YOLO26 مقابل YOLOv6-3.0#
غالبًا ما يحدد اختيار البنية المناسبة للنشر نجاح مشروع تعلّم الآلة. وتتناول هذه المقارنة التقنية الفروق الرئيسية بين Ultralytics YOLO26 وYOLOv6-3.0 الموجّه للصناعة، مع تقييم بنيتيهما ومنهجَي التدريب وسيناريوهات النشر المثالية.
أصول النماذج وتفاصيلها#
قبل مقارنة مقاييس الأداء، من المفيد فهم خلفية هذين النموذجين للرؤية الحاسوبية ومجال تركيز تطويرهما.
YOLO26
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics على GitHub
- الوثائق: الوثائق الرسمية لـ YOLO26
YOLOv6-3.0
- 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: ورقة YOLOv6 v3.0
- GitHub: مستودع YOLOv6 على GitHub
- الوثائق: وثائق YOLOv6
تعرّف على مزيد من المعلومات حول YOLOv6-3.0
الابتكارات والاختلافات المعمارية#
صُمم كلا النموذجين لتحقيق اكتشاف الأجسام بسرعة عالية، لكنهما يتبعان نهجين مختلفين للوصول إلى هذا الأداء.
Ultralytics YOLO26: نموذج أصلي شامل يضع الأجهزة الطرفية في المقام الأول#
صدر YOLO26 في يناير 2026، ويركز على كفاءة النموذج. ويتمثل أهم تطوير معماري في رأسه الاختياري الشامل من البداية إلى النهاية بلا NMS (nms=False). ومن خلال إزالة خطوة المعالجة اللاحقة التقليدية المتمثلة في كبح الصناديق غير القصوى (NMS) — وهو مفهوم أدخله YOLOv10 إلى نماذج YOLO — يقلل YOLO26 تفاوت زمن الاستجابة، ما يجعله أكثر قابلية للتنبؤ عند النشر الآني على الأجهزة الطرفية.
إضافةً إلى ذلك، يتضمن YOLO26 ميزة إزالة DFL. وتؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية التصدير وتحسين التوافق مع أجهزة الحوسبة الطرفية منخفضة الطاقة. وبالاقتران مع التحسينات الأخرى، يجعل ذلك YOLO26n أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـYOLO11n، ما يجعله مناسبًا للبيئات التي لا تتوفر فيها وحدات معالجة الرسومات (GPUs) مخصصة، مثل Raspberry Pi أو الأجهزة المحمولة.
YOLOv6-3.0: المتخصص الصناعي#
طوّر فريق الرؤية في Meituan نموذج YOLOv6-3.0، وهو شبكة CNN صناعية محسّنة للنشر باستخدام TensorRT على أجهزة NVIDIA. ويستخدم تقنيات التقطير الذاتي وتصميم بنية عصبية يراعي الأجهزة. وعلى الرغم من سرعته العالية جدًا على وحدات GPU من طراز T4 أو A100، فإنه يعتمد على المعالجة اللاحقة التقليدية باستخدام NMS، ما قد يؤدي إلى اختناقات في بيئات الأجهزة محدودة الموارد.
توازن الأداء والمقاييس المعيارية#
يتمثل الاختبار الحقيقي لأي نموذج في مدى موازنته بين متوسط الدقة (mAP) وسرعة الاستدلال وعدد المعلمات. وتشتهر نماذج Ultralytics بانخفاض متطلباتها من الذاكرة وتوازن أدائها القوي، كما أنها تحتاج غالبًا إلى ذاكرة CUDA أقل بكثير من النماذج القائمة على Transformer.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
يحقق YOLO26 مقدار mAP أعلى من YOLOv6-3.0 في جميع الأحجام، باستخدام نحو نصف عدد المعلمات أو أقل. فعلى سبيل المثال، يتفوق YOLO26s على YOLOv6-3.0s بمقدار 3.6 نقاط mAP، مع استخدام ما يقارب نصف عدد المعلمات (9.5M مقابل 18.5M). أما YOLOv6-3.0n فهو أسرع على GPU من طراز T4 (1.17 ms مقابل 1.7 ms)، بينما يكون YOLO26 أسرع ابتداءً من الحجم s.
يعني انخفاض عدد المعلمات وعمليات FLOPs في YOLO26 استهلاكًا أقل للذاكرة أثناء التدريب والاستدلال مقارنةً بـ YOLOv6، ما يتيح استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية القياسية.
كفاءة التدريب ومنهجياته#
تختلف منهجيات التدريب بين إطارَي العمل. يقدّم YOLO26 محسّن MuSGD، وهو مزيج من SGD وMuon، مستوحى من Kimi K2 من Moonshot AI. وينقل هذا ابتكارات تدريب نماذج اللغة الكبيرة مباشرةً إلى الرؤية الحاسوبية، ما يؤدي إلى تدريب أكثر استقرارًا وتقارب أسرع.
يستخدم YOLO26 أيضًا ProgLoss + STAL، وهي آلية تدريجية لموازنة الخسارة واستراتيجية لإسناد التسميات تراعي الأهداف الصغيرة. ويحسّنان معًا التعرّف على الأجسام الصغيرة، وهو أمر مهم لتطبيقات الذكاء الاصطناعي في الزراعة والصور الملتقطة بالطائرات المسيّرة على ارتفاعات عالية.
في المقابل، يستخدم YOLOv6-3.0 استراتيجية التقطير الذاتي. وعلى الرغم من فعاليتها، فإنها تتطلب عمومًا جداول تدريب أطول وموارد حوسبة إضافية للوصول إلى الدقة المثلى.
المنظومة وسهولة الاستخدام#
تتمثل إحدى أكبر مزايا اختيار YOLO26 في منظومة منصة Ultralytics التي تحظى بصيانة جيدة. ويمكن للمطوّرين تثبيت حزمة Python وبدء التدريب خلال دقائق.
في المقابل، يتطلب YOLOv6 استنساخ مستودع الأبحاث وإدارة التبعيات يدويًا والتعامل مع برامج تشغيل معقدة، ما قد يبطئ النشر لدى الفرق الهندسية.
مثال برمجي: البدء باستخدام YOLO26#
لا يتطلب تدريب نماذج Ultralytics وإجراء الاستدلال بها سوى بضعة أسطر باستخدام واجهة Python API:
from ultralytics import YOLO
# تحميل نموذج YOLO26 النانوي عالي الكفاءة
model = YOLO("yolo26n.pt")
# تدريب النموذج على مجموعة بيانات COCO8 لمدة 100 حقبة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل الاستدلال الشامل الخالي من NMS على صورة
results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# صدّر إلى ONNX للنشر على CPU
model.export(format="onnx")تعدد الاستخدامات عبر مهام الرؤية#
بينما يقتصر YOLOv6-3.0 على اكتشاف الأجسام باستخدام الصناديق المحيطة، يدعم YOLO26 مهامًا أكثر بكثير. وباستخدام واجهة API نفسها، يمكن للمطوّرين إجراء تجزئة المثيلات والتجزئة الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعية واكتشاف الصناديق المحيطة الموجّهة (OBB).
يتضمن YOLO26 تحسينات خاصة بكل مهمة على امتداد النموذج، مثل خسارة للتجزئة الدلالية لتحسين الأقنعة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحسين دقة النقاط المفتاحية، وخسارة زاوية متخصصة لمعالجة مشكلات حدود OBB.
حالات الاستخدام المثالية#
متى يُستخدم YOLO26#
يُعد YOLO26 الخيار الأقوى للأجهزة الطرفية وإنترنت الأشياء (IoT) والروبوتات. وتجعله سرعة استدلاله الأعلى على CPU ورأسه الاختياري الخالي من NMS مناسبًا لأنظمة إنذار الأمان الآنية التي تعمل على وحدات CPU قياسية أو شرائح ARM منخفضة الطاقة. كما يلائم تحسينه لاكتشاف الأجسام الصغيرة، بفضل ProgLoss + STAL، اكتشاف الحياة البرية جوًا وتحليل صور الأقمار الصناعية.
متى يُستخدم YOLOv6-3.0#
يتألق YOLOv6-3.0 في البيئات الصناعية الخاضعة لضوابط دقيقة، حيث تكون الخوادم مجهزة بوحدات GPU متطورة من NVIDIA، مثل T4 أو A100، وتعمل بخطوط معالجة TensorRT محسّنة. وهو مناسب جدًا لاكتشاف العيوب في خطوط التصنيع عالية السرعة، حيث تكون بيئة الأجهزة ثابتة ويُقبل تفاوت زمن استجابة NMS.
استكشاف نماذج أخرى#
قد تهمك أيضًا نماذج أخرى تدعمها منظومة Ultralytics. فعلى سبيل المثال، لا يزال YOLO11 نموذجًا قويًا متعدد الأغراض يحظى بانتشار واسع بين المجتمع. وإذا كنت مهتمًا ببنى Transformer، فيوفر نموذج RT-DETR اكتشافًا قائمًا على الانتباه، لكنه يتطلب ذاكرة تدريب أكبر من YOLO26. وللحصول على إمكانات التعلّم الصفري دون تدريب، يوفّر YOLO-World اكتشافًا للمفردات المفتوحة قابلًا للتوجيه باستخدام المطالبات مباشرةً.
الملخص#
يُعد كل من YOLOv6-3.0 وYOLO26 إنجازًا هندسيًا قويًا. وبالنسبة إلى التطبيقات التي تتطلب تطويرًا سريعًا واستهلاكًا منخفضًا للذاكرة ونشرًا عبر أجهزة طرفية متنوعة، فإن Ultralytics YOLO26 هو الخيار الأفضل. ويساعد رأسه الاختياري الخالي من NMS من البداية إلى النهاية ومحسّن MuSGD وتكامله مع منظومة Ultralytics الفرق على نقل الذكاء الاصطناعي للرؤية إلى الإنتاج بسرعة.