YOLOv10 مقابل YOLOv6-3.0
في الرؤية الحاسوبية، يُعد اختيار بنية اكتشاف الأجسام المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين سرعة الاستدلال ودقة النموذج وإمكانية النشر. يقدم هذا الدليل مقارنة تقنية متعمقة بين نموذجين: YOLOv10 الأكاديمي وYOLOv6-3.0 الموجه للصناعة. ويقدم كلاهما ابتكارات معمارية فريدة، تعالج تحديات مختلفة في نشر أنظمة الرؤية الآنية.
نظرة عامة على YOLOv10: كشف آني بلا NMS#
قدم YOLOv10، الذي صدر في مايو 2024، التدريب الخالي من NMS إلى عائلة YOLO، ملغيًا الحاجة إلى القمع غير الأعظمي (NMS) أثناء المعالجة اللاحقة. ويحد هذا التصميم الشامل من اختناقات زمن استجابة الاستدلال، ما يجعله خيارًا جذابًا للغاية لـالذكاء الاصطناعي الطرفي وعمليات النشر المضمّنة.
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- التاريخ: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
- الوثائق: وثائق Ultralytics YOLOv10
ابتكارات البنية#
يحقق YOLOv10 إمكانات العمل الخالي من NMS باستخدام استراتيجية الإسناد المزدوج المتسق. وأثناء التدريب، يستفيد النموذج من إسناد التسميات من واحد إلى متعدد ومن واحد إلى واحد، ما يعزز إشارات الإشراف. أما في الاستدلال، فيستخدم الرأس أحادي المطابقة (يُختار باستخدام nms=False في حزمة Ultralytics)، متخلصًا من العبء الحسابي المرتبط بتصفية مربعات الإحاطة التقليدية. كما يتبع YOLOv10 تصميمًا شاملًا موجهًا نحو الكفاءة، ويحسّن مكونات داخلية مثل طبقات الشبكة العصبية الالتفافية لتقليل التكرار الحسابي وإجمالي عدد المعلمات.
نظرة عامة على YOLOv6-3.0: العمود الفقري للتطبيقات الصناعية#
صُمّم YOLOv6-3.0 خصيصًا للتطبيقات الصناعية، ويعطي الأولوية لمعدل نقل بيانات مرتفع على GPU. ويحقق أفضل أداء في الحالات التي تُعد فيها معالجة الدُفعات الكبيرة على وحدات GPU مخصصة من فئة الخوادم أمرًا معتادًا.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
- المؤسسة: Meituan
- التاريخ: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- الوثائق: وثائق Ultralytics YOLOv6
ابتكارات البنية#
يتميز YOLOv6-3.0 بعمود فقري EfficientRep محسّن بدرجة كبيرة، ومهيأ لتعظيم سرعات الاستدلال على مسرّعات الأجهزة مثل وحدات NVIDIA GPU. وقد قدّم الإصدار 3.0 وحدة Bi-directional Concatenation (BiC) لتعزيز دمج السمات بين المقاييس. كما يطبّق استراتيجية Anchor-Aided Training (AAT) التي تجمع بين سرعة التقارب لدى كواشف الكائنات المعتمدة على المراسي وقدرات التعميم في النُهج الخالية من المراسي.
مقارنة الأداء والمقاييس#
تتضح التحسينات المعمارية في YOLOv10 عند تحليل الأداء الخام. يحقق YOLOv10 متوسط الدقة (mAP) أعلى، مع الحاجة إلى عدد أقل بكثير من المعلمات وعمليات FLOPs.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 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 |
مع احتفاظ YOLOv6-3.0 بميزة السرعة في إصدار Nano عند التنفيذ باستخدام TensorRT وحده على وحدات GPU من طراز T4، يستخدم YOLOv10 نحو نصف عدد المعلمات أو أقل في كل حجم، مع تحقيق دقة أعلى، ما يرجّح كفة الأداء الإجمالي لصالحه.
تحتاج نماذج Ultralytics YOLO عادةً إلى ذاكرة أقل أثناء التدريب والاستدلال مقارنةً بنماذج المحوّلات المعقدة، ما يجعل توسيع نطاقها ونشرها على الأجهزة محدودة الموارد أسهل.
ميزة منظومة Ultralytics#
يتجاوز استخدام YOLOv10 عبر حزمة Ultralytics حدود البنية المعمارية وحدها؛ إذ يوفر منظومة تخضع للصيانة المستمرة وتبسّط دورة حياة تعلّم الآلة بأكملها. يركّز مستودع YOLOv6 الأصلي على الأبحاث، ولا يدعم Ultralytics من YOLOv6 سوى نماذج الكشف المحددة بصيغة YAML، من دون أوزان مدرّبة مسبقًا.
- سهولة الاستخدام: توفر واجهة Python البرمجية من Ultralytics تجربة استخدام مبسطة، تتيح للمطورين تدريب النماذج وتصديرها باستخدام بضعة أسطر من التعليمات البرمجية فقط.
- تعدد الاستخدامات: بخلاف YOLOv6 الذي يركّز على الكشف، تتيح منظومة Ultralytics تنفيذ تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات وكشف صناديق الإحاطة الموجّهة (OBB) عبر واجهة موحّدة.
- منظومة تخضع لصيانة جيدة: تحديثات متكررة، ودعم قوي من المجتمع، وتكامل مع معايير الصناعة مثل OpenVINO وONNX.
مثال برمجي: مسارات عمل متسقة للتدريب#
باستخدام حزمة Ultralytics لـ Python، يصبح تدريب النماذج مباشرًا. ويتولى النظام تلقائيًا معالجة تعزيزات البيانات المعقدة وتكييفها مع الأجهزة.
from ultralytics import YOLO
# تحميل نموذج YOLOv10 فعّال (حدّد رأسه الخالي من NMS باستخدام nms=False)
model = YOLO("yolov10n.pt")
# درّب النموذج باستخدام مسار عمل Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)
# نفّذ استدلال كشف الكائنات
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# صدّر إلى ONNX لتبسيط النشر الطرفي
model.export(format="onnx")حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv10 وYOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.
متى تختار YOLOv10#
يُعد YOLOv10 خيارًا قويًا لما يلي:
- الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
- موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
- التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.
متى تختار YOLOv6#
يُنصح بـ YOLOv6 في الحالات التالية:
- النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
- الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
- التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
النموذج الموصى به: Ultralytics YOLO26#
مع أن YOLOv10 أضاف التدريب بلا NMS إلى نماذج YOLO، وحسّن YOLOv6-3.0 إنتاجية GPU، فإن الخيار الموصى به لبيئات الإنتاج هو Ultralytics YOLO26.
صدر YOLO26 في يناير 2026، وصقل الأفكار الأساسية التي طرحها أسلافه وحوّلها إلى عائلة نماذج رؤية تعطي الأولوية للأجهزة الطرفية.
- تصميم شامل يستغني عن NMS: استنادًا إلى أسس YOLOv10، يتجاوز رأس YOLO26 الاختياري الخالي من NMS (
nms=False) المعالجة اللاحقة لـ NMS، ما يبسّط مسار النشر ويجعل زمن الاستجابة أكثر قابلية للتوقع. - إزالة DFL: تؤدي إزالة Distribution Focal Loss (DFL) إلى تبسيط التصدير وتحسين التوافق والسرعة على أجهزة إنترنت الأشياء منخفضة الطاقة.
- محسّن MuSGD: مستلهمًا من الابتكارات في نماذج اللغة الكبيرة، يستخدم YOLO26 محسّن MuSGD (مزيجًا من SGD وMuon) لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
- استدلال أسرع على CPU: بفضل التحسينات المصممة للأجهزة الطرفية، يحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLO11n، بينما صُمّم YOLOv6-3.0 أساسًا لزيادة معدل نقل البيانات على GPU.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة كشف الكائنات الصغيرة، ما يجعل YOLO26 ملائمًا جدًا للصور الجوية وتحليلات الطائرات المسيّرة.
للمستخدمين الراغبين في ترقية حزمة الرؤية الحاسوبية لديهم، يكون الانتقال بسيطًا. تظل النماذج مثل YOLO11 مدعومة بالكامل، لكن YOLO26 المقترن بـ منصة Ultralytics هو المسار الموصى به للمشروعات الجديدة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.