Link to this sectionYOLOv5 في مقابل YOLOv6-3.0#

يشهد مجال الرؤية الحاسوبية تطوراً مستمراً، حيث تدفع البنيات الجديدة حدود السرعة والدقة. عند اختيار نموذج لمشروعك التالي في مجال الرؤية بالذكاء الاصطناعي، يجد المطورون أنفسهم غالباً في حالة مقارنة بين الأطر البرمجية الراسخة ومتعددة الاستخدامات وبين كاشفات صناعية متخصصة للغاية. يستكشف هذا التحليل المتعمق الفروق التقنية بين Ultralytics YOLOv5 و YOLOv6-3.0 من شركة Meituan، مما يساعدك على اختيار الأداة الأفضل لاحتياجات النشر الخاصة بك.

Link to this sectionمقدمة عن النماذج#

Link to this sectionUltralytics YOLOv5: المعيار متعدد الاستخدامات#

تم إصدار Ultralytics YOLOv5 في عام 2020، وسرعان ما أصبح المعيار الذهبي لاكتشاف الكائنات الذي يتسم بسهولة الوصول والأداء العالي. وهو معروف بسهولة استخدامه الفائقة، وخطوط أنابيب التدريب القوية، وتكاملات النشر الواسعة.

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

صُمم YOLOv5 من الألف إلى الياء لتوفير تجربة مطور سلسة داخل نظام PyTorch. وهو يقدم توازناً ملائماً في الأداء، حيث يحقق دقة متوسطة (mAP) ممتازة مع الحفاظ على سرعات استدلال عالية مناسبة لسيناريوهات النشر الواقعية المتنوعة، بدءاً من أجهزة الحافة وصولاً إلى خوادم السحاب.

اعرف المزيد عن YOLOv5

Link to this sectionYOLOv6-3.0: الإنتاجية الصناعية#

تم تطوير YOLOv6-3.0 بواسطة قسم الرؤية بالذكاء الاصطناعي في Meituan، وهو مصمم خصيصاً للتطبيقات الصناعية، مع التركيز بشكل كبير على الإنتاجية الخام على مسرعات الأجهزة المخصصة.

• المؤلفون: Chuyi Li, Lulu Li, Yifei Geng، وآخرون.
• المنظمة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

يهدف YOLOv6 إلى زيادة سرعة المعالجة إلى أقصى حد على وحدات معالجة الرسومات (GPUs) مثل NVIDIA T4. ويستخدم طرق تكميم مخصصة وبنيات أساسية متخصصة لتحقيق أدائه، مما يجعله مرشحاً قوياً لمعالجة الخوادم الخلفية حيث يتم استخدام استدلال الدفعات بكثافة.

اعرف المزيد حول YOLOv6

Link to this sectionالاختلافات المعمارية#

يعد فهم الخيارات المعمارية الكامنة وراء هذه النماذج أمراً بالغ الأهمية لتحديد حالات الاستخدام المثالية لها.

Link to this sectionبنية YOLOv5#

يستخدم YOLOv5 بنية أساسية من نوع CSPDarknet عالية التحسين مدمجة مع شبكة تجميع المسار (PANet) في العنق. تم ضبط هذا الهيكل بدقة لضمان الحد الأدنى من متطلبات الذاكرة أثناء التدريب والاستدلال. وعلى عكس نماذج Transformer الكبيرة التي تتطلب كميات هائلة من ذاكرة CUDA وأوقات تدريب طويلة، يعمل YOLOv5 بكفاءة على الأجهزة الاستهلاكية القياسية.

علاوة على ذلك، فإن YOLOv5 ليس مجرد كاشف للكائنات. تمتد بنيته بسلاسة إلى مهام أخرى، مما يوفر دعماً قوياً وجاهزاً لـ تقسيم الصور و تصنيف الصور.

Link to this sectionبنية YOLOv6-3.0#

يتميز YOLOv6-3.0 ببنية أساسية من نوع EfficientRep، والتي صُممت لتكون صديقة للأجهزة، وخاصة لتنفيذ وحدات معالجة الرسومات. ويستخدم وحدة ربط ثنائية الاتجاه (BiC) في العنق لتحسين دمج الميزات.

أثناء التدريب، يستخدم YOLOv6 استراتيجية التدريب المدعوم بالمرساة (AAT) لتحقيق الاستقرار في التقارب، على الرغم من أنه يظل كاشفاً خالياً من المراسي أثناء الاستدلال. وفي حين تتفوق هذه البنية في المهام التي تعتمد على تسريع GPU، إلا أنها قد تكون أحياناً أكثر تعقيداً في التكيف مع أجهزة الحافة المتنوعة مقارنة بإطار عمل YOLOv5 عالي القابلية للنقل.

Link to this sectionتحليل الأداء#

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

بينما يحقق YOLOv6-3.0 درجات دقة (mAP) أعلى في متغيراته الأكبر، يحافظ YOLOv5 على بصمة خفيفة للغاية. على سبيل المثال، يتطلب YOLOv5n معلمات وعدد عمليات (FLOPs) أقل بكثير من نظيره في YOLOv6، مما يجعله مثالياً للغاية لعمليات النشر على الأجهزة المحمولة أو الأجهزة المعتمدة على وحدة المعالجة المركزية (CPU).

Link to this sectionالنظام البيئي وسهولة الاستخدام#

العامل الحقيقي المحدد للعديد من الفرق الهندسية هو النظام البيئي المحيط بالنموذج.

يعد YOLOv6 مستودعاً بحثياً مثيراً للإعجاب، ولكنه يتطلب قدراً كبيراً من الكود المكرر (boilerplate code) للنشر عبر تنسيقات مختلفة. في المقابل، تقدم Ultralytics نظاماً بيئياً مُداراً جيداً يتميز بتجربة مستخدم مبسطة. من خلال واجهة برمجة تطبيقات Python الموحدة و منصة Ultralytics البديهية، يكتسب المطورون وصولاً إلى إدارة سلسة لمجموعات البيانات، والتدريب بضغطة زر واحدة، والتصدير المباشر إلى تنسيقات مثل ONNX و TensorRT.

Link to this sectionمثال برمجي: واجهة برمجة تطبيقات Ultralytics الموحدة#

تتيح لك حزمة ultralytics عبر pip تحميل وتدريب ونشر النماذج في بضعة أسطر فقط من التعليمات البرمجية.

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")

Link to this sectionحالات الاستخدام والتوصيات#

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

Link to this sectionمتى تختار YOLOv5#

يعد YOLOv5 خيارًا قويًا لـ:

• أنظمة الإنتاج المثبتة: عمليات النشر الحالية حيث يتم تقدير سجل YOLOv5 الطويل من الاستقرار، والوثائق الشاملة، ودعم المجتمع الضخم.
• التدريب محدود الموارد: البيئات ذات موارد GPU المحدودة حيث تكون خط أنابيب التدريب الفعال لـ YOLOv5 ومتطلبات الذاكرة الأقل ميزة.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX وTensorRT وCoreML وTFLite.

Link to this sectionمتى تختار YOLOv6#

يوصى بـ YOLOv6 لـ:

• النشر المدرك للأجهزة الصناعية: السيناريوهات التي يوفر فيها التصميم المدرك للأجهزة وإعادة تحديد المعلمات الفعال للنموذج أداءً محسناً على أجهزة مستهدفة محددة.
• الكشف السريع في مرحلة واحدة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو الفوري في بيئات خاضعة للتحكم.
• تكامل نظام Meituan البيئي: الفرق التي تعمل بالفعل ضمن مكدس التكنولوجيا والبنية التحتية للنشر الخاصة بـ Meituan.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

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

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionالمضي قدماً: ميزة YOLO26#

بينما يظل YOLOv5 حصان عمل موثوقاً ويقدم YOLOv6-3.0 إنتاجية قوية لوحدات معالجة الرسومات الصناعية، فإن أحدث التقنيات قد تطورت. بالنسبة للمطورين الذين يبدأون مشاريع جديدة اليوم، فإن المسار الموصى به هو Ultralytics YOLO26.

تم إصدار YOLO26 في يناير 2026، ويمثل قفزة هائلة إلى الأمام. وهو يرث التنوع الذي لا مثيل له في نظام Ultralytics البيئي مع تقديم تحسينات معمارية رائدة:

• تصميم من طرف إلى طرف خالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة لـ Non-Maximum Suppression، مما يقلل بشكل كبير من تباين زمن الاستجابة ويبسط منطق النشر.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): مع إزالة DFL ورأس محسن، فإنه يتفوق بشكل كبير على الأجيال السابقة على أجهزة الحافة والأجهزة منخفضة الطاقة.
• مُحسِّن MuSGD: بالاستفادة من ابتكارات تدريب نماذج اللغات الكبيرة (LLM)، يضمن مُحسِّن MuSGD الجديد تدريباً مستقراً للغاية وتقارباً سريعاً بشكل ملحوظ.
• تنوع متقدم: يتعامل YOLO26 بسلاسة مع صندوق التحديد الموجه (OBB)، و تقدير الوضع (Pose Estimation)، والتقسيم مع خسائر مهام متخصصة مثل ProgLoss و STAL للتعرف على الكائنات الصغيرة بشكل لا مثيل له.

إذا كنت تستكشف خيارات أخرى داخل نظام Ultralytics البيئي، فقد تفكر أيضاً في YOLO11 للأغراض العامة أو YOLO-World المبتكر لمهام الكشف ذات المفردات المفتوحة.

Link to this sectionالخلاصة#

لقد أثر كل من YOLOv5 و YOLOv6-3.0 بشكل كبير على مجال الرؤية الحاسوبية. يوفر YOLOv6-3.0 إنتاجية ممتازة لأجهزة الخادم المتطورة، مما يجعله مناسباً للتحليلات المتخصصة غير المتصلة بالإنترنت. ومع ذلك، يظل YOLOv5 هو الخيار الأفضل للمطورين الذين يحتاجون إلى نموذج قوي وسهل الاستخدام ومتعدد الاستخدامات للغاية ومدعوم بمنصة عالمية المستوى.

للحصول على التوازن الأمثل بين دقة الجيل التالي، والنشر الأصلي الخالي من NMS، وأفضل تجربة مطور في الصناعة، فإن الترقية إلى YOLO26 عبر منصة Ultralytics هي الخيار النهائي لحلول الرؤية بالذكاء الاصطناعي الحديثة.