Link to this sectionYOLO11 مقابل YOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية بسرعة كبيرة، ويعد اختيار بنية النموذج الصحيحة قراراً بالغ الأهمية لممارسي تعلم الآلة. يمثل كل من YOLO11 وYOLOv6-3.0 علامتين فارقتين في تطور اكتشاف الأشياء في الوقت الفعلي. وبينما يقدم كلا النموذجين قدرات مبهرة لاستخراج الرؤى من البيانات المرئية، فقد تم تطويرهما بأهداف أساسية 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.

Link to this sectionنظرة عامة على النماذج#

قبل الغوص في المعايير التقنية، من المفيد فهم أصول وتركيز كل نموذج.

Link to this sectionUltralytics YOLO11#

تم تطوير YOLO11 بشكل أصلي داخل نظام Ultralytics البيئي، وقد صُمم لتوفير تجربة تطوير سلسة وشاملة. فهو لا يركز على السرعة الخام فحسب، بل أيضاً على تعدد مهام الرؤية الحاسوبية، وسهولة الاستخدام، والتكامل مع خطوط أنابيب النشر الحديثة.

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

تعرف على المزيد حول YOLO11

Link to this sectionMeituan YOLOv6-3.0#

صُمم YOLOv6-3.0 خصيصاً للتطبيقات الصناعية حيث تتوفر وحدات معالجة الرسومات (GPUs) مخصصة. وهو يعتمد بشكل مكثف على تحسين النشر باستخدام TensorRT، مع التركيز على زيادة معدل الإنتاج في البيئات الخاضعة للرقابة.

• المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, و Xiangxiang Chu
• المنظمة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: مستودع Meituan YOLOv6
• التوثيق: توثيق YOLOv6

اعرف المزيد حول YOLOv6

Link to this sectionالاختلافات المعمارية#

تحدد البنية الأساسية 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 المعلمات. ويتميز بعمود فقري متقدم ورأس عام قادر على التعامل مع مهام رؤية حاسوبية متنوعة—مثل تجزئة المثيلات وتقدير الوضعية—دون الحاجة إلى إصلاحات هيكلية ضخمة. علاوة على ذلك، يتميز YOLO11 بمتطلبات ذاكرة CUDA منخفضة بشكل استثنائي أثناء التدريب، مما يميزه عن نماذج Transformer الأكثر ضخامة مثل RT-DETR.

في المقابل، يستخدم YOLOv6-3.0 وحدة تسلسل ثنائية الاتجاه (BiC) واستراتيجية تدريب مدعومة بالمرساة (AAT). تم تصميم هذه الآليات لتحسين دقة التوطين. البنية مفصولة بشكل أساسي ومكممة بكثافة لتفضيل استنتاج النموذج بصيغة INT8، مما يجعله منافساً قوياً لخطوط التصنيع عالية السرعة التي تعمل على حزم GPU قديمة.

Link to this sectionالأداء والمقاييس#

عند تقييم النماذج، يعد متوسط دقة الدقة (mAP) وسرعة الاستنتاج أمراً بالغ الأهمية. يقارن الجدول التالي أداء YOLO11 مقابل YOLOv6-3.0 عبر مختلف أحجام النماذج. تم تمييز المقاييس الأفضل أداءً بالخط العريض.

كما هو موضح، يحقق YOLO11 باستمرار دقة (mAP) أعلى مع عدد أقل بكثير من المعلمات وFLOPs عبر الفئات المكافئة. تترجم كفاءة المعلمات هذه مباشرة إلى متطلبات ذاكرة أقل أثناء تدريب النموذج والاستنتاج.

Link to this sectionميزة Ultralytics#

اختيار النموذج يتجاوز مجرد المقاييس الخام؛ بل يتعلق بـ دورة حياة تعلم الآلة بأكملها. توفر نماذج Ultralytics ميزة متميزة 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 جيد الصيانة: توفر Ultralytics نظاماً بيئياً موحداً يتلقى تحديثات متكررة. من خلال استخدام منصة Ultralytics، يحصل المطورون على إمكانية الوصول إلى التعليقات التوضيحية التعاونية لمجموعات البيانات، والتدريب السحابي، ومراقبة النموذج السلسة.
3. تعدد الاستخدامات: على عكس YOLOv6-3.0، الذي يعد في الأساس كاشفاً للمربعات المحيطة، يدعم YOLO11 بشكل أصلي تصنيف الصور والمربعات المحيطة الموجهة (OBB)، مما يتيح لك دمج تكنولوجيتك.
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.

Link to this sectionمثال 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")

Link to this sectionحالات الاستخدام المثالية#

يضمن فهم نقاط تفوق كل نموذج اختيار الأداة المناسبة للمهمة.

متى تختار YOLOv6-3.0: إذا كنت تدير نظاماً صناعياً قديماً تم بناؤه صراحةً حول خطوط أنابيب TensorRT 7.x/8.x محددة وتتكون أجهزتك بالكامل من وحدات GPU مخصصة من نوع NVIDIA T4 أو A100 لـ أتمتة التصنيع عالية السرعة، يظل YOLOv6 محركاً قابلاً للاستخدام وفعالاً.

متى تختار YOLO11: بالنسبة لجميع التطبيقات الحديثة تقريباً، يعد YOLO11 الخيار الأفضل. سواء كنت تبني حلول تصنيع ذكية، أو تنشر ذكاء اصطناعياً طرفياً على أجهزة Raspberry Pi، أو تقوم بعمليات متعددة المهام مثل اكتشاف وتجزئة الصور الطبية، يوفر YOLO11 التوازن الأمثل بين السرعة والدقة ومرونة النشر.

Link to this sectionنظرة مستقبلية: YOLO26 المتطور#

بينما يمثل YOLO11 قفزة هائلة للأمام، تواصل Ultralytics دفع حدود الرؤية الحاسوبية. تم إصدار سلسلة نماذج YOLO26 الجديدة في يناير 2026، وهي تمثل أحدث ما توصلت إليه التكنولوجيا وتوصى بها لجميع المشاريع الجديدة.

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

• تصميم شامل (End-to-End) بدون NMS: بالبناء على المفاهيم التي رائدها YOLOv10، فإن YOLO26 شامل بشكل أصلي. فهو يلغي تماماً معالجة ما بعد الـ Non-Maximum Suppression (NMS)، مما يؤدي إلى خطوط أنابيب نشر أسرع وأبسط بكثير.
• إزالة DFL: من خلال إزالة Distribution Focal Loss، يعمل YOLO26 على تبسيط رأس الشبكة، مما يعزز بشكل كبير التوافق مع أجهزة إنترنت الأشياء (IoT) منخفضة الطاقة والأجهزة الطرفية.
• 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: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأشياء 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 وملاءمة للمستقبل المتاحة.

للمطورين المهتمين باستكشاف الاكتشاف مفتوح المفردات، يمكنك أيضاً مراجعة وثائقنا حول YOLO-World.