YOLOv10 مقابل YOLOv6.0: تطور الكشف عن الأجسام في الوقت الحقيقي

يعد اختيار بنية الرؤية الحاسوبية المناسبة قراراً محورياً يؤثر على كفاءة مشاريع الذكاء الاصطناعي ودقتها وقابليتها للتطوير. مع تسارع مجال اكتشاف الأجسام، غالبًا ما يُعرض على المطورين خيارات بين المعايير الصناعية الراسخة والابتكارات المتطورة. يقدم هذا الدليل مقارنة تقنية شاملة بين YOLOv10 و YOLOv6.0، وهما نموذجان بارزان مصممان للتطبيقات عالية الأداء.

YOLOv10: حدود الكشف NMS

يمثل YOLOv10 نقلة نوعية في سلالة YOLO مع التركيز على إزالة الاختناقات في خط أنابيب النشر لتحقيق كفاءة حقيقية في الوقت الحقيقي من البداية إلى النهاية. تم تطويره من قبل باحثين في جامعة تسينغهوا، وهو يقدم تغييرات معمارية تلغي الحاجة إلى الكبح غير الأقصى (NMS)، وهي خطوة شائعة بعد المعالجة تضيف عادةً زمن انتقال.

المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
المنظمةجامعة تسينغهوا
التاريخ: 2024-05-23
اركسيفعرض الورقة
جيثب:مستودعYOLOv10
المستنداتوثائقYOLOv10

الهندسة المعمارية والابتكارات

يعمل YOLOv10 على تحسين زمن الاستنتاج وأداء النموذج من خلال عدة آليات رئيسية:

تدريبNMS المزدوجةNMS: من خلال استخدام التعيينات المزدوجة المتسقة، يقوم YOLOv10 بتدريب النموذج على إنتاج إشارات إشرافية غنية أثناء التدريب مع التنبؤ بالكشف الفردي عالي الجودة أثناء الاستدلال. يؤدي ذلك إلى إزالة النفقات الحسابية الزائدة NMS النماذج، مما يبسّط خط أنابيب نشر النموذج.
تصميم شامل بين الكفاءة والدقة: تتميز الهندسة المعمارية برأس تصنيف خفيف الوزن وقناة مكانية مفصولة عن القناة المكانية. تقلل هذه المكونات من التكلفة الحسابية (FLOPs) مع الحفاظ على معلومات الميزة الأساسية.
التلافيف ذات النواة الكبيرة: يعمل الاستخدام الانتقائي للتلافيف ذات النواة الكبيرة في المراحل العميقة على تحسين المجال الاستقبالي مما يسمح للنموذج بفهم السياق العام بشكل أفضل دون عقوبة سرعة كبيرة.

اعرف المزيد عن YOLOv10

YOLOv6.0: تحسين من الدرجة الصناعية

تم إصدار YOLOv6.0 (غالبًا ما يشار إليه ببساطة باسم YOLOv6) في أوائل عام 2023، وقد صممته Meituan خصيصًا للتطبيقات الصناعية. إنه يعطي الأولوية للتصميمات الملائمة للأجهزة التي تزيد من الإنتاجية على وحدات معالجة الرسومات، مما يجعله مرشحًا قويًا لأتمتة المصانع ومعالجة الفيديو على نطاق واسع.

المؤلفون: تشوي لي، لولو لي، ييفي جينغ، وآخرون.
المنظمةميتوان
التاريخ: 2023-01-13
اركسيفعرض الورقة
جيثب:مستودعYOLOv6
المستندات:وثائقYOLOv6

الهندسة المعمارية والابتكارات

يركّز YOLOv6.0 على تحسين المفاضلة بين السرعة والدقة من خلال الضبط الهيكلي القوي:

العمود الفقري القابل لإعادة المعرف: يستخدم العمود الفقري القابل لإعادة المعامل الذي يسمح بتراكيب معقدة أثناء التدريب والتي تنهار إلى كتل أبسط وأسرع أثناء الاستدلال.
استراتيجية القنوات الهجينة: يوازن هذا النهج بين تكلفة الوصول إلى الذاكرة وقوة الحوسبة، مما يؤدي إلى تحسين الشبكة لتلبية قيود الأجهزة المختلفة.
التقطير الذاتي: استراتيجية تدريب تتعلم فيها شبكة الطالب من نفسها (أو من نسخة المعلم) لتحسين التقارب والدقة النهائية دون إضافة تكلفة استدلالية.

اعرف المزيد عن YOLOv6

التصميم المدرك للأجهزة

صُمم YOLOv6 بشكل صريح ليكون "ملائمًا للأجهزة"، مستهدفًا الأداء الأمثل على وحدات معالجة الرسومات NVIDIA مثل T4 وV100. وهذا يجعلها فعّالة بشكل خاص في السيناريوهات التي يتوفر فيها تسريع أجهزة معينة وضبطها.

تحليل الأداء

تستخدم المقارنة التالية مقاييس من مجموعة بياناتCOCO وهي معيار قياسي لاكتشاف الأجسام. يسلط الجدول الضوء على كيفية تفوق YOLOv10 من حيث كفاءة المعلمة ودقتها.

النموذج	الحجم ^{(بالبكسل)}	mAP^فال 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

YOLOv6.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6.0 م	640	50.0	-	5.28	34.9	85.8
YOLOv6.0L	640	52.8	-	8.95	59.6	150.7

النقاط الرئيسية

كفاءة المعلمة: يُظهر YOLOv10 انخفاضًا ملحوظًا في حجم النموذج. على سبيل المثال، يحقق YOLOv10s دقة أعلى (46.7% mAP) من YOLOv6.0s (45.0% mAP) مع استخدام أقل من نصف المعلمات (7.2M مقابل 18.5M). تُعد هذه البصمة الأقل من الذاكرة أمرًا بالغ الأهمية للأجهزة المتطورة ذات ذاكرة الوصول العشوائي المحدودة.
التكلفة الحسابية: إن عدد عمليات النقطة العائمة (FLOPs) أقل بكثير في YOLOv10 عبر المستويات المماثلة، مما يترجم إلى انخفاض استهلاك الطاقة واحتمال انخفاض درجات حرارة التشغيل على أجهزة الذكاء الاصطناعي المتطورة.
الدقة: يسجل YOLOv10 باستمرار درجات أعلى في متوسط mAP (متوسط الدقة المتوسطة) عبر جميع المقاييس، مما يشير إلى أنه أكثر قوة في اكتشاف الأجسام في ظروف متنوعة.
السرعة: على الرغم من أن YOLOv6.0n يُظهر ميزة طفيفة في زمن انتقال TensorRT الخام على وحدات معالجة الرسومات T4، فإن الميزة الحقيقية لبنية YOLOv10 NMS غالبًا ما تؤدي إلى إنتاجية إجمالية أسرع للنظام من خلال إزالة عنق الزجاجة بعد المعالجة CPU.

التكامل والنظام البيئي

يكمن أحد أهم الاختلافات في النظام البيئي وسهولة الاستخدام. في حين أن YOLOv6 هو مستودع مستقل قوي ومستقل, YOLOv10 يستفيد من التكامل في Ultralytics Ultralytics. ويوفر ذلك للمطورين سير عمل سلسًا بدءًا من التعليقات التوضيحية للبيانات إلى النشر.

سهولة الاستخدام مع Ultralytics

يضمن لك استخدام نماذج Ultralytics إمكانية الوصول إلى واجهة برمجة تطبيقات Python الموحدة والبسيطة. يمكنك التبديل بين نماذج مثل YOLOv8 و YOLOv10 بأقل قدر من التغييرات في التعليمات البرمجية، وهي مرونة لا تتوفر بسهولة عند التبديل بين أطر العمل المتباينة.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model
model = YOLO("yolov10n.pt")

# Train the model on your custom data
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model.predict("path/to/image.jpg")

تعدد الاستخدامات وإثبات المستقبل

في حين يركز YOLOv6.0 بشكل أساسي على الكشف، يدعم إطار عمل Ultralytics مجموعة واسعة من مهام الرؤية الحاسوبية، بما في ذلك التجزئة والتصنيف وتقدير الوضعية. بالنسبة للمستخدمين الذين يحتاجون إلى قدرات متعددة المهام، يمكن الترقية إلى YOLO11 هو المسار الموصى به في كثير من الأحيان، حيث إنه يوفر أحدث أداء عبر جميع هذه الطرائق ضمن نفس واجهة برمجة التطبيقات الموحدة.

التدريب المبسط

يسمح لك التدريب باستخدام Ultralytics بالاستفادة من ميزات مثل الضبط التلقائي للمقياس التشعبي والتسجيل في الوقت الفعلي عبر TensorBoard أو Weights & Biasesتسريع دورة البحث إلى الإنتاج بشكل كبير.

حالات الاستخدام المثالية

متى تختار YOLOv10

نشر الحافة: نظرًا لانخفاض عدد المعلمات وتصميمه NMS يعد YOLOv10 مثاليًا للأنظمة المدمجة مثل NVIDIA Jetson أو Raspberry Pi حيث تكون موارد CPU للمعالجة اللاحقة نادرة.
تطبيقات الوقت الحقيقي: تستفيد التطبيقات التي تتطلب تغذية راجعة فورية، مثل المركبات ذاتية القيادة أو ملاحة الطائرات بدون طيار، من زمن الاستجابة المتوقع للاستدلال NMS.
المشاريع الجديدة: بالنسبة لأي مشروع جديد، فإن المفاضلة الفائقة بين الدقة والكفاءة ودعم النظام البيئي الحديث تجعل من YOLOv10 الخيار المفضل على البنى القديمة.

متى تختار YOLOv6.0

الأنظمة القديمة: إذا تم بالفعل تحسين خط الإنتاج الحالي بشكل كبير ليتلاءم مع بنية YOLOv6 المحددة وكانت تكاليف إعادة الهندسة باهظة.
أحمال عمل محددة GPU : في السيناريوهات المقيدة بشكل صارم بإنتاجية TensorRT الخام على أجهزة من عصر T4 حيث قد تظل التحسينات المحددة لـ YOLOv6 تحتفظ بميزة هامشية في معدل الإطارات في الثانية الخام، خاصةً بالنسبة لنموذج النانو.

الخلاصة

في حين أن YOLOv6.0 كان بمثابة معيار قوي للكشف عن الأجسام الصناعية عند إصداره, YOLOv10 يمثل الخطوة التالية في تطور الذكاء الاصطناعي للرؤية. يوفر YOLOv10 حلاً أكثر كفاءة وقابلية للتطوير لتحديات الرؤية الحاسوبية الحديثة بفضل بنيتهNMS وعدد المعلمات المنخفض بشكل كبير ودقة أعلى.

بالنسبة للمطورين الذين يبحثون عن أحدث ما توصل إليه المطورون الذين يبحثون عن أحدث ما توصل إليه المطورون في تعدد الاستخدامات والأداء عبر الاكتشاف والتجزئة وتقدير الوضعية، نوصي أيضًا باستكشاف YOLO11. كجزء من نظام Ultralytics البيئي الذي تتم صيانته بنشاط، تضمن لك هذه النماذج البقاء في طليعة ابتكارات الذكاء الاصطناعي مع دعم مجتمعي قوي وتحسينات مستمرة.

لمزيد من القراءة عن المقارنات بين النماذج، راجع تحليلنا ل YOLOv10 مقابل YOLOv8 أو استكشف إمكانيات RT-DETR للكشف القائم على المحولات.