YOLO11 YOLOv6.0: نظرة متعمقة على الكشف عن الكائنات عالي الأداء

في عالم الرؤية الحاسوبية سريع التطور، يعد اختيار النموذج المناسب لتطبيقك أمرًا بالغ الأهمية. تستكشف هذه المقارنة بين هندستين بارزتين: Ultralytics YOLO11، وهي نسخة محسنة من YOLO الأسطورية، و YOLOv6.YOLOv6، وهو كاشف قوي يركز على الصناعة من Meituan. من خلال تحليل هندستهما ومقاييس أدائهما وسهولة استخدامهما، نهدف إلى مساعدة المطورين على اتخاذ قرارات مستنيرة لتلبية احتياجاتهم الخاصة في مجال النشر.

ملخص تنفيذي

على الرغم من أن كلا الطرازين يوفران إمكانات متطورة، إلا أنهما يستهدفان أولويات مختلفة قليلاً. YOLO11 مصمم ليكون أداة قوية متعددة الاستخدامات للأغراض العامة، ويتميز بسهولة الاستخدام وكفاءة التدريب ودعم المهام الواسعة (الكشف والتجزئة والوضع والتصنيف). وهو يستفيد من Ultralytics الشامل، مما يجعله الخيار المفضل للمطورين الذين يحتاجون إلى تجربة مبسطة "من الصفر إلى القمة".

من ناحية أخرى، يركز YOLOv6.YOLOv6 بشكل كبير على الإنتاجية الصناعية على الأجهزة المخصصة. ويؤكد على تقليل زمن الاستجابة على وحدات معالجة الرسومات باستخدام TensorRT غالبًا على حساب المرونة وسهولة الإعداد.

بالنسبة لأولئك الذين يبحثون عن أحدث ما توصلت إليه الكفاءة، فإن YOLO26 (الذي تم إصداره في يناير 2026) يوسع الحدود أكثر مع تصميم شامل NMS CPU كبيرة CPU .

نظرات عامة على النموذج

Ultralytics YOLO11

YOLO11 إلى نجاح سابقيه، حيث يقدم تحسينات معمارية دقيقة لزيادة الدقة مع الحفاظ على السرعات في الوقت الفعلي. وهو مصمم ليكون فعالاً عبر مجموعة واسعة من الأجهزة، من الأجهزة الطرفية إلى خوادم السحابة.

المؤلفون: غلين جوشر وجينغ تشيو
المؤسسة:Ultralytics
التاريخ: 2024-09-27
GitHub:ultralytics/ultralytics
الميزة الرئيسية: إطار عمل موحد يدعم مهام رؤية متعددة باستخدام واجهة برمجة تطبيقات واحدة.

تعرف على المزيد حول YOLO11

YOLOv6-3.0

يركز YOLOv6 الملقب بـ "إعادة التحميل الشامل"، بشكل كبير على التطبيقات الصناعية التي تعتمد على وحدات معالجة الرسومات المخصصة (GPU) بشكل قياسي. ويقدم هذا البرنامج التسلسل ثنائي الاتجاه (BiC) في عنقه ويستخدم التدريب المدعوم بالمرساة (AAT) لتحسين التقارب.

المؤلفون: Chuyi Li, Lulu Li, وآخرون.
المنظمة: ميتوان
التاريخ: 2023-01-13
GitHub:meituan/YOLOv6
الميزة الرئيسية: مُحسّن بشكل أساسي GPU باستخدام TensorRT.

تعرف على المزيد حول YOLOv6

مقارنة الأداء

عند مقارنة الأداء، من الضروري النظر إلى التوازن بين mAP متوسط الدقة) وسرعة الاستدلال.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
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

تحليل الأداء

يُظهر YOLO11 كفاءة فائقة في المعلمات. على سبيل المثال، يحقق YOLO11n معدل mAP أعلى mAP 39.5) من YOLOv6. YOLOv6(37.5) مع استخدام ما يقرب من نصف المعلمات (2.6 مليون مقابل 4.7 مليون) وFLOPs. وهذا يجعل YOLO11 أخف وزنًا YOLO11 ، مما يترجم إلى استخدام أقل للذاكرة وملاءمة أفضل للأجهزة الطرفية المقيدة.

أبرز الملامح المعمارية

YOLO11: الكفاءة والقدرة على التكيف

YOLO11 كتلة C3k2 محسنة (نوع شبكة جزئية عبر المراحل) ووحدة SPPF محسنة. تم تصميم هذه البنية لتعظيم كفاءة استخراج الميزات مع تقليل الأعباء الحسابية إلى الحد الأدنى.

كفاءة التدريب: تشتهر Ultralytics بسرعة تقاربها. YOLO11 تدريب YOLO11 على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين مع متطلبات CUDA أقل مقارنة بالبنى القديمة أو النماذج الثقيلة التي تعتمد على المحولات.
حجم الذاكرة: تضمن البنية المُحسّنة حجم ذاكرة أصغر أثناء التدريب والاستدلال، مما يسمح بأحجام دفعات أكبر وخطوط أنابيب أكثر تعقيدًا لتعزيز البيانات.

YOLOv6.0: الإنتاجية الصناعية

يستخدم YOLOv6.YOLOv6 هيكل أساسي من نوع RepVGG (EfficientRep)، والذي تم تحسينه بشكل كبير للأجهزة التي تدعم إعادة المعلمات.

إعادة تحديد المعلمات: أثناء التدريب، يستخدم النموذج هياكل متعددة الفروع لتحسين تدفق التدرج. أثناء الاستدلال، يتم دمجها في طبقات تلافيف 3x3 واحدة. تعتبر استراتيجية "Rep" هذه ممتازة لـ GPU ولكنها قد تكون صعبة الإدارة أثناء التصدير وتؤدي إلى إنشاء ملفات أكبر حجمًا أثناء التدريب.
التكمية: تركز Meituan بشكل كبير على خطوط أنابيب التكمية بعد التدريب (PTQ) والتدريب المدرك للتكمية (QAT) لتحقيق أقصى أداء على TensorRT.

النظام البيئي وسهولة الاستخدام

يكمن الفارق الأهم بين هذين النموذجين في النظام البيئي المحيط بهما.

ميزة Ultralytics

Ultralytics لتجربة مستخدم موحدة ومبسطة. مع ultralytics Python يحصل المستخدمون على إمكانية الوصول إلى نظام بيئي جيد الصيانة يبسط كل مرحلة من مراحل التعلم الآلي دورة الحياة.

واجهة برمجة تطبيقات مبسطة: يمكن التعامل مع التدريب والتحقق والتنبؤ والتصدير باستخدام بضع أسطر من Python أو CLI بسيطة.
Ultralytics : يمكن للمستخدمين إدارة مجموعات البيانات وتوضيح الصور وتدريب النماذج عبر واجهة ويب على Ultralytics مما يلغي الحاجة إلى إعدادات بيئة محلية معقدة.
تعدد الاستخدامات: على عكس YOLOv6 الذي يعتبر في المقام الأول أداة للكشف عن الأشياء، يدعم YOLO11 مهام متعددة:

تجربة YOLOv6.0

YOLOv6 مستودعًا قويًا للبحوث. وعلى الرغم من قوته، إلا أنه غالبًا ما يتطلب مزيدًا من التكوين اليدوي. عادةً ما يحتاج المستخدمون إلى استنساخ المستودع وإدارة التبعيات يدويًا والتنقل بين ملفات التكوين المعقدة. يتوفر دعم للمهام التي تتجاوز الكشف (مثل التجزئة)، ولكنه أقل تكاملاً في سير العمل الموحد مقارنةً Ultralytics .

مثال على الكود: التدريب والتصدير

توضح المقارنة التالية بساطة Ultralytics .

استخدام YOLO11

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 example dataset
# The dataset is automatically downloaded if not present
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX format for broad compatibility
path = model.export(format="onnx")

مع Ultralytics، يمكنك دمج أدوات مثل Weights & Biases أو MLflow يتم تلقائيًا إذا كانت الحزم مثبتة، مما يزيد من تبسيط تتبع التجارب.

الاستعداد للمستقبل: حالة YOLO26

في حين أن YOLO11 خيارًا ممتازًا، إلا أن المطورين الذين يبدؤون مشاريع جديدة في عام 2026 يجب أن يفكروا جديًا في استخدام Ultralytics . تم إصداره في يناير 2026، وهو يمثل قفزة جيلية مقارنة بكل من YOLO11 YOLOv6.

NMS من البداية إلى النهاية: تزيل YOLO26 تقنية Non-Maximum Suppression (NMS)، وهي خطوة ما بعد المعالجة التي غالبًا ما تعقّد عملية النشر وتبطئ الاستدلال.
CPU : يوفر CPU أسرع بنسبة تصل إلى 43٪ CPU ، مما يعالج أحد المجالات الرئيسية التي YOLOv6 تواجه صعوبات فيها النماذج الصناعية مثل YOLOv6 .
MuSGD Optimizer: مستوحى من تدريب LLM، يضمن هذا المحسن الجديد تقاربًا مستقرًا وسريعًا.

تعرف على المزيد حول YOLO26

الخلاصة

كلاهما YOLO11 و YOLOv6.0 أدوات قوية في ترسانة الرؤية الحاسوبية.

اختر YOLOv6.0 إذا:

أنت تقوم بالنشر حصريًا على NVIDIA (T4، V100).
يعتمد خط الأنابيب الخاص بك بشكل كبير على TensorRT .
يعد معدل الإنتاجية (FPS) على أجهزة متطورة محددة هو المقياس الوحيد للنجاح.

اختر YOLO11 إذا:

أنت تقدر سهولة الاستخدام وواجهة برمجة تطبيقات موحدة للتدريب والنشر.
أنت بحاجة إلى نموذج متعدد الاستخدامات لأجهزة متنوعة (وحدات المعالجة المركزية، الأجهزة المحمولة، TPU Edge TPU، وحدات معالجة الرسومات GPU).
يتضمن مشروعك مهام متعددة مثل التجزئة أو تقدير الوضع.
تفضل نموذجًا يتمتع بنسبة دقة إلى معلمة أفضل وبأقل استهلاك للذاكرة.
تريد الوصول إلى الدعم والأدوات القوية التي توفرها Ultralytics .

للحصول على أحدث التقنيات، نوصي باستكشاف YOLO26، الذي يجمع بين أفضل ما في العالمين: الأداء العالي والنشر المبسط NMS الذي ابتكرته نماذج مثل YOLOv10.