مقارنة بين YOLO11 وYOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية بسرعة، ويُعد اختيار بنية النموذج المناسبة قرارًا بالغ الأهمية لممارسي تعلّم الآلة. ومن المحطات البارزة في تطور اكتشاف الأجسام في الزمن الحقيقي نموذجا YOLO11 وYOLOv6-3.0. وعلى الرغم من أن كلا النموذجين يقدّم إمكانات متميزة لاستخلاص الرؤى من البيانات المرئية، فقد طُوّرا وفق أهداف أساسية وفلسفات تصميم مختلفة.

يقدّم هذا الدليل تحليلًا تقنيًا معمقًا يقارن بين بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية لهما، لمساعدتك على اتخاذ قرار مستنير لمشروعك التالي في مجال الذكاء الاصطناعي.

نظرة عامة على النماذج#

قبل التعمق في المعايير التقنية، من المفيد فهم أصول كل نموذج وتركيزه الأساسي.

Ultralytics YOLO11#

طُوّر YOLO11 أصليًا ضمن منظومة Ultralytics، وصُمم لتوفير تجربة تطوير سلسة ومتكاملة من البداية إلى النهاية. وهو لا يركّز على السرعة الخام فحسب، بل يركّز أيضًا على تعدد مهام الاستخدام وسهولة الاستخدام والتكامل مع مسارات النشر الحديثة.

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: 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 (GPUs) المخصصة. وهو محسّن بدرجة كبيرة للنشر باستخدام TensorRT، مع التركيز على زيادة معدل النقل إلى أقصى حد في البيئات الخاضعة للتحكم.

• المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، Hongliang Jiang، Meng Cheng، Bo Zhang، Zaidan Ke، Xiaoming Xu، وXiangxiang Chu
• المنظمة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: مستودع Meituan YOLOv6
• المستندات: وثائق YOLOv6

تعرف على المزيد حول YOLOv6

الاختلافات المعمارية#

تحدد البنية الأساسية كيفية تعلّم النموذج وتوسّعه. ويقدّم كلا الإطارين تحسينات فريدة للصيغة الكلاسيكية لـ YOLO.

يعتمد YOLO11 على سنوات من الأبحاث لتقديم بنية تتميز بكفاءة فائقة في استخدام المعلمات. ويضم مستخرج سمات متقدمًا ورأسًا عامًا قادرًا على التعامل مع مهام متنوعة في الرؤية الحاسوبية—مثل تجزئة المثيلات وتقدير الوضعية—من دون الحاجة إلى إعادة هيكلة كبيرة. علاوة على ذلك، يتميز YOLO11 بمتطلبات منخفضة للغاية لذاكرة CUDA أثناء التدريب، ما يميّزه عن نماذج Transformer الأكبر حجمًا مثل RT-DETR.

في المقابل، يستخدم YOLOv6-3.0 وحدة Bi-directional Concatenation (BiC) واستراتيجية Anchor-Aided Training (AAT). وقد صُممت هذه الآليات لتحسين دقة تحديد المواقع. وتتميز البنية بفصل مكوّناتها أساسًا وبكمّية تكميم عالية، لتفضيل استدلال النموذج بدقة INT8، ما يجعلها منافسًا قويًا لخطوط التصنيع عالية السرعة التي تشغّل حزم GPU قديمة.

الأداء والمقاييس#

عند تقييم النماذج، تكون متوسط الدقة (mAP) وسرعة الاستدلال عاملين بالغي الأهمية. يقارن الجدول التالي أداء YOLO11 بأداء YOLOv6-3.0 عبر مقاييس مختلفة للنماذج. وقد أُبرزت المقاييس الأفضل أداءً بخط عريض.

كما يتضح، يحقق YOLO11 باستمرار دقة أعلى (mAP) مع عدد أقل بكثير من المعلمات وعمليات FLOPs عبر المستويات المتكافئة. وتترجم هذه الكفاءة في استخدام المعلمات مباشرةً إلى متطلبات ذاكرة أقل أثناء كل من تدريب النموذج والاستدلال.

ميزة Ultralytics#

لا يقتصر اختيار النموذج على المقاييس الخام فحسب، بل يشمل دورة حياة تعلّم الآلة بأكملها. وتوفّر نماذج Ultralytics ميزة واضحة للمطورين والباحثين على حد سواء.

1. سهولة الاستخدام: تتيح لك Python API الخاصة بـ Ultralytics تدريب النماذج والتحقق منها وتصديرها باستخدام بضعة أسطر من التعليمات البرمجية فقط. ولا حاجة إلى إعداد أشجار تبعيات معقدة يدويًا.
2. منظومة تحظى بصيانة جيدة: توفّر Ultralytics منظومة موحّدة تتلقى تحديثات متكررة. ومن خلال استخدام منصة Ultralytics، يحصل المطورون على إمكانية إضافة تعليقات توضيحية تعاونية إلى مجموعات البيانات، والتدريب السحابي، ومراقبة النماذج بسلاسة.
3. تعدد الاستخدامات: بخلاف YOLOv6-3.0، الذي يُعد كاشفًا لمربعات الإحاطة أساسًا، يدعم YOLO11 أصليًا تصنيف الصور ومربعات الإحاطة الموجّهة (OBB)، ما يتيح لك توحيد حزمة التقنيات لديك.
4. كفاءة التدريب: بالاستفادة من التحسينات الحديثة والتجميع التلقائي، يتدرب YOLO11 بكفاءة على الأجهزة المخصصة للمستهلكين، ما يوسّع إمكانية الوصول إلى أحدث تقنيات الذكاء الاصطناعي للرؤية.

مثال على التعليمات البرمجية: التدريب والاستدلال#

يُعد العمل باستخدام نماذج Ultralytics سهلًا للغاية. يوضح المثال التالي، القابل للتشغيل بنسبة 100%، كيفية تدريب النموذج وتشغيل الاستدلال 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#

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

متى تختار YOLOv6-3.0: إذا كنت تدير نظامًا صناعيًا قديمًا بُني خصيصًا حول مسارات TensorRT 7.x/8.x محددة، وكانت أجهزتك تتكون بالكامل من وحدات GPU مخصصة من نوع NVIDIA T4 أو A100 لأتمتة التصنيع عالية السرعة، يظل YOLOv6 محركًا صالحًا وقادرًا.

متى تختار YOLO11: في جميع التطبيقات الحديثة تقريبًا، يُعد YOLO11 الخيار الأفضل. سواء كنت تنشئ حلولًا لـالتصنيع الذكي، أو تنشر الذكاء الاصطناعي الطرفي على أجهزة Raspberry Pi، أو تنفذ عمليات متعددة المهام مثل اكتشاف الصور الطبية وتجزئتها، فإن YOLO11 يوفّر التوازن الأمثل بين السرعة والدقة ومرونة النشر.

نظرة إلى المستقبل: YOLO26 المتطور#

في حين يمثّل YOLO11 قفزة هائلة إلى الأمام، تواصل Ultralytics دفع حدود الرؤية الحاسوبية. وقد أُطلقت سلسلة النماذج الجديدة YOLO26 في يناير 2026، وهي تمثل أحدث ما توصلت إليه التقنية على الإطلاق، كما أنها النموذج الموصى به لجميع المشاريع الجديدة.

يقدّم YOLO26 عدة ميزات رائدة صُممت خصيصًا لتحديات النشر الحديثة:

• تصميم شامل من البداية إلى النهاية بلا NMS: بالاستناد إلى المفاهيم التي ابتكرها YOLOv10، يعمل YOLO26 أصليًا من البداية إلى النهاية. فهو يلغي تمامًا المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، ما يؤدي إلى مسارات نشر أسرع وأبسط بكثير.
• إزالة DFL: من خلال إزالة Distribution Focal Loss، يبسّط YOLO26 رأس الشبكة، ما يعزز بدرجة كبيرة التوافق مع أجهزة إنترنت الأشياء (IoT) والأجهزة الطرفية منخفضة الطاقة.
• مُحسِّن MuSGD: مستلهمًا من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مُحسِّن Muon-SGD هجينًا، ما يضمن استقرارًا لا مثيل له أثناء التدريب وتقاربًا أسرع.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: بالنسبة إلى التطبيقات التي تعمل من دون مسرّعات GPU مخصصة، حُسّن YOLO26 بدرجة كبيرة لزيادة معدل النقل الخام عبر CPU.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالصور الملتقطة بالطائرات المسيّرة والمراقبة الجوية.
• تحسينات خاصة بكل مهمة: يتضمن YOLO26 تحسينات مخصصة عبر جميع المهام، مثل إنشاء النماذج الأولية متعددة المقاييس للتجزئة وResidual Log-Likelihood Estimation (RLE) لتقدير الوضعية.

إذا كنت تبدأ اليوم مبادرة جديدة في مجال الرؤية الحاسوبية، فإن الاستفادة من منصة Ultralytics لتدريب نموذج YOLO26 ستضمن بناء تطبيقك على أكفأ بنية وأدقها وأكثرها استعدادًا للمستقبل من بين البنى المتاحة.

يمكن للمطورين المهتمين باستكشاف اكتشاف المفردات المفتوحة مراجعة وثائقنا أيضًا حول YOLO-World.