YOLOv10 YOLOv6.0: مقارنة تقنية شاملة
في عالم الرؤية الحاسوبية سريع التطور، يعد اختيار بنية الكشف عن الأجسام المثلى أمراً بالغ الأهمية لتحقيق التوازن بين سرعة الاستدلال ودقة النموذج وجدوى النشر. يقدم هذا الدليل مقارنة تقنية متعمقة بين نموذجين رائعين: القوة الأكاديمية YOLOv10 والمركز على الصناعة YOLOv6.YOLOv6. يقدم كلا النموذجين ابتكارات معمارية فريدة من نوعها، مما يحل تحديات متميزة في نشر أنظمة الرؤية في الوقت الفعلي.
YOLOv10 : الرائد من البداية إلى النهاية
صدر في منتصف عام 2024، YOLOv10 تغييرًا جذريًا في YOLO من خلال التخلص تمامًا من الحاجة إلى تقنية Non-Maximum Suppression (NMS) أثناء المعالجة اللاحقة. يقلل هذا التصميم الأصلي الشامل من اختناقات زمن الاستدلال، مما يجعله خيارًا جذابًا للغاية للذكاء الاصطناعي المتطور والتطبيقات المدمجة.
- المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
- المؤسسة:جامعة تسينغ - هوا
- التاريخ: 2024-05-23
- ArXiv:2405.14458
- GitHub:THU-MIG/yolov10
- الوثائق:وثائق Ultralytics YOLOv10
الابتكارات المعمارية
YOLOv10 قدرته NMS من خلال استراتيجية التعيين المزدوج المتسق. أثناء التدريب، يستفيد النموذج من تعيينات التسميات من واحد إلى العديد ومن واحد إلى واحد، مما يثري إشارات الإشراف. بالنسبة للاستدلال، يعتمد بشكل صارم على الرأس من واحد إلى واحد، مما يزيل العبء الحسابي المرتبط بتصفية الصندوق المحيط التقليدي. علاوة على ذلك، YOLOv10 تصميمًا شاملاً ومدفوعًا بالكفاءة، ويحسن بشكل شامل المكونات الداخلية مثل طبقات الشبكة العصبية التلافيفية لتقليل التكرار الحسابي وعدد المعلمات الإجمالي بشكل كبير.
نظرة عامة على YOLOv6.YOLOv6: العمود الفقري للصناعة
تم تطوير YOLOv6.YOLOv6 خصيصًا للتطبيقات الصناعية، ويمنح الأولوية GPU العالية. ويتميز هذا البرنامج في البيئات التي تعتمد على الأنظمة القديمة والمعالجة المكثفة للدفعات على أجهزة مخصصة من فئة الخوادم.
- المؤلفون: تشوي لي، لولو لي، ييفي جينغ، وآخرون.
- المؤسسة:Meituan
- التاريخ: 2023-01-13
- ArXiv:2301.05586
- GitHub:meituan/YOLOv6
- الوثائق:وثائق Ultralytics YOLOv6
الابتكارات المعمارية
يتميز YOLOv6.YOLOv6 بوجود بنية أساسية EfficientRep محسّنة بشكل كبير، وهي مصممة لزيادة سرعات الاستدلال على مسرعات الأجهزة مثل NVIDIA . أدخلت النسخة 3.0 وحدة تسلسل ثنائية الاتجاه (BiC) لتحسين دمج الميزات عبر النطاقات. بالإضافة إلى ذلك، فإنها تنفذ استراتيجية التدريب بمساعدة المراسي (AAT) التي تجمع بين التقارب السريع للكاشفات القائمة على المراسي وقدرات التعميم للنماذج الخالية من المراسي.
مقارنة الأداء والمقاييس
عند تحليل الأداء الخام، YOLOv10 بوضوح أجيال التحسينات المعمارية في YOLOv10 . يقدم YOLOv10 متوسط دقة أعلى (mAP) مع الحاجة إلى عدد أقل بكثير من المعلمات وعمليات FLOP.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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 |
بينما يحتفظ YOLOv6. YOLOv6 بمزايا طفيفة في السرعة في إصداراته Nano و Medium في ظل TensorRT على وحدات معالجة الرسومات T4، فإن YOLOv10 ما يقرب من نصف مساحة الذاكرة لتحقيق دقة فائقة، مما يرجح كفة الأداء لصالح البنى الحديثة الشاملة.
كفاءة الذاكرة
تتميزYOLO Ultralytics YOLO بمتطلبات ذاكرة أقل أثناء التدريب والاستدلال مقارنة بنماذج المحولات المعقدة، مما يجعلها أسهل بكثير في التوسع والنشر على الأجهزة ذات الموارد المحدودة.
ميزة النظام البيئي لـ Ultralytics
اختيار Ultralytics مثل YOLOv10 بكثير البنية الأولية — فهو يوفر الوصول إلى نظام بيئي يتم صيانته بدقة ويبسط دورة حياة التعلم الآلي بأكملها. يفتقر YOLOv6 الموجود في مستودع أبحاث ثابت، إلى الأدوات القوية وتعدد المهام التي يوفرها Ultralytics بشكل جاهز للاستخدام.
- سهولة الاستخدام: توفرPython Ultralytics Python تجربة مستخدم مبسطة، مما يتيح للمطورين تدريب النماذج وتصديرها باستخدام بضع أسطر من التعليمات البرمجية فقط.
- تعدد الاستخدامات: على عكس YOLOv6 الذي يتخصص بشكل صارم في الكشف، يتيح لك Ultralytics إجراء تقسيم الحالات وتقدير الوضع وتصنيف الصور وتتبع المربع المحيط الموجه (OBB) باستخدام واجهة موحدة.
- نظام بيئي جيد الصيانة: استمتع بتحديثات متكررة ودعم قوي من المجتمع وتكامل سلس مع معايير الصناعة مثل OpenVINO و ONNX.
مثال على الكود: سير عمل التدريب المتسق
مع Ultralytics ، أصبح تدريب النماذج أمراً في غاية السهولة. يتعامل النظام تلقائياً مع عمليات زيادة البيانات المعقدة وتوسيع نطاق الأجهزة.
from ultralytics import YOLO
# Load an efficient, NMS-free YOLOv10 model
model = YOLO("yolov10n.pt")
# Train the model effortlessly using the Ultralytics pipeline
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# Run robust object detection inference
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX for simplified edge deployment
model.export(format="onnx")
حالات الاستخدام والتوصيات
YOLOv6 الاختيار بين YOLOv10 YOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.
متى تختار YOLOv10
YOLOv10 خيار قوي لـ:
- الكشف في الوقت الفعليNMS: تطبيقات تستفيد من الكشف الشامل بدون قمع غير أقصى، مما يقلل من تعقيد النشر.
- التوازن بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر نماذج مختلفة.
- تطبيقات ذات زمن انتقال ثابت: سيناريوهات النشر التي يكون فيها زمن الاستدلال المتوقع أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة المستقلة.
متى تختار YOLOv6
YOLOv6 في الحالات التالية:
- النشر الصناعي المراعي للأجهزة: سيناريوهات يوفر فيها تصميم النموذج المراعي للأجهزة وإعادة تحديد المعلمات بكفاءة أداءً محسّنًا على أجهزة مستهدفة محددة.
- الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الأولي على GPU الفيديو في الوقت الفعلي في البيئات الخاضعة للرقابة.
- تكامل نظام Meituan البيئي: فرق تعمل بالفعل ضمن مجموعة تقنيات Meituan وبنيتها التحتية للنشر.
متى تختار Ultralytics YOLO26)
بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:
- نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
- بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
- كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.
التوصية النهائية: Ultralytics
بينما YOLOv10 مفهومًا ثوريًا NMS، وقام YOLOv6. YOLOv6 بتحسين GPU ، فإن الحل الحقيقي المتطور لبيئات الإنتاج هو Ultralytics .
صدر YOLO26 في يناير 2026، وهو يأخذ الأفكار الأساسية لسابقيه ويصقلها ليصبح نموذج الرؤية النهائي الذي يركز على الحافة.
- تصميم شامل NMS: بناءً على أسس YOLOv10، يلغي YOLO26 المعالجة اللاحقة تمامًا، ويقوم بتوحيد خط أنابيب النشر ويجعل الاستنتاجات قابلة للتنبؤ بدرجة عالية.
- إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، تعمل البنية على تبسيط عملية التصدير بشكل كبير، مما يحسن التوافق والسرعة بشكل كبير على بنى IoT منخفضة الطاقة.
- مُحسِّن MuSGD: مستوحى من ابتكارات نماذج اللغة الكبيرة، يستخدم YOLO26 مُحسِّن MuSGD (مزيج من SGD Muon)، مما يحقق استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع بشكل ملحوظ.
- CPU لا مثيل لها: بفضل التحسينات المصممة خصيصًا للأجهزة الطرفية، يحقق YOLO26 سرعات CPU أسرع بنسبة تصل إلى 43٪ مقارنة بالأجيال السابقة، متجاوزًا التصميم GPU لـ YOLOv6. YOLOv6.
- ProgLoss + STAL: تعمل وظائف الخسارة المتقدمة على حل المشكلات التاريخية المتعلقة باكتشاف الأجسام الصغيرة، مما يجعل YOLO26 أداة لا غنى عنها في مجال الصور الجوية وتحليلات الطائرات بدون طيار.
بالنسبة للمستخدمين الذين يسعون إلى ترقية نظام الرؤية الحاسوبية لديهم، فإن عملية الانتقال بسيطة. نماذج مثل YOLO11 تظل قوية، ولكن YOLO26 المقترن Ultralytics المتكاملة يمثل المستقبل النهائي للذكاء الاصطناعي عالي الأداء والمتاح للجميع.