً تقنياً متعمقاً يقارن بين هياكلها ومقاييس أدائها وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير بشأن مشروع الذكاء الاصطناعي التالي.

نظرات عامة على النموذج

قبل الخوض في المعايير التقنية، من المفيد فهم أصول كل نموذج وتركيزه الأساسي.

Ultralytics YOLO11

YOLO11 تطوير YOLO11 بشكل أصلي ضمن Ultralytics YOLO11 صُمم ليوفر تجربة تطوير سلسة وشاملة. ولا يركز فقط على السرعة الخام، بل أيضًا على تعدد المهام وسهولة الاستخدام والتكامل مع خطوط الإنتاج الحديثة.

المؤلفون: غلين جوشر وجينغ تشيو
المؤسسة:Ultralytics
التاريخ: 2024-09-27
GitHub:Ultralytics Repository
المستندات:توثيق YOLO11

تعرف على المزيد حول YOLO11

Meituan YOLOv6-3.0

تم تصميم YOLOv6.YOLOv6 خصيصًا للتطبيقات الصناعية التي تتوفر فيها وحدات معالجة رسومات (GPU) مخصصة. وهو مُحسّن بشكل كبير لـ TensorRT ، مع التركيز على تعظيم الإنتاجية في البيئات الخاضعة للرقابة.

المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, و Xiangxiang Chu
المؤسسة:Meituan
التاريخ: 2023-01-13
أرخايف:2301.05586
GitHub:مستودع Meituan YOLOv6
الوثائق:وثائق YOLOv6

تعرف على المزيد حول YOLOv6

الاختلافات المعمارية

تحدد البنية الأساسية كيفية تعلم النموذج وتوسيع نطاقه. يقدم كلا الإطارين تحسينات فريدة على YOLO الكلاسيكية.

YOLO11 على سنوات من البحث لتقديم بنية فعالة للغاية من حيث المعلمات. ويتميز بعمود فقري متطور ورأس عام قادر على التعامل مع مهام الرؤية الحاسوبية المتنوعة — مثل تجزئة الحالات وتقدير الوضع— دون الحاجة إلى إجراء تعديلات هيكلية ضخمة. علاوة على ذلك، YOLO11 بانخفاض استهلاكه للطاقة بشكل استثنائي CUDA خاصة أثناء التدريب، مما يميزها عن نماذج المحولات الأكبر حجمًا مثل RT-DETR.

على النقيض، يستخدم YOLOv6-3.0 وحدة الربط ثنائي الاتجاه (BiC) واستراتيجية التدريب المدعوم بالمرتكزات (AAT). تم تصميم هذه الآليات لتحسين دقة تحديد المواقع. يتم فصل البنية بشكل أساسي وتكميمها بشكل كبير لتفضيل استدلال النموذج INT8، مما يجعلها منافسًا قويًا لخطوط التصنيع عالية السرعة التي تعمل على مكدسات GPU القديمة.

اختيار الإطار الصحيح

إذا كان مشروعك يتطلب إنشاء نماذج أولية سريعة، ودعم مهام متنوعة (مثل التجزئة أو التصنيف)، ونشر عبر أجهزة مختلفة (CPU Edge TPU Mobile)، فإن Ultralytics يوفر تجربة مطور أكثر سلاسة بشكل ملحوظ.

الأداء والمقاييس

عند تقييم النماذج، يعتبر متوسط الدقة (mAP) وسرعة الاستدلال أمرين بالغين الأهمية. يقارن الجدول التالي أداء YOLO11 YOLOv6. YOLOv6 عبر نماذج مختلفة الحجم. تم تمييز المقاييس الأفضل أداءً بالخط العريض.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

كما هو موضح، يحقق YOLO11 باستمرار دقة أعلى (mAP) مع عدد أقل بكثير من المعلمات وعمليات FLOPs عبر المستويات المتكافئة. تترجم كفاءة المعلمات هذه مباشرة إلى متطلبات ذاكرة أقل أثناء كل من تدريب النموذج والاستدلال.

ميزة Ultralytics

اختيار النموذج يتجاوز مجرد المقاييس الأولية؛ إنه يتعلق بدورة حياة التعلم الآلي بأكملها. توفر نماذج Ultralytics ميزة واضحة للمطورين والباحثين على حد سواء.

سهولة الاستخدام: تتيح لك واجهة برمجة تطبيقات Ultralytics Python تدريب النماذج والتحقق منها وتصديرها ببضعة أسطر فقط من التعليمات البرمجية. لا توجد حاجة لتكوين أشجار التبعية المعقدة يدويًا.
نظام بيئي يتم صيانته جيدًا: توفر Ultralytics نظامًا بيئيًا موحدًا يتلقى تحديثات متكررة. من خلال استخدام منصة Ultralytics، يحصل المطورون على إمكانية الوصول إلى التعليقات التوضيحية التعاونية لمجموعات البيانات، والتدريب السحابي، والمراقبة السلسة للنماذج.
تعدد الاستخدامات: على عكس YOLOv6-3.0، الذي هو في الأساس كاشف للصناديق المحيطة، يدعم YOLO11 بشكل أصلي تصنيف الصور والصناديق المحيطة الموجهة (OBB)، مما يتيح لك توحيد مكدسك التقني.
كفاءة التدريب: بالاستفادة من التحسينات الحديثة والتجميع التلقائي، يتدرب YOLO11 بكفاءة على الأجهزة الاستهلاكية، مما يتيح الوصول الديمقراطي إلى أحدث تقنيات الذكاء الاصطناعي للرؤية.

مثال على الكود: التدريب والاستدلال

العمل مع Ultralytics سهل للغاية. فيما يلي مثال قابل للتشغيل بنسبة 100٪ يوضح كيفية تدريب وتشغيل الاستدلال باستخدام Ultralytics .

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image from the web
prediction = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format for easy deployment
model.export(format="onnx")

حالات الاستخدام المثالية

فهم نقاط تميز كل نموذج يضمن لك اختيار الأداة المناسبة للمهمة.

متى تختار YOLOv6-3.0: إذا كنت تقوم بصيانة نظام صناعي قديم مبني بشكل صريح حول مسارات TensorRT 7.x/8.x محددة وتتكون أجهزتك بالكامل من NVIDIA T4 أو A100 GPUs مخصصة لـ أتمتة التصنيع عالية السرعة، يظل YOLOv6 محركًا قابلاً للتطبيق وفعالاً.

متى تختار YOLO11: بالنسبة لجميع التطبيقات الحديثة تقريبًا، يُعد YOLO11 الخيار الأفضل. سواء كنت تقوم ببناء حلول للتصنيع الذكي، أو نشر الذكاء الاصطناعي على الحافة على أجهزة Raspberry Pi، أو إجراء عمليات متعددة المهام مثل detect و segment الصور الطبية، يوفر YOLO11 التوازن الأمثل بين السرعة والدقة ومرونة النشر.

التطلع إلى المستقبل: YOLO26 المتطور

بينما YOLO11 قفزة هائلة إلى الأمام، Ultralytics تخطي حدود الرؤية الحاسوبية. تم إصدار الإصدار الجديد في يناير 2026، YOLO26 هي أحدث ما توصلت إليه التكنولوجيا، وهي النموذج الموصى به لجميع المشاريع الجديدة.

يقدم YOLO26 العديد من الميزات الرائدة المصممة خصيصًا لمواجهة تحديات النشر الحديثة:

تصميم شامل خالٍ من NMS: استنادًا إلى المفاهيم التي ابتكرتها YOLOv10، يتميز YOLO26 بتصميم شامل أصيل. فهو يلغي تمامًا معالجة ما بعد التثبيط غير الأقصى (NMS)، مما يؤدي إلى مسارات نشر أسرع وأبسط بشكل جذري.
إزالة DFL: من خلال إزالة Distribution Focal Loss، يبسط YOLO26 رأس الشبكة، مما يعزز بشكل كبير التوافق مع أجهزة إنترنت الأشياء (IoT) والأجهزة الطرفية منخفضة الطاقة.
مُحسِّن MuSGD: مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مُحسِّن Muon-SGD هجينًا، مما يضمن استقرارًا لا مثيل له في التدريب وتقاربًا أسرع.
سرعة استدلال أسرع بنسبة تصل إلى 43% على الـ CPU: للتطبيقات التي تعمل بدون مسرعات GPU مخصصة، تم تحسين YOLO26 بشكل كبير لتحقيق أقصى إنتاجية لوحدة CPU الخام.
ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ صور الطائرات بدون طيار والمراقبة الجوية.
تحسينات خاصة بالمهام: يتضمن YOLO26 تحسينات مخصصة عبر جميع المهام، مثل النمذجة الأولية متعددة المقاييس لـ segmentation وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية.

إذا كنت تبدأ اليوم مبادرة جديدة في مجال الرؤية الحاسوبية، فإن الاستفادة من Ultralytics لتدريب نموذج YOLO26 سيضمن أن تطبيقك مبني على أكثر البنى كفاءة ودقة ومستقبلية.

بالنسبة للمطورين المهتمين باستكشاف الكشف عن المفردات المفتوحة، يمكنكم أيضًا مراجعة وثائقنا على YOLO.