مقارنة بين YOLOv10 وYOLOv6-3.0#

في المشهد سريع التطور لـالرؤية الحاسوبية، يُعد اختيار بنية اكتشاف الأجسام المثلى أمرًا بالغ الأهمية لتحقيق التوازن بين سرعة الاستدلال ودقة النموذج وإمكانات النشر. يقدم هذا الدليل مقارنة تقنية متعمقة بين نموذجين قويين: YOLOv10 الأكاديمي وYOLOv6-3.0 الموجه صناعيًا. ويقدم كلاهما ابتكارات بنيوية فريدة، ويعالج تحديات متميزة في نشر أنظمة الرؤية في الوقت الفعلي.

نظرة عامة على YOLOv10: الرائد في المعالجة الشاملة من البداية إلى النهاية#

طُرح YOLOv10 في منتصف عام 2024، وأحدث تحولًا جذريًا في عائلة YOLO من خلال إلغاء الحاجة تمامًا إلى كبت القيم غير العظمى (NMS) أثناء المعالجة اللاحقة. ويقلل هذا التصميم الأصلي الشامل من البداية إلى النهاية اختناقات زمن الاستدلال، مما يجعله خيارًا جذابًا للغاية لـالذكاء الاصطناعي الطرفي وعمليات النشر المضمنة.

• المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• ArXiv: 2405.14458
• GitHub: THU-MIG/yolov10
• الوثائق: وثائق Ultralytics YOLOv10

الابتكارات المعمارية#

يحقق YOLOv10 قدرته على العمل دون NMS من خلال استراتيجية التعيين المزدوج المتسق. أثناء التدريب، يستفيد النموذج من تعيينات التسميات واحد إلى متعدد وواحد إلى واحد، مما يعزز إشارات الإشراف. أما في الاستدلال، فيعتمد بشكل صارم على رأس التعيين واحد إلى واحد، متخلصًا من العبء الحسابي المرتبط بترشيح مربعات الإحاطة التقليدي. علاوة على ذلك، يدمج YOLOv10 تصميمًا شاملًا قائمًا على الكفاءة، إذ يحسن بدقة المكونات الداخلية مثل طبقات الشبكة العصبية الالتفافية لتقليل التكرار الحسابي وعدد المعلمات الإجمالي بدرجة كبيرة.

تعرّف على المزيد حول YOLOv10

نظرة عامة على YOLOv6-3.0: العمود الفقري الصناعي#

طُوّر YOLOv6-3.0 خصيصًا للتطبيقات الصناعية، ويعطي الأولوية لمعدل النقل العالي على GPU. ويتفوق في البيئات التي تكون فيها الأنظمة القديمة ومعالجة الدُفعات الكبيرة على عتاد مخصص من فئة الخوادم أمرًا اعتياديًا.

• المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، وآخرون.
• المنظمة: Meituan
• التاريخ: 2023-01-13
• ArXiv: 2301.05586
• GitHub: meituan/YOLOv6
• الوثائق: وثائق Ultralytics YOLOv6

الابتكارات المعمارية#

يتميز YOLOv6-3.0 بعمود فقري EfficientRep محسن بدرجة كبيرة، صُمم لتعظيم سرعات الاستدلال على مسرّعات العتاد مثل وحدات معالجة الرسومات NVIDIA. وقد قدم الإصدار 3.0 وحدة الدمج ثنائي الاتجاه (BiC) لتعزيز دمج السمات عبر المقاييس. بالإضافة إلى ذلك، يطبق استراتيجية التدريب المدعوم بالمراسي (AAT) التي تجمع بين التقارب السريع لـكاشفات الأجسام القائمة على المراسي وقدرات التعميم التي تتميز بها النماذج غير المعتمدة على المراسي.

تعرّف على المزيد حول YOLOv6

مقارنة الأداء والمقاييس#

عند تحليل الأداء الخام، تظهر أجيال التحسينات البنيوية في YOLOv10 بوضوح. يحقق YOLOv10 باستمرار متوسط الدقة (mAP) أعلى، مع احتياجه إلى عدد أقل بكثير من المعلمات وعمليات الفاصلة العائمة (FLOPs).

مع احتفاظ YOLOv6-3.0 بأفضلية طفيفة في السرعة في نسختيه Nano وMedium عند التنفيذ باستخدام TensorRT فقط على وحدات معالجة الرسومات T4، يحتاج YOLOv10 إلى ما يقارب نصف حجم الذاكرة لتحقيق دقة أعلى، مما يرجح كفة الأداء بقوة لصالح البنى الحديثة الشاملة من البداية إلى النهاية.

ميزة منظومة Ultralytics#

إن اختيار نموذج من Ultralytics مثل YOLOv10 يتجاوز البنية الخام بكثير؛ فهو يتيح الوصول إلى منظومة تتم صيانتها بدقة وتبسط دورة حياة التعلم الآلي بأكملها. أما YOLOv6، الموجود في مستودع بحثي ثابت، فيفتقر إلى أدوات قوية وتعدد المهام الذي يوفره إطار Ultralytics مباشرة.

• سهولة الاستخدام: توفر Python API الخاصة بـUltralytics تجربة مستخدم مبسطة، إذ تتيح للمطورين تدريب النماذج وتصديرها باستخدام بضعة أسطر من التعليمات البرمجية فقط.
• تعدد الاستخدامات: بخلاف YOLOv6، المتخصص حصريًا في الاكتشاف، تمكّنك منظومة Ultralytics من تنفيذ تجزئة المثيلات وتقدير الوضعيات وتصنيف الصور وتتبع مربع الإحاطة الموجّه (OBB) باستخدام واجهة موحدة.
• منظومة تتم صيانتها جيدًا: استفد من التحديثات المتكررة، والدعم القوي من المجتمع، وعمليات التكامل السلسة مع معايير الصناعة مثل OpenVINO وONNX.

مثال على التعليمات البرمجية: سير عمل تدريب متسق#

باستخدام SDK من Ultralytics، يصبح تدريب النماذج سهلًا للغاية. إذ يتولى النظام تلقائيًا معالجة زيادات 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#

يعتمد الاختيار بين YOLOv10 وYOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا من أجل:

• الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
• المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
• التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

متى تختار YOLOv6#

يوصى باستخدام YOLOv6 في الحالات التالية:

• النشر المراعي للعتاد الصناعي: السيناريوهات التي يوفر فيها تصميم النموذج المراعي للعتاد وإعادة المعلمة الفعالة أداءً محسنًا على عتاد مستهدف محدد.
• الاكتشاف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للرقابة.
• التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنيتها التحتية للنشر.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

التوصية النهائية: Ultralytics YOLO26#

في حين قدم YOLOv10 مفهوم العمل الثوري دون NMS، وحسن YOLOv6-3.0 معدل النقل على GPU، فإن الحل المتطور الحقيقي لبيئات الإنتاج هو Ultralytics YOLO26.

طُرح YOLO26 في يناير 2026، ويأخذ الأفكار الأساسية لأسلافه وينقحها لتصبح نموذج الرؤية النهائي الذي يضع الأجهزة الطرفية أولًا.

• تصميم شامل من البداية إلى النهاية دون NMS: استنادًا إلى أسس YOLOv10، يلغي YOLO26 المعالجة اللاحقة بالكامل، ويوحد مسار النشر ويجعل عمليات الاستدلال قابلة للتنبؤ بدرجة كبيرة.
• إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، تبسط البنية عملية التصدير بدرجة كبيرة، وتحسن التوافق والسرعة بشكل جذري على بنى إنترنت الأشياء منخفضة الطاقة.
• محسّن MuSGD: مستلهمًا من ابتكارات نماذج اللغة الكبيرة، يستخدم YOLO26 محسّن MuSGD (وهو مزيج من SGD وMuon)، محققًا استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع بكثير.
• سرعة لا تضاهى على CPU: بفضل التحسينات المصممة خصيصًا للأجهزة الطرفية، يحقق YOLO26 سرعات استدلال على CPU أسرع بما يصل إلى 43% مقارنة بالأجيال السابقة، متجاوزًا التصميم المتمحور حول GPU في YOLOv6-3.0.
• ProgLoss + STAL: تحل دوال الخسارة المتقدمة الصعوبات التاريخية المرتبطة بـاكتشاف الأجسام الصغيرة، مما يجعل YOLO26 لا غنى عنه للصور الجوية وتحليلات الطائرات المسيّرة.

بالنسبة إلى المستخدمين الذين يسعون إلى ترقية حزمة الرؤية الحاسوبية لديهم، فإن الانتقال بسيط. تظل نماذج مثل YOLO11 قوية، لكن YOLO26 مقترنًا بـمنصة Ultralytics المتكاملة يمثل المستقبل الحاسم للذكاء الاصطناعي عالي الأداء والمتاح للجميع.