YOLOv5 YOLOv6.0: دليل شامل لنماذج الكشف عن الكائنات في الوقت الفعلي

يتطور مجال الرؤية الحاسوبية باستمرار، مع ظهور هياكل جديدة توسع حدود السرعة والدقة. عند اختيار نموذج لمشروع الرؤية الاصطناعية التالي، غالبًا ما يجد المطورون أنفسهم يقارنون بين الأطر الراسخة والمتعددة الاستخدامات وأجهزة الكشف الصناعية عالية التخصص. يستكشف هذا التحليل المتعمق الفروق الفنية بين Ultralytics YOLOv5 و Meituan's YOLOv6.0، مما يساعدك على اختيار أفضل أداة لتلبية احتياجاتك في مجال النشر.

مقدمة إلى النماذج

Ultralytics YOLOv5: المعيار متعدد الاستخدامات

صدر Ultralytics YOLOv5 في عام 2020،YOLOv5 أصبح المعيار الذهبي للكشف عن الكائنات المتاح وعالي الأداء. وهو مشهور بسهولة استخدامه المذهلة، وخطوط التدريب القوية، وعمليات النشر المتكاملة الواسعة النطاق.

المؤلف: جلين جوتشر
المؤسسة:Ultralytics
التاريخ: 2020-06-26
GitHub:ultralytics/yolov5

YOLOv5 تصميم YOLOv5 من الألف إلى الياء لتوفير تجربة مطور سلسة ضمن PyTorch . وهو يوفر توازنًا جيدًا في الأداء، حيث يحقق متوسط دقة ممتازًا (mAP) مع الحفاظ على سرعات استدلال عالية مناسبة لسيناريوهات النشر المتنوعة في العالم الحقيقي، من الأجهزة الطرفية إلى خوادم السحابة.

تعرف على المزيد حول YOLOv5

YOLOv6.0: الإنتاجية الصناعية

تم تطوير YOLOv6. YOLOv6 بواسطة قسم Vision AI في Meituan، وهو مصمم خصيصًا للتطبيقات الصناعية، مع إعطاء أولوية كبيرة للإنتاجية الأولية على مسرعات الأجهزة المخصصة.

المؤلفون: تشوي لي، لولو لي، ييفي جينغ، وآخرون.
المنظمة: ميتوان
التاريخ: 2023-01-13
أرخايف:2301.05586
GitHub:meituan/YOLOv6

YOLOv6 إلى تعظيم سرعة المعالجة على وحدات معالجة الرسومات (GPU) مثل NVIDIA . ويستخدم طرق تكمية مخصصة وعمود فقري متخصص لتحقيق أدائه، مما يجعله مرشحًا قويًا لمعالجة الخادم الخلفي حيث يتم استخدام الاستدلال الدفعي بكثافة.

تعرف على المزيد حول YOLOv6

الاختلافات المعمارية

إن فهم الخيارات المعمارية الكامنة وراء هذه النماذج أمر بالغ الأهمية لتحديد حالات الاستخدام المثالية لها.

YOLOv5

YOLOv5 شبكة أساسية CSPDarknet عالية التحسين مقترنة بشبكة تجميع المسارات (PANet). تم ضبط هذه البنية بدقة شديدة لضمان الحد الأدنى من متطلبات الذاكرة أثناء التدريب والاستدلال. على عكس نماذج المحولات الكبيرة التي تتطلب كميات هائلة من CUDA وأوقات تدريب طويلة، YOLOv5 بكفاءة على الأجهزة الاستهلاكية القياسية.

كفاءة الذاكرة

تم تصميم Ultralytics خصيصًا لتحقيق الكفاءة في التدريب. يمكنك في كثير من الأحيان تدريب YOLOv5 على GPU واحدة متوسطة المدى، مما يجعله في متناول الباحثين والشركات الناشئة على حد سواء.

علاوة على ذلك، YOLOv5 مجرد كاشف للأجسام. فهيكلته تمتد بسلاسة إلى مهام أخرى، وتوفر دعماً قوياً جاهزاً للاستخدام لتقسيم الصور وتصنيفها.

بنية YOLOv6.0

يتميز YOLOv6.YOLOv6 بوجود هيكل EfficientRep، والذي تم تصميمه ليكون متوافقًا مع الأجهزة، خاصةً GPU . ويستخدم وحدة تسلسل ثنائي الاتجاه (BiC) في عنقه لتعزيز دمج الميزات.

أثناء التدريب، YOLOv6 استراتيجية التدريب بمساعدة المرجع (AAT) لتثبيت التقارب، على الرغم من أنه يظل كاشفًا خاليًا من المرجع أثناء الاستدلال. في حين أن هذه البنية تتفوق في المهام GPU، إلا أنها قد تكون في بعض الأحيان أكثر تعقيدًا للتكيف مع الأجهزة الطرفية المتنوعة مقارنة YOLOv5 عالي القابلية للنقل.

تحليل الأداء

عند تقييم هذه النماذج، تعتبر مقاييس السرعة والدقة الأولية أمراً حيوياً. يوجد أدناه جدول مقارن يسلط الضوء على أداء أحجام النماذج المختلفة على COCO .

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	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
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

بينما يحقق YOLOv6. YOLOv6 mAP أعلى في متغيراته الأكبر حجمًا، YOLOv5 حجم صغير للغاية. على سبيل المثال، يتطلب YOLOv5n معلمات وعمليات FLOP أقل بكثير من YOLOv6 مما يجعله مثاليًا للغاية للاستخدامات المتنقلة أو CPU.

النظام البيئي وسهولة الاستخدام

العامل الحقيقي الذي يحدد العديد من فرق الهندسة هو النظام البيئي المحيط بالنموذج.

YOLOv6 مستودع أبحاث مثير للإعجاب، ولكنه يتطلب كودًا نمطيًا كبيرًا لنشره عبر تنسيقات مختلفة. في المقابل، Ultralytics نظامًا بيئيًا جيد الصيانة يتميز بتجربة مستخدم مبسطة. من خلال Python الموحدة Ultralytics البديهية، يمكن للمطورين الوصول إلى إدارة سلسة لمجموعات البيانات، والتدريب بنقرة واحدة، والتصدير المباشر إلى تنسيقات مثل ONNX و TensorRT.

مثال على الكود: Ultralytics الموحدة

UlUltralyticsytics ultralytics تتيح لك حزمة pip تحميل النماذج وتدريبها ونشرها باستخدام بضع أسطر من التعليمات البرمجية فقط.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for edge deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات

YOLOv6 الاختيار بين YOLOv5 YOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOv5

YOLOv5 خيار قوي لـ:

أنظمة إنتاج مجربة: عمليات النشر الحالية التي تُقدّر فيها track YOLOv5 الطويل في الاستقرار، والوثائق الشاملة، والدعم المجتمعي الهائل.
التدريب المحدود الموارد: البيئات ذات GPU المحدودة حيث يكون خط التدريب الفعال YOLOv5 ومتطلبات الذاكرة المنخفضة ميزة.
دعم واسع النطاق لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNXو TensorRTو CoreMLو TFLite.

متى تختار YOLOv6

YOLOv6 في الحالات التالية:

النشر الصناعي المراعي للأجهزة: سيناريوهات يوفر فيها تصميم النموذج المراعي للأجهزة وإعادة تحديد المعلمات بكفاءة أداءً محسّنًا على أجهزة مستهدفة محددة.
الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الأولي على GPU الفيديو في الوقت الفعلي في البيئات الخاضعة للرقابة.
تكامل نظام Meituan البيئي: فرق تعمل بالفعل ضمن مجموعة تقنيات Meituan وبنيتها التحتية للنشر.

متى تختار Ultralytics YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics أفضل مزيج من الأداء وتجربة المطور:

نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

المضي قدماً: ميزة YOLO26

بينما YOLOv5 أداة موثوقة وفعالة ويوفر YOLOv6. YOLOv6 GPU صناعية قوية، إلا أن أحدث التقنيات قد تطورت. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، فإن المسار الموصى به هو Ultralytics .

صدر YOLO26 في يناير 2026، وهو يمثل قفزة هائلة إلى الأمام. فهو يرث التنوع غير المسبوق Ultralytics مع إدخال تحسينات معمارية رائدة:

تصميم شامل NMS: يزيل YOLO26 المعالجة اللاحقة لـ Non-Maximum Suppression، مما يقلل بشكل كبير من تباين زمن الاستجابة ويبسط منطق النشر.
CPU أسرع بنسبة تصل إلى 43٪ CPU : بفضل إزالة DFL وتحسين الرأس، يتفوق هذا الجيل بشكل كبير على الأجيال السابقة في الأجهزة المتطورة والأجهزة منخفضة الطاقة.
محسّن MuSGD: بالاستفادة من ابتكارات تدريب LLM، يضمن محسّن MuSGD الجديد تدريبًا عالي الاستقرار وتقاربًا سريعًا بشكل ملحوظ.
تعدد الاستخدامات المتقدم: يتعامل YOLO26 بسلاسة مع Oriented Bounding Box (OBB) وتقدير الوضع والتجزئة مع خسائر مهام متخصصة مثل ProgLoss و STAL من أجل التعرف على الأجسام الصغيرة بشكل لا مثيل له.

إذا كنت تستكشف خيارات أخرى ضمن نظام Ultralytics ، فقد ترغب أيضًا في النظر في استخدام YOLO11 أو YOLO المبتكر لمهام الكشف عن المفردات المفتوحة.

الخلاصة

أثر كل من YOLOv5 YOLOv6. YOLOv6 بشكل كبير على مجال الرؤية الحاسوبية. يوفر YOLOv6. YOLOv6 إنتاجية ممتازة لأجهزة الخادم المتطورة، مما يجعله مناسبًا للتحليلات المتخصصة غير المتصلة بالإنترنت. ومع ذلك، YOLOv5 يظل الخيار الأفضل للمطورين الذين يحتاجون إلى نموذج قوي وسهل الاستخدام ومتعدد الاستخدامات مدعوم بمنصة عالمية المستوى.

للحصول على التوازن المثالي بين دقة الجيل التالي، والنشر الأصلي NMS وأفضل تجربة مطور في الصناعة، فإن الترقية إلى YOLO26 عبر Ultralytics هي الخيار الأمثل لحلول الذكاء الاصطناعي الحديثة في مجال الرؤية.