YOLOv5 مقابل YOLOv6-3.0
يتطور مجال الرؤية الحاسوبية باستمرار، إذ تدفع المعماريات الجديدة حدود السرعة والدقة إلى مستويات أعلى. وعند اختيار نموذج لمشروع ذكاء الرؤية المقبل، غالبًا ما يقارن المطورون بين أطر العمل الراسخة ومتعددة الاستخدامات وكواشف الأجسام الصناعية المتخصصة للغاية. تستكشف هذه المقارنة الاختلافات التقنية بين Ultralytics YOLOv5 وYOLOv6-3.0 من Meituan، لمساعدتك على اختيار الأداة الأنسب لاحتياجات النشر.
مقدمة عن النماذج#
Ultralytics YOLOv5: المعيار متعدد الاستخدامات#
صدر Ultralytics YOLOv5 في عام 2020، وسرعان ما أصبح خيارًا واسع الانتشار لكشف الأجسام بسهولة وأداء عالٍ. ويشتهر بسهولة استخدامه ومسارات التدريب المتينة وتكاملاته الواسعة للنشر.
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: ultralytics/yolov5
صُمم YOLOv5 منذ البداية لتوفير تجربة تطوير مباشرة ضمن منظومة PyTorch. وهو يقدم توازنًا مناسبًا للأداء، إذ يحقق متوسط دقة متوسطًا (mAP) قويًا مع الحفاظ على سرعات استدلال عالية تناسب سيناريوهات النشر المتنوعة في العالم الحقيقي، من الأجهزة الطرفية 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 زيادة سرعة المعالجة إلى أقصى حد على GPUs مثل NVIDIA T4. ويستخدم مخططات تكميم مخصصة وأعمدة فقارية متخصصة لتحقيق أدائه، ما يجعله خيارًا قويًا لمعالجة الخوادم الخلفية التي تعتمد بكثافة على الاستدلال بالدفعات.
الاختلافات المعمارية#
من المهم فهم الخيارات المعمارية لهذه النماذج لتحديد حالات الاستخدام المثالية لها.
بنية YOLOv5#
يستخدم YOLOv5 عمودًا فقريًا CSPDarknet محسّنًا بدرجة كبيرة، إلى جانب عنق من نوع Path Aggregation Network (PANet). وقد ضُبط هذا الهيكل بدقة لتقليل متطلبات الذاكرة أثناء التدريب والاستدلال. وعلى عكس نماذج Transformer الكبيرة التي تتطلب قدرًا كبيرًا من ذاكرة CUDA وأوقات تدريب طويلة، يعمل YOLOv5 بكفاءة على أجهزة المستهلكين المعتادة.
صُممت نماذج Ultralytics خصيصًا لتحقيق كفاءة التدريب. وغالبًا ما يمكنك تدريب نموذج YOLOv5 على وحدة GPU واحدة متوسطة الفئة، ما يجعله متاحًا بسهولة للباحثين والشركات الناشئة على حد سواء.
لا يقتصر YOLOv5 على كشف الأجسام؛ إذ يوسع مستودعه الأصلي معماريته لتشمل تجزئة المثيلات 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.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
على الرغم من تحقيق YOLOv6-3.0 قيمة mAP أعلى في كل حجم متناظر، يحافظ YOLOv5 على بصمة أخف. فعلى سبيل المثال، يحتاج YOLOv5n إلى عدد أقل بكثير من المعلمات وعمليات FLOPs مقارنةً بنظيره YOLOv6، ما يجعله مناسبًا تمامًا لعمليات النشر على الأجهزة المحمولة أو المعتمدة على CPU.
المنظومة وسهولة الاستخدام#
العامل الحاسم الحقيقي لكثير من فرق الهندسة هو المنظومة المحيطة بالنموذج.
يُعد YOLOv6 مستودعًا بحثيًا قادرًا، لكن نشره عبر صيغ متعددة يتطلب مزيدًا من العمل اليدوي. في المقابل، تقدم Ultralytics منظومة تحظى بصيانة جيدة وتتميز بتجربة استخدام مبسطة. ومن خلال واجهة Python API الموحدة ومنصة Ultralytics سهلة الاستخدام، يحصل المطورون على إدارة مجموعات البيانات والتدريب بنقرة واحدة والتصدير المباشر إلى صيغ 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
# تدريب النموذج 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 مجرّبة: عمليات النشر الحالية التي تحظى فيها خبرة YOLOv5 الطويلة في الاستقرار، ووثائقه الشاملة، ومجتمعه الكبير بالتقدير.
- 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 تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
المضي قدمًا: ميزة YOLO26#
على الرغم من أن YOLOv5 يظل أداة موثوقة متعددة الاستخدامات، وأن YOLOv6-3.0 يقدم معدل معالجة قويًا على GPUs الخوادم، فإن أحدث التقنيات تطورت. والمسار الموصى به للمطورين الذين يبدؤون مشاريع جديدة اليوم هو Ultralytics YOLO26.
يمثل YOLO26، الذي صدر في يناير 2026، تقدمًا مهمًا. فهو يرث تعدد استخدامات منظومة Ultralytics، مع تقديم عدة تحسينات معمارية:
- تصميم شامل خالٍ من NMS: يزيل رأس YOLO26 الاختياري الخالي من NMS (
nms=False) المعالجة اللاحقة لكبت غير الأعظم، ما يقلل تباين زمن الاستجابة ويبسط منطق النشر. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والرأس الأخف، يعمل YOLO26n على CPU بسرعة تصل إلى 43% أكثر من YOLO11n، ما يفيد الأجهزة الطرفية ومنخفضة الطاقة.
- مُحسِّن MuSGD: يستفيد مُحسِّن MuSGD الجديد من ابتكارات تدريب نماذج LLM، ويوفر تدريبًا مستقرًا وتقاربًا أسرع.
- تعدد متقدم في الاستخدامات: يتعامل YOLO26 مع تجزئة المثيلات والتجزئة الدلالية وتقدير العمق والتصنيف وتقدير الوضعية ومربعات الإحاطة الموجّهة (OBB)، باستخدام رؤوس وخسائر خاصة بكل مهمة، فيما يحسن ProgLoss وSTAL التعرّف على الأجسام الصغيرة.
إذا كنت تستكشف خيارات أخرى ضمن منظومة Ultralytics، فقد تفكر أيضًا في YOLO11 متعدد الأغراض أو YOLO-World لمهام الكشف ذات المفردات المفتوحة.
الخلاصة#
أثر كل من YOLOv5 وYOLOv6-3.0 تأثيرًا كبيرًا في مجال الرؤية الحاسوبية. ويوفر YOLOv6-3.0 معدل معالجة ممتازًا على أجهزة الخوادم المتقدمة، ما يجعله مناسبًا للتحليلات غير المتصلة المتخصصة. ومع ذلك، يظل YOLOv5 خيارًا قويًا للمطورين الذين يحتاجون إلى نموذج متين وسهل الاستخدام ومتعدد الاستخدامات، تدعمه منظومة Ultralytics.
لتحقيق أفضل توازن بين الدقة والنشر الاختياري الخالي من NMS وتجربة التطوير، يُوصى بالترقية إلى YOLO26 عبر منصة Ultralytics بوصفها المسار الأمثل لحلول ذكاء الرؤية الحديثة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.