YOLOv5 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.
مقدمة عن النماذج#
Ultralytics 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
- المنظمة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: ultralytics/yolov5
تم تصميم YOLOv5 من الصفر لتوفير تجربة مطور سلسة داخل نظام PyTorch البيئي. وهو يوفر توازناً إيجابياً في الأداء، محققاً دقة متوسطة ممتازة (mAP) مع الحفاظ على سرعات استدلال عالية مناسبة لمختلف سيناريوهات نشر العالم الحقيقي، بدءاً من أجهزة الحافة وصولاً إلى خوادم السحابة.
YOLOv6-3.0: 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 تعظيم سرعة المعالجة على وحدات معالجة الرسوميات مثل NVIDIA T4. وهو يستهل طرق تقييس مخصصة وهياكل أساسية متخصصة لتحقيق أدائه، مما يجعله مرشحاً قوياً لمعالجة الخوادم الخلفية حيث يُستخدم الاستدلال على دفعات بشكل مكثف.
الاختلافات المعمارية#
يعد فهم الخيارات المعمارية الكامنة وراء هذه النماذج أمراً بالغ الأهمية لتحديد حالات الاستخدام المثالية لها.
بنية 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.
تم تصميم نماذج Ultralytics خصيصاً لتحقيق كفاءة التدريب. يمكنك غالباً تدريب نموذج YOLOv5 على وحدة معالجة رسومات واحدة متوسطة المدى، مما يجعله متاحاً للغاية للباحثين والشركات الناشئة على حد سواء.
علاوة على ذلك، لا يعد YOLOv5 مجرد كاشف كائنات. بل يمتد تصميمه بسلاسة ليشمل مهام أخرى، مقدماً دعماً قوياً وجاهزاً للاستخدام لكل من image segmentation وimage classification.
بنية 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.
تحليل الأداء#
عند تقييم هذه النماذج، تعد مقاييس السرعة الخام والدقة أمراً بالغ الأهمية. يوجد أدناه جدول مقارنة يبرز أداء أحجام النماذج المختلفة على COCO dataset.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 YOLOv6-3.0 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).
النظام البيئي وسهولة الاستخدام#
العامل الحقيقي المحدد للعديد من الفرق الهندسية هو النظام البيئي المحيط بالنموذج.
يعد YOLOv6 مستودع أبحاث مثيراً للإعجاب، ولكنه يتطلب تعليمة برمجية نمطية كبيرة للنشر عبر تنسيق مختلفة. في المقابل، توفر Ultralytics بيئة عمل مُصانة جيداً وتتميز بتجربة مستخدم مبسطة. من خلال واجهة برمجة التطبيقات Python الموحدة وUltralytics Platform البديهية، يحصل المطورون على إمكانية إدارة مجموعات البيانات بسلاسة، والتدريب بنقرة واحدة، والتصدير المباشر إلى تنسيق مثل ONNX وTensorRT.
مثال برمجي: واجهة برمجة تطبيقات Ultralytics الموحدة#
تتيح لك حزمة pip الخاصة بـ Ultralytics ultralytics تحميل النماذج وتدريبها ونشرها في بضعة أسطر برمجية 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#
يعتمد الاختيار بين YOLOv5 و YOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى 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.
- Extensive Export Format Support: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، وTensorRT، وCoreML، وTFLite.
متى 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 النظام البيئي لـ Meituan: الفرق التي تعمل بالفعل ضمن حزمة التكنولوجيا والبنية التحتية للنشر الخاصة بـ Meituan.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- 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.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
المضي 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، وهو يمثل قفزة هائلة إلى الأمام. وهو يرث تعددการ الاستخدامات الذي لا مثيل له لنظام 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.
- تعدد الاستخدامات المتقدم: يتعامل YOLO26 بسلاسة مع Oriented Bounding Box (OBB) وPose Estimation والتجزئة مع خسائر المهام المتخصصة مثل ProgLoss وSTAL للتعرف الفائق على الكائنات الصغيرة.
إذا كنت تستكشف خيارات أخرى داخل نظام Ultralytics البيئي، فقد تفكر أيضاً في استخدام YOLO11 للأغراض العامة أو YOLO-World المبتكر لمهام الكشف المفتوح للمفردات.
الخلاصة#
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.
لتحقيق التوازن الأمثل لدقة الجيل التالي، والنشر الأصلي الخالي من NMS، وأفضل تجربة للمطورين في الصناعة، يعد الترقية إلى YOLO26 عبر Ultralytics Platform الخيار النهائي لحلول رؤية الذكاء الاصطناعي الحديثة.