YOLO11 مقابل YOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية بسرعة، ويُعد اختيار بنية النموذج المناسبة قرارًا أساسيًا لممارسي التعلم الآلي. ومن المحطات البارزة في كشف الكائنات في الزمن الحقيقي YOLO11 وYOLOv6-3.0. يستخلص كلاهما معلومات مفيدة من البيانات المرئية، لكنهما طُوّرا وفق أهداف أساسية وفلسفات تصميم مختلفة.

يقارن هذا الدليل بين بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية، لمساعدتك على اتخاذ قرار مدروس لمشروع الذكاء الاصطناعي التالي.

نظرة عامة على النماذج#

قبل استعراض المعايير التقنية، من المفيد فهم أصول كل نموذج ومحور تركيزه الأساسي.

Ultralytics YOLO11#

طُوّر YOLO11 أصليًا ضمن منظومة Ultralytics، وصُمم لتوفير تجربة تطوير متكاملة من التدريب إلى النشر. ولا يقتصر تركيزه على السرعة الخام، بل يشمل أيضًا تعددية المهام وسهولة الاستخدام والتكامل مع خطوط أنابيب النشر الحديثة.

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: مستودع Ultralytics
• الوثائق: وثائق YOLO11

Meituan YOLOv6-3.0#

صُمم YOLOv6-3.0 خصيصًا للتطبيقات الصناعية التي تتوفر فيها وحدات معالجة الرسومات (GPU) المخصصة. وهو مُحسّن للنشر عبر TensorRT، ويركز على زيادة معدل الإنتاجية في البيئات الخاضعة للتحكم.

• المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
• المؤسسة: Meituan
• التاريخ: 2023-01-13
• arXiv: 2301.05586
• GitHub: مستودع Meituan YOLOv6
• الوثائق: وثائق YOLOv6

تعرّف على المزيد حول YOLOv6

الاختلافات المعمارية#

تحدد البنية الأساسية طريقة تعلّم النموذج وتوسّعه. ويقدم كلا الإطارين تحسينات فريدة لصيغة YOLO الكلاسيكية.

يستند YOLO11 إلى سنوات من الأبحاث لتقديم بنية فعالة من حيث عدد المعلمات. ويتميز بعمود فقري محسن ورأس معمم يعالج مهامًا متنوعة في الرؤية الحاسوبية، مثل تجزئة المثيلات وتقدير الوضعية، دون تغييرات بنيوية كبيرة. كما يتطلب YOLO11 قدرًا منخفضًا من ذاكرة CUDA أثناء التدريب، ما يميزه عن نماذج المحولات الأكبر مثل RT-DETR.

وعلى العكس، يستخدم YOLOv6-3.0 وحدة الربط ثنائي الاتجاه (BiC) واستراتيجية التدريب المدعوم بالمراسي (AAT). صُممت هذه الآليات لتحسين دقة تحديد المواقع. ويستخدم رأسًا منفصلًا وتصميمًا ملائمًا لـالتكميم لاستدلال INT8، ما يجعله منافسًا قويًا لخطوط التصنيع عالية السرعة التي تستخدم حزم GPU راسخة.

الأداء والمقاييس#

عند تقييم النماذج، يُعد كل من متوسط الدقة (mAP) وسرعة الاستدلال من المقاييس الأساسية. يقارن الجدول التالي أداء YOLO11 بأداء YOLOv6-3.0 عبر مقاييس نماذج مختلفة. وقد أُبرزت أفضل المقاييس أداءً بخط عريض.

يحقق YOLO11 قيمة mAP أعلى باستخدام عدد أقل من المعلمات وFLOPs في كل فئة قابلة للمقارنة؛ فعلى سبيل المثال، يحقق YOLO11s قيمة 47.0 mAP مع 9.4M معلمة، مقابل 45.0 mAP مع 18.5M في YOLOv6-3.0s. ويُعد YOLOv6-3.0n أسرع نموذج على T4 TensorRT (1.17 ms)، بينما يكون YOLO11 أسرع بدءًا من المقياس s. وتؤدي هذه الكفاءة في عدد المعلمات إلى خفض متطلبات الذاكرة أثناء تدريب النموذج والاستدلال.

ميزة Ultralytics#

لا يقتصر اختيار النموذج على المقاييس الخام؛ بل يشمل دورة حياة التعلم الآلي بأكملها. وتقدم نماذج Ultralytics مزايا متعددة للمطورين والباحثين.

1. سهولة الاستخدام: تتيح واجهة Python API في Ultralytics تدريب النماذج والتحقق منها وتصديرها باستخدام بضعة أسطر من الشيفرة. ولا حاجة إلى تهيئة أشجار التبعيات المعقدة يدوياً.
2. منظومة تحظى بصيانة جيدة: توفر Ultralytics منظومة موحدة تتلقى تحديثات متكررة. ومع منصة Ultralytics، يحصل المطورون على إمكانات تعاونية لوسم مجموعات البيانات والتدريب السحابي ومراقبة النماذج.
3. تعدد الاستخدامات: على عكس YOLOv6-3.0، الذي يُستخدم أساسًا لكشف صناديق الإحاطة، يدعم YOLO11 أيضًا تصنيف الصور وصناديق الإحاطة الموجّهة (OBB)، ما يتيح لك توحيد حزمة تقنياتك.
4. كفاءة التدريب: بفضل التحسينات الحديثة وتحديد حجم الدفعة تلقائيًا، يتدرب YOLO11 بكفاءة على عتاد مخصص للمستهلكين.

مثال برمجي: التدريب والاستدلال#

فيما يلي مثال قابل للتنفيذ يدرّب نموذجًا ويجري الاستدلال به ويصدره باستخدام حزمة Ultralytics.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 صغير مدرّب مسبقًا⁩
model = YOLO("yolo11s.pt")

# ⁨تدريب النموذج بكفاءة على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل الاستدلال على صورة من الويب⁩
prediction = model("https://ultralytics.com/images/bus.jpg")

# ⁨تصدير النموذج إلى تنسيق ONNX لتسهيل النشر⁩
model.export(format="onnx")

حالات الاستخدام المثالية#

يساعد فهم المجالات التي يتفوق فيها كل نموذج على اختيار الأداة المناسبة للمهمة.

متى تختار YOLOv6-3.0: إذا كنت تصون نظامًا صناعيًا قديمًا بُني تحديدًا حول خطوط أنابيب TensorRT 7.x/8.x، وكان عتادك يتكون بالكامل من وحدات GPU مخصصة من NVIDIA T4 أو A100 لأتمتة التصنيع عالية السرعة، يظل YOLOv6 خيارًا قادرًا.

متى تختار YOLO11: في معظم التطبيقات الحديثة، يُعد YOLO11 الخيار الأفضل. سواء أكنت تبني حلول التصنيع الذكي، أو تنشر الذكاء الاصطناعي الطرفي على أجهزة Raspberry Pi، أو تنفذ عمليات متعددة المهام مثل كشف الصور الطبية وتجزيئها، يوفر YOLO11 توازنًا قويًا بين السرعة والدقة ومرونة النشر.

استشراف المستقبل: YOLO26#

تواصل Ultralytics تطوير نماذج جديدة بعد YOLO11. وسلسلة نماذج YOLO26، الصادرة في يناير 2026، هي أحدث جيل من Ultralytics YOLO والنموذج الموصى به للمشاريع الجديدة.

يقدم YOLO26 عدة ميزات مصممة لمواجهة تحديات النشر الحديثة:

• تصميم شامل من البداية إلى النهاية بلا NMS: استنادًا إلى التدريب بلا NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يقدم YOLO26 رأسًا شاملًا اختياريًا (nms=False) يزيل المعالجة اللاحقة باستخدام كبح الصناديق غير القصوى (NMS)، ما ينتج عنه مسارات نشر أسرع وأبسط.
• إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية، يبسط YOLO26 رأس الشبكة ويحسن التوافق مع أجهزة إنترنت الأشياء (IoT) والأجهزة الطرفية منخفضة الطاقة.
• مُحسِّن MuSGD: استلهامًا من أساليب تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّنًا هجينًا من Muon وSGD لتدريب أكثر استقرارًا وتقارب أسرع.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: للتطبيقات التي تعمل دون مسرّعات GPU مخصصة، يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n على CPU.
• ProgLoss + STAL: تُسهم الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) في تحسين التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـصور الطائرات المسيّرة والمراقبة الجوية.
• تحسينات خاصة بالمهام: يتضمن YOLO26 تحسينات مخصصة لمهام متعددة، مثل وحدة أولية متعددة المقاييس للتجزئة وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية.

إذا كنت تبدأ اليوم مشروعًا جديدًا في الرؤية الحاسوبية، فإن تدريب نموذج YOLO26 على منصة Ultralytics يمنحك أدق بنية Ultralytics وأكثرها كفاءة والمتاحة حاليًا.

يمكن للمطورين المهتمين باستكشاف الكشف بمفردات مفتوحة الاطلاع أيضًا على وثائقنا حول YOLO-World.