YOLOv5 مقابل YOLOv6-3.0#

يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، إذ تدفع البنى الجديدة حدود السرعة والدقة. عند اختيار نموذج لمشروعك التالي في الذكاء الاصطناعي للرؤية، كثيرًا ما يقارن المطورون بين أطر عمل راسخة ومتعددة الاستخدامات وكواشف صناعية متخصصة للغاية. يستكشف هذا التحليل المتعمق الفروق التقنية الدقيقة بين Ultralytics YOLOv5 وYOLOv6-3.0 من Meituan، لمساعدتك على اختيار الأداة الأنسب لاحتياجات النشر لديك.

مقدمة عن النماذج#

Ultralytics YOLOv5: المعيار متعدد الاستخدامات#

أُطلق Ultralytics YOLOv5 في عام 2020، وسرعان ما أصبح المعيار الذهبي لاكتشاف الأجسام عالي الأداء والمتاح للجميع. ويشتهر بسهولة استخدامه المذهلة ومسارات التدريب المتينة وتكاملاته الواسعة للنشر.

• المؤلف: Glenn Jocher
• الجهة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: ultralytics/yolov5

صُمم YOLOv5 منذ البداية لتوفير تجربة مطور سلسة ضمن منظومة PyTorch. ويقدم توازنًا ملائمًا للأداء، محققًا متوسط دقة ممتازًا (mAP) مع الحفاظ على سرعات استدلال عالية تناسب سيناريوهات النشر المتنوعة في العالم الحقيقي، بدءًا من الأجهزة الطرفية وصولًا إلى الخوادم السحابية.

YOLOv6-3.0: إنتاجية صناعية#

طوّر قسم الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0، وصُمم خصيصًا للتطبيقات الصناعية مع إعطاء أولوية كبيرة لمعدل النقل الخام على مسرّعات الأجهزة المخصصة.

• المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
• الجهة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

يهدف YOLOv6 إلى تحقيق أقصى سرعة معالجة على وحدات GPU مثل NVIDIA T4. ويستخدم أساليب تكميم مخصصة وأعمدة فقريّة متخصصة لتحقيق أدائه، ما يجعله خيارًا قويًا لمعالجة الخوادم الخلفية حيث يُستخدم الاستدلال على دفعات بكثافة.

تعرّف على المزيد حول YOLOv6

الاختلافات المعمارية#

يُعد فهم الخيارات المعمارية وراء هذه النماذج أمرًا بالغ الأهمية لتحديد حالات استخدامها المثالية.

بنية YOLOv5#

يستخدم YOLOv5 عمودًا فقريًا من CSPDarknet عالي التحسين، إلى جانب عنق شبكة تجميع المسارات (PANet). وقد ضُبط هذا الهيكل بدقة كبيرة لضمان الحد الأدنى من متطلبات الذاكرة أثناء التدريب والاستدلال. وعلى خلاف نماذج Transformer الكبيرة التي تتطلب كميات هائلة من ذاكرة CUDA وأوقات تدريب طويلة، يعمل YOLOv5 بكفاءة على الأجهزة الاستهلاكية القياسية.

علاوة على ذلك، لا يقتصر YOLOv5 على اكتشاف الأجسام. إذ تمتد بنيته بسلاسة إلى مهام أخرى، مع دعم قوي وجاهز للاستخدام لـتجزئة الصور وتصنيف الصور.

بنية YOLOv6-3.0#

يتميز YOLOv6-3.0 بعمود فقري من EfficientRep، صُمم ليكون ملائمًا للأجهزة، ولا سيما لتنفيذ العمليات على GPU. ويستخدم وحدة الدمج ثنائي الاتجاه (BiC) في عنقه لتحسين دمج السمات.

أثناء التدريب، يستخدم YOLOv6 استراتيجية التدريب بمساعدة المراسي (AAT) لتثبيت التقارب، مع بقائه كاشفًا خاليًا من المراسي أثناء الاستدلال. وعلى الرغم من تفوق هذه البنية في المهام المسرّعة بواسطة GPU، فقد يكون تكييفها أحيانًا مع الأجهزة الطرفية المتنوعة أكثر تعقيدًا مقارنةً بإطار YOLOv5 عالي قابلية النقل.

تحليل الأداء#

عند تقييم هذه النماذج، تُعد مقاييس السرعة الخام والدقة أساسية. فيما يلي جدول مقارنة يسلط الضوء على أداء أحجام النماذج المختلفة على مجموعة بيانات COCO.

مع أن YOLOv6-3.0 يحقق درجات mAP أعلى في إصداراته الأكبر، يحافظ YOLOv5 على حجم صغير للغاية. فعلى سبيل المثال، يحتاج YOLOv5n إلى عدد أقل بكثير من المعلمات وعمليات FLOPs مقارنةً بنظيره YOLOv6، ما يجعله مثاليًا للغاية للنشر على الأجهزة المحمولة أو الأنظمة المقيدة بقدرات CPU.

المنظومة وسهولة الاستخدام#

العامل الحاسم الحقيقي لكثير من فرق الهندسة هو المنظومة المحيطة بالنموذج.

يُعد YOLOv6 مستودعًا بحثيًا مثيرًا للإعجاب، لكنه يتطلب قدرًا كبيرًا من التعليمات البرمجية التمهيدية للنشر عبر التنسيقات المختلفة. في المقابل، توفر Ultralytics منظومة تحظى بصيانة جيدة وتتميز بتجربة استخدام سلسة. ومن خلال Python API الموحدة ومنصة Ultralytics سهلة الاستخدام، يحصل المطورون على إدارة سلسة لمجموعات البيانات وتدريب بنقرة واحدة وتصدير مباشر إلى تنسيقات مثل ONNX وTensorRT.

مثال برمجي: واجهة Ultralytics API الموحدة#

تتيح حزمة pip الخاصة بـ Ultralytics، المسماة ultralytics، تحميل النماذج وتدريبها ونشرها باستخدام بضعة أسطر فقط من التعليمات البرمجية.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv5 صغير مدرّب مسبقًا⁩
model = YOLO("yolov5su.pt")  # ⁨YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics⁩

# ⁨درّب النموذج بسهولة على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل استدلال سريع على صورة⁩
predictions = model("https://ultralytics.com/images/bus.jpg")

# ⁨التصدير إلى ONNX للنشر على الأجهزة الطرفية⁩
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv5 وYOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLOv5#

يُعد YOLOv5 خيارًا قويًا لما يلي:

• أنظمة إنتاج مُجرّبة: عمليات النشر القائمة التي تُقدّر سجل YOLOv5 الطويل في الاستقرار ووثائقه الشاملة ودعم مجتمعه الكبير.
• التدريب مع موارد محدودة: البيئات التي تعاني من محدودية موارد GPU، حيث يكون مسار التدريب الفعّال في YOLOv5 ومتطلباته الأقل للذاكرة مفيدين.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر بتنسيقات عديدة، منها ONNX وTensorRT وCoreML وLiteRT.

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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

المضي قدمًا: ميزة YOLO26#

مع أن YOLOv5 لا يزال خيارًا موثوقًا وعمليًا، ويوفر YOLOv6-3.0 معدل نقل قويًا على وحدات GPU الصناعية، فإن أحدث ما توصلت إليه التقنية قد تطور. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة اليوم، فإن المسار الموصى به هو Ultralytics YOLO26.

يمثّل YOLO26، الذي أُطلق في يناير 2026، قفزة هائلة إلى الأمام. فهو يرث تعدد الاستخدامات الذي لا مثيل له في منظومة Ultralytics، ويقدم في الوقت نفسه تحسينات معمارية رائدة:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يزيل الرأس الاختياري الخالي من NMS في YOLO26 (nms=False) المعالجة اللاحقة لكبح غير الحد الأقصى، ما يقلل تفاوت زمن الاستجابة بدرجة كبيرة ويبسّط منطق النشر.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والرأس المحسّن، يتفوق النموذج بدرجة كبيرة على الأجيال السابقة في الأجهزة الطرفية ومنخفضة الطاقة.
• مُحسِّن MuSGD: بالاستفادة من ابتكارات تدريب نماذج LLM، يضمن مُحسِّن MuSGD الجديد تدريبًا مستقرًا للغاية وتقاربًا سريعًا على نحو ملحوظ.
• تعدد استخدامات متقدم: يتعامل YOLO26 بسلاسة مع صناديق الإحاطة الموجّهة (OBB) وتقدير الوضعية والتجزئة، باستخدام دوال خسارة متخصصة مثل ProgLoss وSTAL لتحقيق تعرّف لا مثيل له على الأجسام الصغيرة.

إذا كنت تستكشف خيارات أخرى ضمن منظومة Ultralytics، فقد تنظر أيضًا في YOLO11 متعدد الأغراض أو YOLO-World المبتكر لمهام الاكتشاف ذات المفردات المفتوحة.

الخلاصة#

أثر كل من YOLOv5 وYOLOv6-3.0 بدرجة كبيرة في مجال الرؤية الحاسوبية. يوفر YOLOv6-3.0 معدل نقل ممتازًا على أجهزة الخوادم المتطورة، ما يجعله مناسبًا للتحليلات المتخصصة غير المتصلة بالإنترنت. ومع ذلك، يظل YOLOv5 الخيار الأفضل للمطورين الذين يحتاجون إلى نموذج متين وسهل الاستخدام ومتعدد الاستخدامات للغاية، تدعمه منصة عالمية المستوى.

لتحقيق التوازن الأمثل بين دقة الجيل التالي والنشر الأصلي الخالي من NMS وأفضل تجربة للمطورين في القطاع، يُعد الترقية إلى YOLO26 عبر منصة Ultralytics الخيار الحاسم لحلول الذكاء الاصطناعي للرؤية الحديثة.