YOLO11 مقابل YOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية بسرعة، ويُعد اختيار بنية النموذج المناسبة قراراً بالغ الأهمية لممارسي تعلم الآلة. ومن المحطات المهمة في تطور اكتشاف الكائنات في الوقت الفعلي YOLO11 وYOLOv6-3.0. ورغم أن كلا النموذجين يوفران قدرات مميزة لاستخلاص الرؤى من البيانات المرئية، فقد طُوّرا وفق أهداف أساسية وفلسفات تصميم مختلفة.

يقدم هذا الدليل تحليلاً تقنياً معمقاً يقارن بين بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية، لمساعدتك على اتخاذ قرار مستنير بشأن مشروعك القادم في الذكاء الاصطناعي.

نظرة عامة على النماذج#

من المفيد فهم أصول كل نموذج ومحور تركيزه الأساسي قبل الخوض في اختبارات الأداء التقنية.

Ultralytics YOLO11#

طُوّر YOLO11 أصلاً ضمن منظومة Ultralytics لتوفير تجربة تطوير سلسة وشاملة من البداية إلى النهاية. ولا يقتصر تركيزه على السرعة المجردة، بل يشمل أيضاً تعدد الاستخدامات في المهام وسهولة الاستخدام والتكامل مع مسارات النشر الحديثة.

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: مستودع Ultralytics
• الوثائق: وثائق YOLO11

Meituan YOLOv6-3.0#

صُمم YOLOv6-3.0 خصيصاً 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 للرقابة.

• المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
• المؤسسة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: مستودع Meituan YOLOv6
• الوثائق: وثائق YOLOv6

تعرّف على المزيد حول YOLOv6

الاختلافات المعمارية#

تحدد البنية الأساسية طريقة تعلّم النموذج وتوسّعه. ويقدم كلا الإطارين تحسينات فريدة لصيغة YOLO الكلاسيكية.

يعتمد YOLO11 على سنوات من البحث لتقديم بنية عالية الكفاءة في استخدام المعلمات. ويتميز بعمود فقري متقدم ورأس عام قادر على معالجة مهام متنوعة في الرؤية الحاسوبية، مثل تقسيم المثيلات وتقدير الوضعية، دون الحاجة إلى تغييرات هيكلية كبيرة. كما يتطلب YOLO11 ذاكرة CUDA منخفضة للغاية أثناء التدريب، ما يميزه عن نماذج Transformer الأضخم مثل RT-DETR.

على النقيض، يستخدم YOLOv6-3.0 وحدة الدمج ثنائي الاتجاه (BiC) واستراتيجية التدريب المدعومة بالمراسي (AAT). وتهدف هاتان الآليتان إلى تحسين دقة تحديد الموقع. أما البنية فهي مفككة في المقام الأول ومكمّمة بدرجة كبيرة لدعم استدلال النموذج بدقة INT8، ما يجعلها منافساً قوياً لخطوط التصنيع عالية السرعة التي تستخدم مجموعات GPU قديمة.

الأداء والمقاييس#

عند تقييم النماذج، يُعد كل من متوسط الدقة (mAP) وسرعة الاستدلال من العوامل الأساسية. يقارن الجدول التالي أداء YOLO11 بأداء YOLOv6-3.0 عبر مقاييس مختلفة للنماذج. وتُبرز أفضل المقاييس بخط عريض.

كما هو موضح، يحقق YOLO11 باستمرار دقة أعلى (mAP) مع عدد أقل بكثير من المعلمات وFLOPs ضمن الفئات المتكافئة. وتنعكس هذه الكفاءة في استخدام المعلمات مباشرةً على خفض متطلبات الذاكرة أثناء تدريب النموذج والاستدلال.

ميزة Ultralytics#

لا يقتصر اختيار النموذج على المقاييس المجردة، بل يشمل دورة حياة تعلم الآلة بأكملها. وتوفر نماذج Ultralytics ميزة واضحة للمطورين والباحثين على حد سواء.

1. سهولة الاستخدام: تتيح واجهة Python API في Ultralytics تدريب النماذج والتحقق منها وتصديرها باستخدام بضعة أسطر من الشيفرة. ولا حاجة إلى تهيئة أشجار التبعيات المعقدة يدوياً.
2. منظومة مصانة جيداً: توفر Ultralytics منظومة موحدة تتلقى تحديثات متكررة. وباستخدام منصة Ultralytics، يحصل المطورون على إمكانية وسم مجموعات البيانات بشكل تعاوني والتدريب السحابي ومراقبة النماذج بسلاسة.
3. تعدد الاستخدامات: بخلاف YOLOv6-3.0 الذي يقتصر أساساً على اكتشاف مربعات الإحاطة، يدعم YOLO11 أصلاً تصنيف الصور ومربعات الإحاطة الموجّهة (OBB)، ما يتيح لك توحيد مكدس التقنيات.
4. كفاءة التدريب: بفضل الاستفادة من التحسينات الحديثة والتجميع التلقائي، يتدرب YOLO11 بكفاءة على الأجهزة المخصصة للمستهلكين، ما يوسع إتاحة ذكاء الرؤية المتطور للجميع.

مثال برمجي: التدريب والاستدلال#

يتميز العمل باستخدام نماذج Ultralytics بسهولة كبيرة. فيما يلي مثال قابل للتشغيل بالكامل يوضح كيفية التدريب وتشغيل الاستدلال باستخدام حزمة Ultralytics.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 صغير مدرّب مسبقًا⁩
model = YOLO("yolo11s.pt")

# ⁨تدريب النموذج بكفاءة على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل الاستدلال على صورة من الويب⁩
prediction = model("https://ultralytics.com/images/bus.jpg")

# ⁨تصدير النموذج إلى تنسيق ONNX لتسهيل النشر⁩
model.export(format="onnx")

حالات الاستخدام المثالية#

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

متى تختار YOLOv6-3.0: إذا كنت تصون نظاماً صناعياً قديماً مبنياً صراحةً على مسارات عمل محددة لـTensorRT 7.x/8.x، وكانت أجهزتك تتألف بالكامل من وحدات GPU مخصصة من طراز NVIDIA T4 أو A100 لأتمتة التصنيع عالية السرعة، يظل YOLOv6 محركاً عملياً وقادراً.

متى تختار YOLO11: في معظم التطبيقات الحديثة تقريباً، يُعد YOLO11 الخيار الأفضل. سواء كنت تطور حلول التصنيع الذكي، أو تنشر الذكاء الاصطناعي الطرفي على أجهزة Raspberry Pi، أو تنفذ عمليات متعددة المهام مثل اكتشاف الصور الطبية وتقسيمها، يوفر YOLO11 التوازن الأمثل بين السرعة والدقة ومرونة النشر.

نظرة إلى المستقبل: YOLO26 المتطور#

يمثل YOLO11 قفزة كبيرة إلى الأمام، لكن Ultralytics تواصل تجاوز حدود الرؤية الحاسوبية. وقد صدرت سلسلة النماذج YOLO26 الجديدة في يناير 2026، وهي أحدث ما توصلت إليه التقنية وتُوصى بها لجميع المشاريع الجديدة.

يقدم YOLO26 عدة ميزات رائدة صُممت خصيصاً لتحديات النشر الحديثة:

• تصميم شامل بلا NMS: استناداً إلى المفاهيم التي ابتكرها YOLOv10، يقدم YOLO26 رأساً أصلياً شاملاً من البداية إلى النهاية (nms=False) يزيل المعالجة اللاحقة لقمع غير الأقصى (NMS)، ما يؤدي إلى مسارات نشر أسرع وأبسط بكثير.
• إزالة DFL: بإزالة خسارة البؤرة التوزيعية، يبسّط YOLO26 رأس الشبكة، ويحسّن بدرجة كبيرة التوافق مع أجهزة إنترنت الأشياء (IoT) منخفضة الطاقة والأجهزة الطرفية.
• مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّنًا هجينًا يجمع بين Muon وSGD، ما يضمن استقرارًا استثنائيًا للتدريب وتقاربًا أسرع.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: حُسِّن YOLO26 بدرجة كبيرة لزيادة معدل المعالجة الخام على CPU في التطبيقات التي تعمل دون مسرّعات GPU مخصصة.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في صور الطائرات المسيّرة والمراقبة الجوية.
• تحسينات خاصة بكل مهمة: يتضمن YOLO26 تحسينات مخصصة لمختلف المهام، مثل النمذجة الأولية متعددة المقاييس للتجزئة وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات.

إذا كنت تبدأ اليوم مبادرة جديدة في الرؤية الحاسوبية، فإن الاستفادة من منصة Ultralytics لتدريب نموذج YOLO26 تضمن بناء تطبيقك على البنية المتاحة الأكثر كفاءة ودقة واستعدادًا للمستقبل.

يمكن للمطورين المهتمين باستكشاف الكشف بمفردات مفتوحة الاطلاع أيضًا على وثائقنا حول YOLO-World.