YOLOv10 YOLOv6.0: مقارنة تقنية شاملة
في عالم الرؤية الحاسوبية سريع التطور، يعد اختيار بنية الكشف عن الأجسام المثلى أمراً بالغ الأهمية لتحقيق التوازن بين سرعة الاستدلال ودقة النموذج وجدوى النشر. يقدم هذا الدليل مقارنة تقنية متعمقة بين نموذجين رائعين: القوة الأكاديمية YOLOv10 والمركز على الصناعة YOLOv6.YOLOv6. يقدم كلا النموذجين ابتكارات معمارية فريدة من نوعها، مما يحل تحديات متميزة في نشر أنظمة الرؤية في الوقت الفعلي.
YOLOv10 : الرائد من البداية إلى النهاية
صدر في منتصف عام 2024، YOLOv10 تغييرًا جذريًا في YOLO من خلال التخلص تمامًا من الحاجة إلى تقنية Non-Maximum Suppression (NMS) أثناء المعالجة اللاحقة. يقلل هذا التصميم الأصلي الشامل من اختناقات زمن الاستدلال، مما يجعله خيارًا جذابًا للغاية للذكاء الاصطناعي المتطور والتطبيقات المدمجة.
- المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
- المؤسسة:جامعة تسينغ - هوا
- التاريخ: 2024-05-23
- ArXiv:2405.14458
- GitHub:THU-MIG/yolov10
- الوثائق:وثائق Ultralytics YOLOv10
الابتكارات المعمارية
YOLOv10 قدرته NMS من خلال استراتيجية التعيين المزدوج المتسق. أثناء التدريب، يستفيد النموذج من تعيينات التسميات من واحد إلى العديد ومن واحد إلى واحد، مما يثري إشارات الإشراف. بالنسبة للاستدلال، يعتمد بشكل صارم على الرأس من واحد إلى واحد، مما يزيل العبء الحسابي المرتبط بتصفية الصندوق المحيط التقليدي. علاوة على ذلك، YOLOv10 تصميمًا شاملاً ومدفوعًا بالكفاءة، ويحسن بشكل شامل المكونات الداخلية مثل طبقات الشبكة العصبية التلافيفية لتقليل التكرار الحسابي وعدد المعلمات الإجمالي بشكل كبير.
نظرة عامة على YOLOv6.YOLOv6: العمود الفقري للصناعة
تم تطوير YOLOv6.YOLOv6 خصيصًا للتطبيقات الصناعية، ويمنح الأولوية GPU العالية. ويتميز هذا البرنامج في البيئات التي تعتمد على الأنظمة القديمة والمعالجة المكثفة للدفعات على أجهزة مخصصة من فئة الخوادم.
- المؤلفون: تشوي لي، لولو لي، ييفي جينغ، وآخرون.
- المؤسسة:Meituan
- التاريخ: 2023-01-13
- ArXiv:2301.05586
- GitHub:meituan/YOLOv6
- الوثائق:وثائق Ultralytics YOLOv6
الابتكارات المعمارية
يتميز YOLOv6.YOLOv6 بوجود بنية أساسية EfficientRep محسّنة بشكل كبير، وهي مصممة لزيادة سرعات الاستدلال على مسرعات الأجهزة مثل NVIDIA . أدخلت النسخة 3.0 وحدة تسلسل ثنائية الاتجاه (BiC) لتحسين دمج الميزات عبر النطاقات. بالإضافة إلى ذلك، فإنها تنفذ استراتيجية التدريب بمساعدة المراسي (AAT) التي تجمع بين التقارب السريع للكاشفات القائمة على المراسي وقدرات التعميم للنماذج الخالية من المراسي.
مقارنة الأداء والمقاييس
عند تحليل الأداء الخام، YOLOv10 بوضوح أجيال التحسينات المعمارية في YOLOv10 . يقدم YOLOv10 متوسط دقة أعلى (mAP) مع الحاجة إلى عدد أقل بكثير من المعلمات وعمليات FLOP.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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 |
بينما يحتفظ YOLOv6. YOLOv6 بمزايا طفيفة في السرعة في إصداراته Nano و Medium في ظل TensorRT على وحدات معالجة الرسومات T4، فإن YOLOv10 ما يقرب من نصف مساحة الذاكرة لتحقيق دقة فائقة، مما يرجح كفة الأداء لصالح البنى الحديثة الشاملة.
كفاءة الذاكرة
تتميزYOLO Ultralytics YOLO بمتطلبات ذاكرة أقل أثناء التدريب والاستدلال مقارنة بنماذج المحولات المعقدة، مما يجعلها أسهل بكثير في التوسع والنشر على الأجهزة ذات الموارد المحدودة.
ميزة النظام البيئي لـ Ultralytics
اختيار Ultralytics مثل YOLOv10 بكثير البنية الأولية — فهو يوفر الوصول إلى نظام بيئي يتم صيانته بدقة ويبسط دورة حياة التعلم الآلي بأكملها. يفتقر YOLOv6 الموجود في مستودع أبحاث ثابت، إلى الأدوات القوية وتعدد المهام التي يوفرها Ultralytics بشكل جاهز للاستخدام.
- سهولة الاستخدام: توفر واجهة برمجة تطبيقات Ultralytics Python تجربة مستخدم مبسطة، مما يتيح للمطورين تدريب النماذج وتصديرها ببضعة أسطر فقط من التعليمات البرمجية.
- تعدد الاستخدامات: على عكس YOLOv6، الذي يتخصص بشكل صارم في detect، يمكّنك نظام Ultralytics البيئي من أداء تجزئة الكائنات، تقدير الوضعيات، تصنيف الصور، وتتبع الصناديق المحيطة الموجهة (OBB) باستخدام واجهة موحدة.
- نظام بيئي جيد الصيانة: استمتع بتحديثات متكررة، ودعم مجتمعي قوي، وتكاملات سلسة مع معايير الصناعة مثل OpenVINO وONNX.
مثال برمجي: سير عمل تدريب متسق
مع Ultralytics ، أصبح تدريب النماذج أمراً في غاية السهولة. يتعامل النظام تلقائياً مع عمليات زيادة البيانات المعقدة وتوسيع نطاق الأجهزة.
from ultralytics import YOLO
# Load an efficient, NMS-free YOLOv10 model
model = YOLO("yolov10n.pt")
# Train the model effortlessly using the Ultralytics pipeline
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Run robust object detection inference
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for simplified edge deployment
model.export(format="onnx")
حالات الاستخدام والتوصيات
يعتمد الاختيار بين YOLOv10 و YOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLOv10
YOLOv10 خيار قوي لـ:
- detect في الوقت الفعلي خالٍ من NMS: التطبيقات التي تستفيد من detect الشامل دون التثبيط غير الأقصى، مما يقلل من تعقيد النشر.
- مقايضات متوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الكشف عبر مقاييس النماذج المختلفة.
- تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حاسمة، مثل الروبوتات أو الأنظمة المستقلة.
متى تختار YOLOv6
YOLOv6 في الحالات التالية:
- النشر الصناعي المدرك للأجهزة: سيناريوهات حيث يوفر تصميم النموذج المدرك للأجهزة وإعادة التكوين الفعالة أداءً محسنًا على أجهزة مستهدفة محددة.
- detect سريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي في بيئات محكومة.
- تكامل نظام Meituan البيئي: الفرق التي تعمل بالفعل ضمن مكدس تقنية Meituan والبنية التحتية للنشر.
متى تختار Ultralytics YOLO26)
بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:
- نشر طرفي خالٍ من NMS: التطبيقات التي تتطلب استدلالًا متسقًا ومنخفض زمن الوصول دون تعقيد معالجة ما بعد التثبيط غير الأقصى.
- بيئات CPU فقط: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث يوفر استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث تعزز ProgLoss و STAL الدقة بشكل كبير في الأجسام متناهية الصغر.
التوصية النهائية: Ultralytics
بينما YOLOv10 مفهومًا ثوريًا NMS، وقام YOLOv6. YOLOv6 بتحسين GPU ، فإن الحل الحقيقي المتطور لبيئات الإنتاج هو Ultralytics .
صدر YOLO26 في يناير 2026، وهو يأخذ الأفكار الأساسية لسابقيه ويصقلها ليصبح نموذج الرؤية النهائي الذي يركز على الحافة.
- تصميم خالٍ من NMS وشامل: استنادًا إلى أسس YOLOv10، يلغي YOLO26 المعالجة اللاحقة بالكامل، مما يوحد مسار النشر ويجعل الاستدلالات قابلة للتنبؤ بدرجة عالية.
- إزالة DFL: بإزالة خسارة التركيز التوزيعي (DFL)، تبسط البنية عملية التصدير بشكل كبير، مما يحسن بشكل جذري التوافق والسرعة على بنى إنترنت الأشياء منخفضة الطاقة.
- مُحسِّن MuSGD: مستوحى من ابتكارات نماذج اللغة الكبيرة، يستخدم YOLO26 مُحسِّن MuSGD (وهو مزيج من SGD و Muon)، مما يحقق استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع بكثير.
- سرعة CPU لا تضاهى: مع تحسينات مصممة خصيصًا للأجهزة الطرفية، يحقق YOLO26 سرعات استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة، متجاوزًا التصميم المرتكز على GPU لـ YOLOv6-3.0.
- ProgLoss + STAL: دوال خسارة متقدمة تحل الصعوبات التاريخية في detect الأجسام الصغيرة، مما يجعل YOLO26 لا غنى عنه للصور الجوية وتحليلات الطائرات بدون طيار.
بالنسبة للمستخدمين الذين يسعون إلى ترقية نظام الرؤية الحاسوبية لديهم، فإن عملية الانتقال بسيطة. نماذج مثل YOLO11 تظل قوية، ولكن YOLO26 المقترن Ultralytics المتكاملة يمثل المستقبل النهائي للذكاء الاصطناعي عالي الأداء والمتاح للجميع.