YOLO11 مقابل YOLOv6-3.0: مقارنة تفصيلية للنماذج
يُعد اختيار نموذج الرؤية الحاسوبية الصحيح أمرًا بالغ الأهمية لتحقيق الأداء الأمثل في مهام الكشف عن الأجسام. تقدم هذه الصفحة مقارنة فنية بين Ultralytics YOLO11 و YOLOv6-3.0، مع التركيز على هياكلهما ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثالية لمساعدتك في اختيار الأنسب لمشروعك. في حين أن كلاهما كاشفات قوية، إلا أن YOLO11 يبرز كحل أكثر تنوعًا وكفاءة وسهولة في الاستخدام مدمج في نظام بيئي شامل ويتم صيانته بنشاط.
Ultralytics YOLO11
المؤلفون: جلين جوتشر و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolo11/
يعد Ultralytics YOLO11 أحدث نموذج متطور من Ultralytics، ويمثل أحدث تطور في سلسلة YOLO. تم إصداره في سبتمبر 2024، وهو يعتمد على الإصدارات السابقة مثل YOLOv8 مع تحسينات معمارية تهدف إلى تعزيز كل من السرعة والدقة. تم تصميم YOLO11 لتحقيق أداء وكفاءة فائقين عبر مجموعة واسعة من مهام رؤية الكمبيوتر، بما في ذلك الكشف عن الكائنات و تقسيم المثيلات و تصنيف الصور و تقدير الوضعية والمربعات المحيطة الموجهة (OBB).
البنية والميزات الرئيسية
يتميز YOLO11 ببنية مُحسَّنة تحقق توازنًا دقيقًا بين حجم النموذج وسرعة الاستدلال والدقة. تشمل التحسينات الرئيسية طبقات استخلاص ميزات مُحسَّنة وهيكل شبكة مبسط، مما يقلل من النفقات الحسابية. يضمن هذا التصميم أداءً فعالاً عبر الأجهزة المتنوعة، من الأجهزة الطرفية إلى الخوادم السحابية. باعتباره كاشفًا خاليًا من المرساة، يبسط YOLO11 عملية الاكتشاف وغالبًا ما يحسن التعميم، مما يجعله خيارًا أكثر حداثة وفعالية.
نقاط القوة
- توازن أداء فائق: تحقق درجات mAP أعلى مع عدد أقل من المعلمات مقارنة بالعديد من المنافسين، مما يوفر مقايضة ممتازة بين السرعة والدقة، كما هو موضح في جدول الأداء أدناه.
- تنوع الاستخدامات: يدعم مهام رؤية متعددة ضمن إطار عمل واحد وموحد، مما يوفر حلاً شاملاً يتجاوز بكثير مجرد اكتشاف الكائنات البسيط. هذه ميزة كبيرة مقارنة بالنماذج ذات المهمة الواحدة مثل YOLOv6.
- سهولة الاستخدام: يستفيد من نظام Ultralytics البيئي المبسّط، الذي يتميز بـ واجهة برمجة تطبيقات Python بسيطة، و وثائق شاملة، و أوزان مُدرَّبة مسبقًا متاحة بسهولة.
- نظام بيئي مُدار بشكل جيد: تم تطويره ودعمه بنشاط من قبل Ultralytics، مع تحديثات متكررة ودعم مجتمعي قوي عبر GitHub و Discord، وتكامل سلس مع Ultralytics HUB للتدريب والنشر بدون تعليمات برمجية.
- كفاءة التدريب: يوفر عمليات تدريب عالية الكفاءة، وغالبًا ما يتطلب ذاكرة أقل مقارنة بالبنى الأخرى مثل النماذج القائمة على المحولات، والتي تكون أبطأ في التدريب وأكثر استهلاكًا للموارد.
نقاط الضعف
- نموذج جديد: باعتباره أحدث إصدار، لا يزال حجم البرامج التعليمية المجتمعية وأدوات الطرف الثالث في ازدياد مقارنة بالنماذج الأكثر رسوخًا مثل YOLOv5.
- اكتشاف الأجسام الصغيرة: على غرار معظم أجهزة الكشف أحادية المرحلة، قد يواجه تحديات مع الأجسام الصغيرة جدًا مقارنةً بأجهزة الكشف المتخصصة ثنائية المرحلة، على الرغم من أنه لا يزال يعمل بقوة في معظم السيناريوهات.
حالات الاستخدام المثالية
إن مزيج YOLO11 من الدقة والسرعة والتنوع يجعله مثاليًا لمجموعة واسعة من التطبيقات الحديثة:
- التطبيقات في الوقت الفعلي التي تتطلب دقة عالية (مثل الأنظمة المستقلة، الروبوتات).
- سيناريوهات المهام المتعددة التي تحتاج إلى الكشف والتجزئة وتقدير الوضع في وقت واحد، كما هو الحال في أنظمة الأمان المتقدمة.
- النشر عبر منصات مختلفة، من الأجهزة الطرفية ذات الموارد المحدودة (NVIDIA Jetson، Raspberry Pi) إلى البنية التحتية السحابية القوية.
- تطبيقات في الأمن، و البيع بالتجزئة، و الرعاية الصحية، و التصنيع.
YOLOv6-3.0
المؤلفون: تشوي لي، لولو لي، ييفي قنغ، هونغليانغ جيانغ، منغ تشنغ، بو تشانغ، زيدان كه، شياومينغ شو، وشيانغشيانغ تشو
المنظمة: ميتوان
التاريخ: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: https://github.com/meituan/YOLOv6
المستندات: https://docs.ultralytics.com/models/yolov6/
تم تطوير YOLOv6-3.0 بواسطة Meituan، وهو إطار عمل للكشف عن الكائنات مصمم بشكل أساسي للتطبيقات الصناعية. تم إصداره في أوائل عام 2023، وكان يهدف إلى توفير توازن بين السرعة والدقة مناسبًا لسيناريوهات النشر في العالم الحقيقي في ذلك الوقت.
البنية والميزات الرئيسية
قدم YOLOv6 تعديلات معمارية مثل العمود الفقري وتصميم العنق الفعال. قامت النسخة 3.0 بتحسين هذه العناصر بشكل أكبر ودمجت تقنيات مثل التقطير الذاتي أثناء التدريب لتعزيز الأداء. كما أنها توفر نماذج محددة مُحسَّنة للنشر على الأجهزة المحمولة (YOLOv6Lite)، مما يدل على تركيزها على التحسينات الخاصة بالأجهزة.
نقاط القوة
- مقايضة جيدة بين السرعة والدقة: يوفر أداءً تنافسيًا، خاصة لمهام الكشف عن الأجسام الصناعية حيث السرعة هي الشغل الشاغل.
- دعم تحديد الكمية: يوفر أدوات وبرامج تعليمية لـ تحديد كمية النموذج، وهو أمر مفيد للنشر على الأجهزة ذات الموارد المحدودة.
- تحسين الأجهزة المحمولة: يتضمن متغيرات YOLOv6Lite المصممة خصيصًا للاستدلال المستند إلى الأجهزة المحمولة أو وحدة المعالجة المركزية CPU.
نقاط الضعف
- تعددية المهام محدودة: يركز بشكل أساسي على اكتشاف الكائنات، ويفتقر إلى الدعم الأصلي للتجزئة أو التصنيف أو تقدير الوضع الموجود في إطار عمل Ultralytics YOLO11 الشامل. هذا يحد من قابليته للتطبيق في مشاريع الذكاء الاصطناعي الحديثة ومتعددة الأوجه.
- النظام البيئي والصيانة: على الرغم من أنه مفتوح المصدر، إلا أن النظام البيئي ليس شاملاً أو نشطًا مثل منصة Ultralytics. قد يؤدي ذلك إلى تحديثات أبطأ، وعمليات تكامل أقل، ودعم مجتمعي أقل للمطورين.
- استخدام أعلى للموارد: كما هو موضح في الجدول أدناه، يمكن أن تحتوي نماذج YOLOv6 الأكبر على معلمات وعمليات FLOPs أكثر بكثير مقارنة بمكافئاتها في YOLO11 للحصول على mAP مماثل، مما قد يتطلب المزيد من موارد الحوسبة للتدريب والنشر.
حالات الاستخدام المثالية
YOLOv6-3.0 مناسب لـ:
- التطبيقات الصناعية التي تكون فيها سرعة اكتشاف الأجسام هي العامل الأكثر أهمية.
- سيناريوهات النشر التي تستفيد بشكل كبير من التكميم أو تتطلب نماذج مُحسَّنة للأجهزة المحمولة للأنظمة القديمة.
- المشاريع التي تركز بشكل حصري على اكتشاف الكائنات ولا تتطلب قدرات متعددة المهام.
مقارنة الأداء: YOLO11 ضد YOLOv6-3.0
يقدم الجدول التالي مقارنة تفصيلية للأداء بين نموذجي YOLO11 و YOLOv6-3.0 على مجموعة بيانات COCO.
| النموذج | الحجم (بالبكسل) |
mAPval 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 |
تظهر البيانات بوضوح أن نماذج YOLO11 تحقق باستمرار درجات mAP أعلى من نظيراتها YOLOv6-3.0 بأحجام مماثلة، مع استخدام عدد أقل بكثير من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs). على سبيل المثال، يتفوق YOLO11m على YOLOv6-3.0m في الدقة (51.5 مقابل 50.0 mAP) مع ما يقرب من نصف عدد المعلمات (20.1 مليون مقابل 34.9 مليون). هذه الكفاءة الفائقة تجعل YOLO11 حلاً أكثر قوة وفعالية من حيث التكلفة للنشر. في حين أن YOLOv6-3.0n يُظهر استدلالًا سريعًا جدًا على GPU، إلا أن YOLO11 يوفر توازنًا أفضل بكثير بشكل عام بين الدقة وحجم النموذج وتعدد الاستخدامات.
الخلاصة والتوصية
في حين أن YOLOv6-3.0 كان مساهمًا قويًا في مجال الكشف عن الكائنات، فإن Ultralytics YOLO11 هو الفائز الواضح للمطورين والباحثين الذين يبحثون عن حل حديث ومتعدد الاستخدامات وفعال لرؤية الكمبيوتر.
لا تقدم YOLO11 دقة أعلى فحسب مع عدد أقل من الموارد الحسابية، بل توسع أيضًا قدراتها لتشمل مجموعة واسعة من المهام بما في ذلك التجزئة والتصنيف وتقدير الوضع داخل إطار واحد سهل الاستخدام. يضمن نظام Ultralytics البيئي القوي والذي تتم صيانته بنشاط، والمكتمل بوثائق شاملة ودعم المجتمع وأدوات مثل Ultralytics HUB، تجربة تطوير ونشر سلسة.
لأي مشروع جديد، يعتبر YOLO11 هو الخيار الموصى به. بالنسبة لأولئك المهتمين بالبنى الحديثة الأخرى، قد يوفر استكشاف المقارنات مع نماذج مثل YOLOv10 أو RT-DETR أيضًا رؤى قيمة.
