YOLO11 مقابل YOLOv6-3.0: مقارنة فنية شاملة
يتطور مجال رؤية الحاسوب بسرعة، ويُعد اختيار بنية النموذج الصحيحة قراراً حاسماً للممارسين في مجال تعلم الآلة. يمثل كل من YOLO11 و YOLOv6-3.0 علامتين فارقتين في تطور اكتشاف الكائنات في الوقت الفعلي. وبينما يقدم كلا النموذجين قدرات مبهرة لاستخراج الرؤى من البيانات البصرية، فقد تم تطويرهما بأهداف أساسية وفلسفات تصميم مختلفة.
يوفر هذا الدليل تحليلاً فنياً متعمقاً يقارن بين بنيتهما، ومقاييس الأداء، وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير لمشروعك القادم في مجال الذكاء الاصطناعي.
نظرة عامة على النماذج
قبل الغوص في المقاييس الفنية، من المفيد فهم أصول وتركيز كل نموذج.
Ultralytics YOLO11
تم تطوير YOLO11 محلياً داخل نظام Ultralytics البيئي، وصُمم لتوفير تجربة تطوير سلسة وشاملة. وهو لا يركز فقط على السرعة الخام، بل أيضاً على تعدد المهام، وسهولة الاستخدام، والتكامل مع مسارات عمل النشر الحديثة.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: مستودع Ultralytics
- الوثائق: توثيق YOLO11
Meituan YOLOv6-3.0
تم تصميم YOLOv6-3.0 خصيصاً للتطبيقات الصناعية حيث تتوفر وحدات معالجة الرسومات (GPUs) مخصصة. وهو يحسن الأداء بشكل كبير من أجل النشر باستخدام TensorRT، مع التركيز على زيادة الإنتاجية في البيئات الخاضعة للرقابة.
- المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, and Xiangxiang Chu
- المؤسسة: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: مستودع Meituan YOLOv6
- الوثائق: وثائق YOLOv6
الاختلافات المعمارية
تحدد البنية التحتية كيفية تعلم النموذج وتوسعه. يقدم كلا الإطارين تحسينات فريدة لصيغة YOLO الكلاسيكية.
يعتمد YOLO11 على سنوات من البحث لتقديم بنية تتسم بكفاءة عالية جداً في استخدام البارامترات. يتميز بـ backbone متطور ورأس معماري قادر على التعامل مع مهام رؤية الحاسوب المتنوعة—مثل تجزئة الكائنات و تقدير الوضعية—دون الحاجة إلى تغييرات هيكلية جذرية. علاوة على ذلك، يفتخر YOLO11 بمتطلبات ذاكرة CUDA منخفضة بشكل استثنائي أثناء التدريب، مما يميزه عن نماذج المحولات (transformer models) الأضخم مثل RT-DETR.
على النقيض من ذلك، يستخدم YOLOv6-3.0 وحدة الربط ثنائي الاتجاه (BiC) واستراتيجية التدريب بمساعدة المرساة (AAT). صُممت هذه الآليات لتحسين دقة التموضع. البنية مفصولة بشكل أساسي ومكممة بكثافة لتفضيل استنتاج النموذج بتنسيق INT8، مما يجعله منافساً قوياً لخطوط التصنيع عالية السرعة التي تشغل حزم GPU قديمة.
إذا كان مشروعك يتطلب بناء نماذج أولية سريعة، ودعم مهام متنوعة (مثل التجزئة أو التصنيف)، والنشر عبر أجهزة متنوعة (CPU، Edge TPU، Mobile)، فإن إطار عمل Ultralytics يوفر تجربة تطوير أكثر سلاسة بشكل ملحوظ.
الأداء والمقاييس
عند تقييم النماذج، تُعد متوسط الدقة (mAP) وسرعة الاستنتاج أموراً بالغة الأهمية. يقارن الجدول التالي أداء YOLO11 مقابل YOLOv6-3.0 عبر مستويات مختلفة من النماذج. تم تمييز أفضل مقاييس الأداء بـ الخط العريض.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ملي ثانية) | السرعة T4 TensorRT10 (ملي ثانية) | المعلمات (مليون) | FLOPs (مليار) |
|---|---|---|---|---|---|---|
| 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 البارامترات وFLOPs عبر الفئات المتكافئة. تترجم كفاءة البارامترات هذه مباشرة إلى متطلبات ذاكرة أقل أثناء كل من تدريب النموذج والاستنتاج.
ميزة Ultralytics
اختيار النموذج هو أكثر من مجرد مقاييس خام؛ إنه يتعلق بـ دورة حياة تعلم الآلة بأكملها. توفر نماذج Ultralytics ميزة واضحة للمطورين والباحثين على حد سواء.
- سهولة الاستخدام: تسمح لك واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics بتدريب النماذج والتحقق منها وتصديرها ببضعة أسطر من التعليمات البرمجية فقط. لا حاجة لتهيئة أشجار التبعية المعقدة يدوياً.
- نظام بيئي مُصان جيداً: توفر Ultralytics نظاماً بيئياً موحداً يتلقى تحديثات متكررة. من خلال استخدام منصة Ultralytics، يحصل المطورون على إمكانية الوصول إلى التعليق التوضيحي التعاوني للبيانات، والتدريب السحابي، ومراقبة النماذج السلسة.
- تعدد الاستخدامات: على عكس YOLOv6-3.0، الذي يعد في الأساس كاشفاً للصناديق المحيطة، يدعم YOLO11 محلياً تصنيف الصور و الصناديق المحيطة الموجهة (OBB)، مما يسمح لك بدمج مكدس التكنولوجيا الخاص بك.
- كفاءة التدريب: من خلال الاستفادة من التحسينات الحديثة والتجميع التلقائي، يتدرب YOLO11 بكفاءة على أجهزة المستهلك، مما يضفي طابعاً ديمقراطياً على الوصول إلى أحدث تقنيات الذكاء الاصطناعي البصري.
مثال برمجي: التدريب والاستنتاج
العمل مع نماذج Ultralytics بديهي للغاية. فيما يلي مثال قابل للتشغيل بنسبة 100% يوضح كيفية التدريب وتشغيل الاستنتاج باستخدام حزمة 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
إن فهم نقاط تفوق كل نموذج يضمن اختيار الأداة المناسبة للمهمة.
متى تختار YOLOv6-3.0: إذا كنت تدير نظاماً صناعياً قديماً مبنياً صراحةً حول مسارات TensorRT 7.x/8.x محددة وتتكون أجهزتك بالكامل من وحدات معالجة رسومات NVIDIA T4 أو A100 مخصصة لـ أتمتة التصنيع عالية السرعة، يظل YOLOv6 محركاً قابلاً للتطبيق وقادراً.
متى تختار YOLO11: بالنسبة لجميع التطبيقات الحديثة تقريباً، يعد YOLO11 الخيار الأفضل. سواء كنت تبني حلول تصنيع ذكية، أو تنشر الذكاء الاصطناعي على الحافة على أجهزة Raspberry Pi، أو تقوم بعمليات متعددة المهام مثل اكتشاف وتجزئة الصور الطبية، يوفر YOLO11 التوازن الأمثل بين السرعة والدقة ومرونة النشر.
نظرة للمستقبل: YOLO26 المتطور
بينما يمثل YOLO11 قفزة هائلة إلى الأمام، تواصل Ultralytics دفع حدود رؤية الحاسوب. تم إصدار سلسلة نماذج YOLO26 الجديدة في يناير 2026، وهي تمثل أحدث ما توصلت إليه التقنية وتعتبر النموذج الموصى به لجميع المشاريع الجديدة.
يقدم YOLO26 العديد من الميزات الرائدة المصممة خصيصاً لتحديات النشر الحديثة:
- تصميم شامل بدون NMS: بناءً على المفاهيم التي كانت رائدة في YOLOv10، فإن YOLO26 شامل بشكل طبيعي. إنه يلغي تماماً معالجة ما بعد الـ Non-Maximum Suppression (NMS)، مما يؤدي إلى مسارات نشر أسرع وأبسط بشكل جذري.
- إزالة DFL: من خلال إزالة Distribution Focal Loss، يبسط YOLO26 رأس الشبكة، مما يعزز التوافق بشكل كبير مع إنترنت الأشياء (IoT) منخفض الطاقة وأجهزة الحافة.
- مُحسِّن MuSGD: مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مُحسِّن Muon-SGD هجيناً، مما يضمن استقراراً لا مثيل له في التدريب وتقارباً أسرع.
- استنتاج أسرع بنسبة تصل إلى 43% على الـ CPU: بالنسبة للتطبيقات التي تعمل بدون مسرعات GPU مخصصة، تم تحسين YOLO26 بشكل كبير لزيادة إنتاجية الـ CPU الخام.
- ProgLoss + STAL: تحقق وظائف 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 للتجزئة وتقدير احتمالية اللوغاريتم المتبقي (RLE) لتقدير الوضعية.
إذا كنت تبدأ مبادرة رؤية حاسوبية جديدة اليوم، فإن الاستفادة من منصة Ultralytics لتدريب نموذج YOLO26 ستضمن بناء تطبيقك على البنية الأكثر كفاءة ودقة ومستقبلية المتاحة.
بالنسبة للمطورين المهتمين باستكشاف الاكتشاف مفتوح المفردات، يمكنك أيضاً مراجعة وثائقنا حول YOLO-World.