مقارنة النموذج: YOLOv5 مقابل YOLOv6-3.0 لاكتشاف الأجسام
يعد اختيار النموذج الأمثل للكشف عن الكائنات أمرًا بالغ الأهمية لنجاح تطبيقات الرؤية الحاسوبية. يعد كل من Ultralytics YOLOv5 و Meituan YOLOv6-3.0 خيارين شائعين معروفين بكفاءتهما ودقتهما. تقدم هذه الصفحة مقارنة تقنية لمساعدتك في تحديد النموذج الأنسب لاحتياجات مشروعك. نتعمق في الفروق المعمارية الدقيقة ومعايير الأداء وأساليب التدريب والتطبيقات المناسبة.
Ultralytics YOLOv5
YOLOv5 هو نموذج للكشف عن الكائنات أحادي المرحلة، يشتهر بسرعته وقدرته على التكيف. تم تطويره من قِبل Ultralytics وتم إصداره مبدئيًا في 26 يونيو 2020، وقد صُمم YOLOv5 ببنية مرنة تسمح بسهولة التوسع والتخصيص. وتستخدم بنيته مكونات مثل CSPBottleneck، مع التركيز على سرعة الاستدلال المحسّنة والحفاظ على التوازن مع الدقة.
- المؤلفون: جلين جوشر
- المنظمة Ultralytics
- التاريخ: 2020-06-26
- جيثب: مستودعYOLOv5 GitHub GitHub
- المستندات: مستنداتYOLOv5
يقدم YOLOv5 مجموعة من أحجام النماذج (n، s، m، l، x)، كل منها مصمم لتلبية متطلبات الأداء المختلفة. تُعد النماذج الأصغر مثل YOLOv5n مثالية للأجهزة الطرفية نظرًا لصغر حجمها وسرعة الاستدلال فيها، بينما توفر النماذج الأكبر مثل YOLOv5x دقة محسّنة للمهام الأكثر تطلبًا. يعتبر YOLOv5 قويًا بشكل خاص في التطبيقات التي تتطلب اكتشاف الأجسام في الوقت الفعلي نظرًا لسرعته وكفاءته.
نقاط قوة YOLOv5:
- السرعة: يتفوق YOLOv5 في سرعة الاستدلال، مما يجعله مناسبًا لتطبيقات الوقت الحقيقي.
- المرونة: بنيتها قابلة للتخصيص والتوسع بدرجة كبيرة.
- دعم المجتمع: مدعوم من مجتمع كبير ونشط، يقدم موارد ودعمًا واسع النطاق.
- سهولة الاستخدام: تدفقات عمل بسيطة للتدريب والتحقق من الصحة والنشر، معززة بواسطة Ultralytics HUB.
نقاط ضعف YOLOv5:
- الدقة: على الرغم من دقة نماذج YOLOv6-3.0 الأكبر حجمًا إلا أن نماذج YOLOv6-3.0 يمكن أن تحقق دقة أفضل قليلاً في بعض المعايير.
Meituan YOLOOv6-3.0
يمثل YOLOv6-3.0، الذي طورته شركة Meituan وتم تقديمه في يناير 2023، تقدمًا في سلسلة YOLO مع التركيز على تحسين الدقة والسرعة. في حين أنه من الأفضل العثور على تفاصيل معمارية محددة في موارد YOLOv6 الرسمية، إلا أنه يتضمن ابتكارات مثل وحدة التسلسل ثنائي الاتجاه (BiC) واستراتيجية التدريب بمساعدة المرساة (AAT). تهدف هذه التحسينات إلى تعزيز استخراج الميزات ودقة الكشف دون تقليل السرعة بشكل كبير.
- المؤلفون: تشوي لي، ولولو لي، ويفي قنغ، وهونغليانغ جيانغ، ومنغ تشنغ، وبو تشانغ، وزيدان كي، وشياو مينغ، وشيانغ شيانغ تشو
- المنظمة ميتوان
- التاريخ: 2023-01-13
- arXiv: YOLOv6 v3.0: إعادة تحميل كامل النطاق
- جيثب: مستودع YOLOv6 GitHub GitHub
- المستندات: مستندات YOLOv6
يوفر YOLOv6-3.0 أيضًا نماذج بأحجام مختلفة (n، s، m، l) لتحقيق التوازن بين الأداء والموارد الحاسوبية. تشير المعايير القياسية إلى أن نماذج YOLOv6-3.0 يمكن أن تحقق نماذج YOLOv6-3.0 أداءً تنافسيًا أو متفوقًا في مجال التخطيط المتوسط المدى مقارنةً بنماذج YOLOv5 ذات الحجم المماثل، خاصةً في التكوينات الأكبر، مما يشير إلى دقة محسّنة في مهام اكتشاف الأجسام.
تعرف على المزيد حول YOLOv6-3.0
نقاط قوة YOLOv6-3.0:
- الدقة: تقدم بشكل عام دقة تنافسية أو أفضل من دقة MAP، خاصة في أحجام الطرازات الأكبر.
- سرعة الاستدلال: يحقق سرعات استنتاج سريعة ومناسبة لاكتشاف الأجسام في الوقت الحقيقي.
- ابتكارات معمارية: تدمج وحدة BiC وAAT لتحقيق مكاسب في الأداء.
نقاط ضعف YOLOv6-3.0:
- المجتمع والموارد: على الرغم من فعاليته، إلا أنه قد لا يحظى بالدعم المجتمعي الواسع والموارد المتاحة بسهولة مقارنةً بـ YOLOv5.
- التكامل: قد يكون التكامل المباشر مع Ultralytics HUB والأدوات المرتبطة به أقل سلاسة من نماذج Ultralytics الأصلية.
جدول مقارنة الأداء
| الطراز | الحجم(بكسل) | mAPval50-95 | السرعةCPU ONNX(مللي ثانية) | سرعةT4TensorRT10(مللي ثانية) | بارامز(م) | الآفاق(ب) |
|---|---|---|---|---|---|---|
| يولوف5ن | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| يولوف5م | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| يولوف5ل | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOV6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOV6-3.0 م | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOV6-3.0L | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
الخاتمة
يُعتبر كل من YOLOv5 و YOLOv6-3.0 نموذجين قويين للكشف عن الكائنات، ولكل منهما نقاط قوة فريدة. يظل YOLOv5 نموذجًا متعدد الاستخدامات وسريعًا للغاية، مستفيدًا من الدعم المجتمعي الواسع والتكامل السلس داخل نظام Ultralytics البيئي. إنه خيار ممتاز لمجموعة واسعة من التطبيقات في الوقت الحقيقي. يوفر YOLOv6-3.0 بديلاً مقنعًا للمشاريع التي تعطي الأولوية للدقة العالية دون التضحية بسرعة الاستدلال. توفر تحسيناته المعمارية ميزة الأداء في سيناريوهات معينة.
بالنسبة للمستخدمين الذين يبحثون عن نماذج متطورة، فكّر في استكشاف نماذج Ultralytics الأحدث مثل YOLOv8و YOLOv9 و YOLOv10 و YOLO11. بالنسبة للتطبيقات المتخصصة، فإن نماذج مثل YOLO و RT-DETR مزايا فريدة من نوعها، في حين أن FastSAM قدرات تجزئة فعالة.
لمزيد من التفاصيل ومجموعة أوسع من النماذج، راجع وثائق نماذجUltralytics .
