تخطي إلى المحتوى

YOLO26 مقابل YOLOv6.0: تطور الكشف عن الكائنات في الوقت الفعلي

شهد مجال الرؤية الحاسوبية تغيرات جذرية بين عامي 2023 و 2026. في حين أن YOLOv6.YOLOv6 وضع معايير مهمة للتطبيقات الصناعية عند إصداره، يمثل Ultralytics قفزة جيلية في الهندسة المعمارية والكفاءة وسهولة الاستخدام. تستكشف هذه المقارنة الشاملة كيفية مقارنة هذين النموذجين من حيث الابتكار المعماري ومقاييس الأداء وقابلية التطبيق في العالم الواقعي.

ملخص تنفيذي

تم تصميم YOLOv6.YOLOv6، الذي أطلقته Meituan في أوائل عام 2023، مع التركيز بشكل كبير على النشر الصناعي، ولا سيما تحسين GPU باستخدام TensorRT. وقد أدخل مفهوم "إعادة التحميل" مع استراتيجيات تحسين التكمية والتقطير.

يقدم YOLO26، الذي أطلقته Ultralytics يناير 2026، تحولًا جذريًا بفضل تصميمه الأصلي الشامل NMS، والذي تم طرحه لأول مرة في YOLOv10. من خلال التخلص من تقنية Non-Maximum Suppression (NMS) و Distribution Focal Loss (DFL)، يحقق YOLO26 CPU أسرع بنسبة تصل إلى 43٪ CPU ، مما يجعله الخيار الأول للحوسبة المتطورة، والنشر المتنقل، والروبوتات في الوقت الفعلي حيث قد تكون GPU محدودة.

المواصفات الفنية والأداء

يوضح الجدول التالي الفروق في الأداء بين عائلتي النماذج. يُظهر YOLO26 دقة فائقة (mAP) على جميع المستويات مع الحفاظ على سرعة استثنائية، لا سيما في الاستدلال CPU حيث تبرز تحسينات الهندسة المعمارية.

النموذجالحجم
(بالبكسل)		mAPval
50-95		السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		السرعة
T4 TensorRT10
(بالمللي ثانية)		المعلمات
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

الابتكار المعماري

Ultralytics YOLO26

يقدم YOLO26 العديد من الميزات الرائدة التي تعيد تعريف الكفاءة:

  • NMS من البداية إلى النهاية: من خلال التنبؤ بالأجسام مباشرةً دون الحاجة إلى معالجة NMS لاحقة، تبسط YOLO26 عملية النشر وتقلل من تقلب زمن الاستجابة، وهو عامل حاسم بالنسبة للأنظمة الحساسة من حيث السلامة مثل المركبات ذاتية القيادة.
  • MuSGD Optimizer: مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM) (على وجه التحديد Kimi K2 من Moonshot AI)، يجمع هذا المحسن الهجين بين SGD Muon لضمان تدريب مستقر وتقارب أسرع، حتى مع أحجام الدفعات الأصغر.
  • إزالة DFL: تؤدي إزالة Distribution Focal Loss إلى تبسيط بنية النموذج، مما يجعل التصدير إلى تنسيقات مثل ONNX و CoreML أكثر كفاءة CoreML للأجهزة الطرفية.
  • ProgLoss + STAL: تعمل وظائف الخسارة الجديدة على تحسين اكتشاف الأجسام الصغيرة، مما يعالج نقطة ضعف شائعة في الأجيال السابقة ويفيد تطبيقات مثل المراقبة الجوية والتصوير الطبي.

تعرف على المزيد حول YOLO26

YOLOv6-3.0

يركز YOLOv6.YOLOv6 على تحسين الهيكل الأساسي من نوع RepVGG من أجل كفاءة الأجهزة:

  • التسلسل ثنائي الاتجاه (BiC): يستخدم في الرقبة لتحسين اندماج الميزات.
  • التدريب بمساعدة المراسي (AAT): استراتيجية تعمل على تثبيت التدريب باستخدام المراسي خلال مرحلة الإحماء قبل الانتقال إلى الاستدلال بدون مراسي.
  • التقطير الذاتي: ميزة قياسية في الإصدار 3.0، حيث يتعلم النموذج من تنبؤاته الخاصة لزيادة الدقة دون زيادة تكلفة الاستدلال.

الفرق الرئيسي: المعالجة اللاحقة

YOLOv6 يعتمد على NMS Non-Maximum Suppression) لتصفية المربعات المتداخلة. غالبًا ما تكون هذه الخطوة بطيئة على وحدات المعالجة المركزية وتتطلب ضبطًا دقيقًا للمعلمات.

YOLO26 NMS مما يعني أن الناتج الأولي للنموذج هو قائمة الكشف النهائية. وينتج عن ذلك زمن انتقال حتمي وتنفيذ أسرع على الأجهزة CPU مثل Raspberry Pi.

التدريب وسهولة الاستخدام

تجربة Ultralytics

تتمثل إحدى أهم مزايا YOLO26 في تكاملها مع Ultralytics . يستفيد المطورون من واجهة برمجة تطبيقات موحدة تدعم الكشف والتجزئة وتقدير الوضع والتصنيف بسلاسة.

  • سهولة الاستخدام: يكفي بضع أسطر من Python لتحميل النموذج وتدريبه ونشره.
  • تكامل المنصة: يتيح الدعم الأصلي Ultralytics إجراء التدريب القائم على السحابة وإدارة مجموعات البيانات والتعليق التلقائي.
  • كفاءة الذاكرة: تم تحسين YOLO26 ليعمل على الأجهزة الاستهلاكية، حيث يتطلب CUDA أقل بكثير من البدائل القائمة على المحولات مثل RT-DETR.
from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with the MuSGD optimizer (auto-configured)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX - NMS-free by default
path = model.export(format="onnx")

YOLOv6

YOLOv6 كمستودع أبحاث أكثر تقليدية. على الرغم من قوته، إلا أنه يتطلب من المستخدمين استنساخ مستودع GitHub المحدد، وإدارة التبعيات يدويًا، وتشغيل التدريب عبر نصوص برمجية معقدة. يفتقر إلى بنية Python الموحدة ودعم المهام المتنوعة (مثل OBB أو Pose الأصلي) الموجودة في Ultralytics .

حالات الاستخدام وتعدد الاستخدامات

السيناريوهات المثالية لـ YOLO26

  • Edge AI & IoT: زيادة CPU بنسبة 43٪ وإزالة DFL تجعل YOLO26 الخيار الأفضل في فئته لأجهزة مثل Raspberry Pi و NVIDIA Nano والهواتف المحمولة.
  • الروبوتات: يوفر التصميم الشامل مخرجات حتمية منخفضة التأخير، وهي أمر ضروري للملاحة الروبوتية.
  • تطبيقات متعددة المهام: بفضل دعم التجزئة وتقدير الوضع و OBB، يمكن لإطار عمل واحد التعامل مع عمليات معقدة، مثل تحليل آليات اللاعبين في الرياضة أو فحص الطرود غير المنتظمة في مجال الخدمات اللوجستية.

السيناريوهات المثالية لـ YOLOv6-3.0

  • GPU القديمة: بالنسبة للأنابيب الصناعية الحالية التي تم تحسينها بشكل كبير لتعمل مع TensorRT أو 8 على أجهزة قديمة (مثل وحدات معالجة الرسومات T4)، YOLOv6 خيارًا مستقرًا.
  • مهام الكشف الخالص: في السيناريوهات المقتصرة بشكل صارم على الكشف عن المربعات المحددة حيث تم بالفعل إنشاء البنية التحتية حول YOLOv6 .

الخلاصة

في حين كان YOLOv6 منافسًا قويًا في عام 2023، يقدم Ultralytics ترقية شاملة لعام 2026 وما بعده. من خلال حل NMS وتقليل تعقيد النموذج للتصدير، ودمج ميزات متقدمة مثل مُحسِّن MuSGD، يقدم YOLO26 أداءً فائقًا مع جزء بسيط من احتكاك النشر.

بالنسبة للمطورين الذين يبحثون عن حل مستقبلي يوازن بين الدقة المتطورة وسهولة سير العمل "من الصفر إلى القمة"، فإن YOLO26 هو الخيار الموصى به.

مزيد من القراءة

استكشف النماذج الأخرى في Ultralytics لتجد النموذج المثالي الذي يلبي احتياجاتك الخاصة:

  • YOLO11: السلف القوي لـ YOLO26، المعروف بأدائه الممتاز للأغراض العامة.
  • YOLOv10: رائد الهندسة المتكاملة التي مهدت الطريق لـ YOLO26.
  • YOLO: مثالي للكشف عن المفردات المفتوحة حيث تحتاج إلى detect غير موجودة في مجموعة التدريب.

تفاصيل المقارنة

YOLO26

YOLOv6-3.0


تعليقات