YOLO11 مقابل YOLOv6-3.0: مقارنة تفصيلية بين النموذجين
يُعد اختيار نموذج رؤية الكمبيوتر المناسب أمرًا بالغ الأهمية لتحقيق الأداء الأمثل في مهام اكتشاف الأجسام. تقدم Ultralytics مجموعة من نماذج YOLO ولكل منها نقاط قوة فريدة. تقدم هذه الصفحة مقارنة تقنية بين Ultralytics YOLO11 و YOLOv6-3.0، وهما خياران شائعان لاكتشاف الأجسام، مع التركيز على بنيتهما ومقاييس أدائهما وتطبيقاتهما المثالية.
Ultralytics YOLO11
Ultralytics YOLO11 هو أحدث نموذج متطور في سلسلة YOLO من تأليف جلين جوتشر وجينغ تشيو من Ultralytics تم إصداره في 2024-09-27. وهو يعتمد على الإصدارات السابقة لتقديم أحدث إمكانات الكشف عن الأجسام، وقد تم تصميمه لتعزيز الدقة والكفاءة في مختلف مهام الرؤية الحاسوبية بما في ذلك اكتشاف الأجسام، وتجزئة النماذج، وتصنيف الصور، وتقدير الوضع.
يقدم YOLO11 تحسينات معمارية لتوقعات أكثر دقة وكفاءة أكبر. والجدير بالذكر أن YOLO11m يحقق متوسط دقة أعلى على مجموعة بيانات COCO بمعلمات أقل مقارنةً بـ YOLOv8m. تمتد هذه الكفاءة إلى منصات متنوعة، من الأجهزة المتطورة إلى الأنظمة السحابية. يؤدي التصميم المحسّن إلى سرعات معالجة أسرع وتكاليف حسابية أقل، مما يجعله مناسبًا للتطبيقات في الوقت الفعلي والبيئات محدودة الموارد. لمزيد من التفاصيل، راجع وثائق YOLO11 الرسمية.
نقاط قوة YOLO11:
- دقة فائقة: يحقق دقة أعلى في الكشف عن المعلمات مع عدد أقل من المعلمات، مما يحسن دقة الكشف.
- كفاءة محسّنة: يوفر سرعات معالجة أسرع وتكاليف حسابية أقل.
- تعدد الاستخدامات: يدعم مهام متعددة بما في ذلك الكشف، والتجزئة، والتصنيف، وتقدير الوضعية.
- التوافق عبر المنصات: يعمل بشكل جيد على كل من أنظمة الحافة والأنظمة السحابية.
- سهولة الاستخدام: تكامل سلس مع Ultralytics HUB وحزمة Python .
نقاط ضعف YOLO11:
- نموذج جديد: كونه أحدث النماذج، لا يزال دعم المجتمع وتوثيقه في نمو مستمر مقارنة بالنماذج الأكثر رسوخاً.
حالات الاستخدام المثالية لـ YOLO11
إن دقة YOLO11 وتوازن سرعته يجعلها مثالية للتطبيقات التي تتطلب دقة عالية وأداءً فوريًا، مثل
- أنظمة مساعدة السائق المتقدمة (ADAS) في السيارات ذاتية القيادة(الذكاء الاصطناعي في القيادة الذاتية)
- الروبوتات عالية الدقة في التصنيع(الذكاء الاصطناعي في التصنيع)
- أنظمة مراقبة متطورة لتعزيز الأمن(الرؤية الحاسوبية لمنع السرقة)
- تحليل الصور الطبية للتشخيص الدقيق(الذكاء الاصطناعي في الرعاية الصحية)
- التحليلات الرياضية في الوقت الحقيقي(استكشاف تطبيقات الرؤية الحاسوبية في الرياضة)
YOLOV6-3.0
YOLOOv6-3.0 هو إطار عمل عالي الأداء لاكتشاف الأجسام تم تطويره بواسطة Meituan وتأليفه من قبل Chuyi Li وLulu Li وآخرين، وتم إصداره في 2023-01-13. وهو مصمم للتطبيقات الصناعية التي تتطلب توازنًا بين السرعة والدقة. يشتمل YOLOv6-3.0 على ابتكارات معمارية مثل وحدة التسلسل ثنائي الاتجاه (BiC) واستراتيجية التدريب بمساعدة المرساة (AAT) لتحسين الأداء دون المساس بالسرعة بشكل كبير.
يُعرف YOLOv6-3.0 بكفاءته وسرعته، حيث يقدم أحجامًا مختلفة من النماذج (N، S، M، L) لتلبية الاحتياجات الحسابية المختلفة. إن تصميمه المحسّن ودعمه الكمي يجعله مناسبًا بشكل خاص للتطبيقات في الوقت الحقيقي والنشر على الأجهزة المتطورة. يمكن العثور على معلومات مفصلة في وثائق YOLOv6 ومستودع YOLOv6 GitHub.
تعرف على المزيد حول YOLOv6-3.0
نقاط قوة YOLOv6-3.0:
- سرعة استنتاج عالية: مُحسَّن للأداء في الوقت الفعلي، مما يحقق سرعة عالية في الثانية.
- دقة متوازنة: يوفر توازناً جيداً بين الدقة والسرعة.
- دعم التكميم الكمي: يوفر تكميم INT8 لزيادة السرعة والكفاءة.
- تحسين الأجهزة المحمولة: يتضمن طرازات YOLOv6Lite المصممة خصيصًا للنشر على الأجهزة المحمولة CPU .
- نموذج راسخ: موثق بشكل جيد مع مجتمع وقاعدة رموز قوية.
نقاط ضعف YOLOv6-3.0:
- دقة أقل محتملة: قد تكون دقة أقل قليلاً مقارنةً بأحدث نماذج YOLO مثل YOLO11 في سيناريوهات معقدة معينة.
- أصل التطوير: تم تطويره خارج Ultralytics على الرغم من دمجه في نظام Ultralytics البيئي.
حالات الاستخدام المثالية لـ YOLOv6-3.0
يعد YOLOv6-3.0 مناسبًا تمامًا للتطبيقات التي تكون فيها السرعة والكفاءة أمرًا بالغ الأهمية:
- اكتشاف الأجسام في الوقت الحقيقي على أجهزة الحافة(Edge ai)
- الأتمتة الصناعية التي تتطلب اكتشافًا سريعًا وموثوقًا(تحسين التصنيع باستخدام رؤية الكمبيوتر)
- أنظمة المراقبة والأمن حيث تكون المعالجة السريعة أمرًا بالغ الأهمية(تحطيم الوضع الراهن للمراقبة باستخدام الذكاء الاصطناعي للرؤية)
- تطبيقات الهاتف المحمول ذات القيود على الموارد(نشر تطبيقات الرؤية الحاسوبية على أجهزة الذكاء الاصطناعي المتطورة)
- تحليلات الفيديو عالية الإنتاجية
| الطراز | الحجم (بكسل) |
مافال 50-95 |
السرعة CPU ONNX (مللي ثانية) |
السرعة T4 T4TensorRT10 (مللي ثانية) |
بارامز (م) |
(ب) |
|---|---|---|---|---|---|---|
| يولو 11 ن | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| يولو 11 م | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| يولو 11ل | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| يولو11x | 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 |
| YOLOV6-3.0 م | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOV6-3.0L | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
يمكن للمستخدمين المهتمين باستكشاف النماذج الأخرى أن يفكروا أيضًا في طرازات Ultralytics YOLOv8 لتحقيق التوازن بين الأداء والميزات، و YOLOv9 للتحسينات المعمارية المتقدمة، و YOLOv10 لأحدث التطورات، و YOLOv7، و YOLOv5 حيث يقدم كل منها نقاط قوة فريدة في عائلة YOLO .
