YOLOv6.0 مقابل YOLOv8: استكشاف تطور اكتشاف الكائنات في الوقت الفعلي

شهد مجال الرؤية الحاسوبية نمواً هائلاً، حيث تواصل النماذج تخطي حدود السرعة والدقة. عند اختيار بنية للنشر، غالباً ما يقارن المطورون النماذج الصناعية المتخصصة بأطر عمل متعددة المهام ومتعددة الاستخدامات. توفر هذه المقارنة التقنية تحليلاً متعمقاً لـ YOLOv6.YOLOv6 و YOLOv8، وتقييم هياكلها ومقاييس أدائها وبيئات النشر المثالية.

YOLOv6.0: الإنتاجية الصناعية وتحسين الأجهزة

تم تطوير YOLOv6. YOLOv6 بواسطة قسم Vision AI في Meituan، وهو مصمم خصيصًا ليكون كاشفًا للأجسام عالي الإنتاجية للاستخدامات الصناعية. وهو مُحسّن بشكل كبير لمسرعات الأجهزة المخصصة، مع التركيز على السرعة الخام في بيئات الخوادم.

المؤلفون: تشوي لي، لولو لي، ييفي جينغ، وآخرون.
المنظمة: ميتوان
التاريخ: 2023-01-13
أرخايف:2301.05586
GitHub:meituan/YOLOv6
الوثائق:وثائق Ultralytics YOLOv6

التركيز المعماري

يستفيد YOLOv6.YOLOv6 من هيكل EfficientRep، وهو بنية متوافقة مع الأجهزة مصممة لزيادة كفاءة المعالجة على NVIDIA الحديثة NVIDIA . يستخدم العنق وحدة تسلسل ثنائية الاتجاه (BiC) لتحسين دمج الميزات عبر مستويات مختلفة.

خلال مرحلة التدريب، YOLOv6 استراتيجية التدريب بمساعدة المرجع (AAT). يحاول هذا النهج الهجين الاستفادة من مزايا كل من النماذج القائمة على المرجع والنماذج الخالية من المرجع مع الحفاظ على مسار استدلال خالٍ من المرجع. على الرغم من فعاليته العالية في TensorRT ، إلا أن هذا التخصص قد يؤدي إلى زيادة زمن الاستجابة على الأجهزة الطرفية CPU.

تعرف على المزيد حول YOLOv6

Ultralytics YOLOv8: المعيار المتعدد المهام المتعدد الاستخدامات

أصدرت شركة Ultralytics YOLOv8 تحولًا جذريًا من أجهزة الكشف المتخصصة ذات الصناديق المحددة إلى إطار رؤية موحد ومتعدد الوسائط. ويوفر هذا البرنامج توازنًا استثنائيًا بين الدقة والسرعة وسهولة الاستخدام فور تشغيله.

المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
المؤسسة:Ultralytics
التاريخ: 2023-01-10
GitHub:ultralytics/ultralytics
المنصة:منصة Ultralytics YOLOv8

أبرز الملامح المعمارية

يتميز YOLOv8 ببنية رأس منفصلة تفرّق بين مهام تحديد الكائنات والتصنيف والانحدار، YOLOv8 يحسّن سرعة التقارب بشكل كبير. ويقضي تصميمه الخالي من المراسي على الحاجة إلى تكوين مربعات المراسي يدويًا، مما يضمن تعميمًا قويًا عبر مجموعات بيانات الرؤية الحاسوبية المتنوعة للغاية.

يدمج النموذج وحدة C2f المتقدمة (عنق الزجاجة الجزئي عبر المراحل مع اثنين من التلافيف)، لتحل محل كتل C3 القديمة. وهذا يعزز تدفق التدرج وتمثيل الميزات دون زيادة الميزانية الحسابية. والأهم من ذلك، YOLOv8 مجرد محرك كشف؛ فهو يدعم بشكل أساسي مهام تقسيم المثيلات وتقدير الوضع وتصنيف الصور ومهام Oriented Bounding Box (OBB) ضمن واجهة برمجة تطبيقات واحدة.

تعرف على المزيد حول YOLOv8

مقارنة الأداء

يوفر تقييم النماذج على COCO القياسية في الصناعة رؤية واضحة لقدراتها. يبرز الجدول أدناه المقاييس الرئيسية، مع تمييز أفضل القيم أداءً في كل عمود 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)
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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

توازن الأداء والأجهزة

بينما يحقق YOLOv6. YOLOv6 GPU أسرع قليلاً على البنى القديمة مثل T4، YOLOv8 معلمات وعمليات FLOP أقل بكثير للحصول على دقة مماثلة. هذا الانخفاض في متطلبات الذاكرة أمر بالغ الأهمية لكفاءة التدريب والنشر على أجهزة Edge AI المحدودة الموارد.

حالات الاستخدام والتوصيات

يعتمد الاختيار بين YOLOv6 و YOLOv8 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv6

YOLOv6 خيار قوي لـ:

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 YOLOv8

YOLOv8 في الحالات التالية:

نشر متعدد المهام ومتعدد الاستخدامات: المشاريع التي تتطلب نموذجًا مثبتًا لـ الكشف، والتجزئة، والتصنيف، وتقدير الوضعيات ضمن بيئة Ultralytics.
أنظمة إنتاج راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8 مع مسارات نشر مستقرة ومختبرة جيدًا.
دعم واسع للمجتمع والنظام البيئي: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـ YOLOv8، وعمليات التكامل مع الجهات الخارجية، وموارد المجتمع النشطة.

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.

Ultralytics : النظام البيئي وسهولة الاستخدام

على الرغم من أهمية سرعة الاستدلال الأولية، فإن دورة حياة مشروع التعلم الآلي تتضمن إدارة البيانات والتدريب والتصدير والمراقبة. توفر Ultralytics المتكاملة تجربة سلسة "من الصفر إلى القمة" يصعب على مستودعات الأبحاث وحدها أن تضاهيها.

نظام بيئي يتم صيانته جيدًا: توفر Ultralytics تحديثات متكررة، مما يضمن التوافق مع أحدث إصدارات PyTorch وبرامج تشغيل الأجهزة.
سهولة الاستخدام: تتيح واجهة برمجة تطبيقات Python موحدة للمطورين تدريب النماذج وتصديرها إلى تنسيقات مثل ONNX و OpenVINO بسطر واحد من التعليمات البرمجية.
متطلبات ذاكرة أقل: تم تحسين نماذج Ultralytics بشكل كبير لتقليل استخدام ذاكرة CUDA أثناء التدريب، مما يجعل الذكاء الاصطناعي المتقدم متاحًا على الأجهزة الاستهلاكية – وهو تناقض صارخ مع معماريات المحولات التي تستهلك الذاكرة بكثرة مثل RT-DETR.

التطلع إلى المستقبل: الترقية النهائية إلى YOLO26

بالنسبة للمطورين الذين يسعون إلى تحقيق أعلى مستويات الأداء وقدرات النشر الحديثة، فإن Ultralytics (الذي تم إصداره في يناير 2026) هو المعيار الموصى به. وهو يعتمد على نجاحات YOLOv8 السابقة YOLO11 ، حيث يقدم تحسينات ثورية في البنية:

تصميم شامل بدون NMS: يلغي YOLO26 بطبيعته المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، وهو مفهوم كان رائداً في YOLOv10. وهذا يبسط منطق النشر ويقلل من تباين زمن الاستجابة.
مُحسِّن MuSGD: مستوحى من ابتكارات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI، يعمل مُحسِّن MuSGD الجديد (وهو مزيج من SGD و Muon) على استقرار التدريب ويسرّع التقارب عبر مجموعات بيانات متنوعة.
إزالة DFL وسرعة وحدة المعالجة المركزية (CPU): من خلال إزالة Distribution Focal Loss (DFL)، يبسط YOLO26 مخطط التصدير الخاص به. يفتح هذا التحسين المجال لـ استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU)، مما يجعله الخيار الأمثل للحوسبة الطرفية للأجهزة المحمولة وإنترنت الأشياء (IoT).
ProgLoss + STAL: وظائف الخسارة المتقدمة تقدم تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لصور الطائرات بدون طيار والروبوتات.

تعرف على المزيد حول YOLO26

مثال Python سلس على Python

تعدد استخدامات Ultralytics يعني أن الترقية من YOLOv8 YOLO26 المتطورة تتطلب تغيير سلسلة واحدة فقط. يوضح مقتطف الشفرة التالي القابل للتشغيل بالكامل مدى سهولة الاستفادة من هذه النماذج:

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to '0' for GPU training
)

# Run an inference on a test image
metrics = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

الخلاصة

يحدد اختيار البنية الصحيحة قابلية صيانة خط الأنابيب الخاص بك على المدى الطويل. يعمل YOLOv6-3.0 كأداة متخصصة لخطوط الأنابيب الصناعية المزودة بمسرعات GPU قوية. ومع ذلك، يوفر Ultralytics YOLOv8 توازنًا فائقًا بين تعدد المهام، وعدد أقل من المعلمات، ونظامًا بيئيًا تدريبيًا لا مثيل له.

بالنسبة للتطبيقات الجديدة، يضمن الترقية إلى YOLO26 عبر Ultralytics أنك تستخدم أسرع بنية متاحة اليوم، وهي بنية أصلية شاملة NMS، مما يضمن استمرارية استراتيجيات نشر الذكاء الاصطناعي الخاصة بك في المستقبل.