YOLO11 مقابل YOLOv6-3.0#

يتطور مجال computer vision بسرعة، ويعتبر اختيار بنية النموذج المناسبة قراراً حاسماً للمهتمين بتعلم الآلة. إن محطتين بارزتين في تطور object detection في الوقت الفعلي هما YOLO11 و YOLOv6-3.0. ورغم أن كلا النموذجين يقدمان قدرات مذهلة لاستخلاص الرؤى من البيانات المرئية، إلا أنهما طورا بأهداف رئيسية وفلسفات تصميم مختلفة.

يقدم هذا الدليل تحليلاً تقنياً 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 المعايير التقنية، من المفيد فهم أصول وتركيز كل نموذج.

Ultralytics YOLO11#

تم تطوير YOLO11 بشكل أصلي ضمن النظام البيئي لـ Ultralytics، وقد صُمم ليوفر تجربة تطوير سلسة وشاملة. وهو لا يكدس التركيز على السرعة الخام وحدها، بل يركز أيضاً على multi-task versatility، وسهولة الاستخدام، والتكامل مع خطوط النشر الحديثة.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: مستودع Ultralytics
• Docs: YOLO11 Documentation

تعرف على المزيد حول YOLO11

Meituan YOLOv6-3.0#

تم تصميم YOLOv6-3.0 خصيصاً للتطبيقات الصناعية حيث تتوفر وحدات graphics processing units (GPUs) مخصصة. وهو يعتمد تحسينات مكثفة لنشر TensorRT، مركزاً 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
• Organization: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: Meituan YOLOv6 Repository
• Docs: YOLOv6 Documentation

اعرف المزيد حول YOLOv6

الاختلافات المعمارية#

تحدد البنية الأساسية كيفية تعلم النموذج وتوسعه. يقدم كلا الإطارين تحسينات فريدة لصيغة YOLO الكلاسيكية.

يبنى YOLO11 على سنوات من الأبحاث لتقديم معماریة ذات كفاءة مذهلة في المعاملات. وهو يتميز ببنية أساسية متقدمة ورأس تعميمي قادر على التعامل مع مهام الرؤية الحاسوبية المتنوعة — مثل التجزئة المثيلية وتقدير الوضعية — دون الحاجة إلى تعديلات هيكلية ضخمة. علاوة على ذلك، يفتخر YOLO11 بمتطلبات ذاكرة CUDA منخفضة بشكل استثنائي أثناء التدريب، مما يميزه عن نماذج المحولات الأضخم مثل RT-DETR.

في المقابل، يستخدم YOLOv6-3.0 وحدة الربط ثنائي الاتجاه (BiC) واستراتيجية التدريب المدعومة بالمثبتات (AAT). وقد صُممت هذه الآليات لتحسين دقة تحديد المواقع. وتعتبر البنية مفصولة بشكل أساسي ومكممة بكثافة لتفضيل model inference بتقنية INT8، مما يجعله منافساً قوياً لخطوط التصنيع عالية السرعة التي تشغل حزم وحدات معالجة الرسومات القديمة.

الأداء والمقاييس#

عند تقييم النماذج، تُعد mean Average Precision (mAP) وسرعة الاستدلال أمراً بالغ الأهمية. يوضح الجدول التالي مقارنة أداء YOLO11 مع YOLOv6-3.0 عبر مختلف مقاييس النماذج. يتم تمييز أفضل المقاييس أداءً بـ الخط العريض.

كما هو موضح، يحقق YOLO11 باستمرار دقة أعلى (mAP) بمعاملات وعمليات فاصلة عائمة (FLOPs) أقل بكثير عبر الفئات المتكافئة. وتترجم هذه الكفاءة في المعاملات مباشرة إلى متطلبات ذاكرة أقل أثناء كل من model training والاستدلال.

ميزة Ultralytics#

اختيار النموذج يتعلق بأكثر من مجرد المقاييس الخام؛ إنه يتعلق بـ machine learning lifecycle بالكامل. توفر نماذج Ultralytics ميزة واضحة للمطورين والباحثين على حد سواء.

1. سهولة الاستخدام: تسمح لك واجهة Python API الخاصة بـ Ultralytics بتدريب النماذج والتحقق منها وتصديرها ببضعة أسطر فقط من التعليمات البرمجية. لا توجد حاجة لتكوين أشجار تبعيات معقدة يدوياً.
2. نظام بيئي مُصان جيداً: توفر Ultralytics نظاماً بيئياً موحداً يتلقى تحديثات متكررة. ومن خلال الاستفادة من Ultralytics Platform، يحصل المطورون على إمكانية الوصول إلى التعليقات التعاونية لمجموعات البيانات، والتدريب السحابي، ومراقبة النماذج السلسة.
3. التنوع: على عكس YOLOv6-3.0، الذي يُعد بشكل أساسي كاشفاً لمربعات الإحاطة، يدعم YOLO11 بشكل أصلي image classification و oriented bounding boxes (OBB)، مما يتيح لك توحيد حزمة التكنولوجيا الخاصة بك.
4. كفاءة التدريب: من خلال الاستفادة من التحسينات الحديثة والتدريب التلقائي على الدفعات، يتدرب YOLO11 بكفاءة على أجهزة المستهلكين، مما يضفي طابعاً ديمقراطياً على الوصول إلى ذكاء اصطناعي مرئي متطور.

مثال برمجي: التدريب والاستدلال#

العمل مع نماذج Ultralytics بديهي للغاية. فيما يلي مثال قابل للتشغيل بنسبة 100% يوضح كيفية تدريب 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#

يضمن فهم نقاط تفوق كل نموذج اختيار الأداة المناسبة للمهمة.

متى تختار YOLOv6-3.0: إذا كنت تدعم نظاماً صناعياً قديماً مبنياً صراحة حول خطوط أنابيب TensorRT 7.x/8.x محددة وتتكون الأجهزة الخاصة بك بالكامل من وحدات معالجة رسومات NVIDIA T4 أو A100 مخصصة لـ manufacturing automation عالية السرعة، يظل YOLOv6 محركاً قابلاً للتطبيق وقادراً.

متى تختار YOLO11: لكل التطبيقات الحديثة تقريبا، يُعد YOLO11 الخيار الأفضل. سواء كنت تبنى حلول smart manufacturing، أو تنشر edge AI على أجهزة Raspberry Pi، أو تؤدي عمليات متعددة المهام مثل اكتشاف وتجزئة الصور الطبية، فإن YOLO11 يوفر التوازن الأمثل بين السرعة والدقة والمرونة في النشر.

نظرة مستقبلية: YOLO26 المتطور#

بينما يمثل YOLO11 قفزة هائلة للأمام، فإن Ultralytics تدفع باستمرار حدود رؤية الكمبيوتر. تم إطلاق سلسلة النماذج الجديدة YOLO26 في يناير 2026، وهي تمثل أحدث ما توصلت إليه التكنولوجيا على الإطلاق وتُعد النموذج الموصى به لجميع المشاريع الجديدة.

يقدم YOLO26 العديد من الميزات الرائدة المصممة خصيصاً لتحديات النشر الحديثة:

• تصميم خالٍ من NMS من البداية إلى النهاية: بناءً على المفاهيم التي رادتها YOLOv10، فإن YOLO26 متكامل من البداية إلى النهاية بشكل أصلي. وهو يلغي تماماً المعالجة اللاحقة لقمع الحد الأقصى غير (NMS)، مما ينتج عنه خطوط نشر أسرع وأبسط بكثير.
• إزالة DFL: من خلال إزالة خسارة بؤرية التوزيع (Distribution Focal Loss)، يبسط YOLO26 رأس الشبكة، مما يعزز بشكل كبير التوافق مع Internet of Things (IoT) والأجهزة الطرفية منخفضة الطاقة.
• مُحسِّن MuSGD: مستوحى من ابتكارات تدريب نماذج اللغات الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مُحسِّن Muon-SGD الهجين، مما يضمن استقرار تدريب لا مثيل له وتقارباً أسرع.
• أسرع بنسبة تصل إلى 43% في استنتاج وحدة المعالجة المركزية (CPU): بالنسبة للتطبيقات التي تعمل بدون مسرعات GPU مخصصة، تم تحسين YOLO26 بشكل كبير لتحقيق أقصى إنتاجية لوحدة المعالجة المركزية.
• ProgLoss + STAL: تُنتج دالة الفقد المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ drone imagery 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 كمبيوتر جديدة اليوم، فإن الاستفادة من Ultralytics Platform لتدريب نموذج YOLO26 ستضمن بناء تطبيقك على البنية الأكثر كفاءة ودقة وملاءمة للمستقبل.

للمطورين المهتمين باستكشاف الاكتشاف ذي المفردات المفتوحة، يمكنك أيضاً مراجعة وثائقنا الخاصة بـ YOLO-World.