مقارنة بين YOLOv5 وYOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية باستمرار، إذ تدفع البنى الجديدة حدود السرعة والدقة. عند اختيار نموذج لمشروع الذكاء الاصطناعي للرؤية التالي، يجد المطورون أنفسهم غالبًا أمام مقارنة بين أطر عمل راسخة ومتعددة الاستخدامات وكاشفات صناعية متخصصة للغاية. يستكشف هذا التحليل المتعمق الفروق التقنية الدقيقة بين Ultralytics YOLOv5 وYOLOv6-3.0 من Meituan، لمساعدتك في اختيار الأداة الأفضل لاحتياجات النشر لديك.

مقدمة إلى النماذج#

Ultralytics YOLOv5: المعيار متعدد الاستخدامات#

أُطلق Ultralytics YOLOv5 في عام 2020، وسرعان ما أصبح المعيار الذهبي لكشف الأجسام عالي الأداء والمتاح للجميع. ويشتهر بسهولة استخدامه الاستثنائية، وخطوط تدريب العمل المتينة، وتكاملاته الواسعة للنشر.

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

صُمم YOLOv5 منذ البداية لتوفير تجربة مطور سلسة ضمن منظومة PyTorch. وهو يوفر توازنًا ملائمًا بين الأداء، إذ يحقق متوسط دقة ممتازًا (mAP) مع الحفاظ على سرعات استدلال عالية تناسب سيناريوهات النشر المتنوعة في العالم الحقيقي، بدءًا من الأجهزة الطرفية ووصولًا إلى خوادم السحابة.

YOLOv6-3.0: معدل نقل البيانات الصناعي#

طوّر قسم الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0، وقد صُمم خصيصًا للتطبيقات الصناعية مع إعطاء أولوية كبيرة لمعدل النقل الخام على مسرّعات الأجهزة المخصصة.

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

يهدف YOLOv6 إلى زيادة سرعة المعالجة إلى أقصى حد على وحدات GPU مثل NVIDIA T4. ويستخدم أساليب تكميم مخصصة وظهورًا خلفيًا متخصصًا لتحقيق أدائه، ما يجعله مرشحًا قويًا لمعالجة الخوادم الخلفية حيث يُستخدم الاستدلال الدفعي بكثافة.

تعرف على المزيد حول YOLOv6

الاختلافات المعمارية#

يُعد فهم الخيارات المعمارية الكامنة وراء هذه النماذج أمرًا بالغ الأهمية لتحديد حالات الاستخدام المثالية لها.

بنية YOLOv5#

يستخدم YOLOv5 ظهورًا خلفيًا CSPDarknet عالي التحسين، مقترنًا بعنق شبكة تجميع المسارات (PANet). وقد ضُبطت هذه البنية بدقة لضمان الحد الأدنى من متطلبات الذاكرة أثناء التدريب والاستدلال. وعلى خلاف نماذج Transformer الكبيرة التي تتطلب كميات هائلة من ذاكرة CUDA وأوقات تدريب طويلة، يعمل YOLOv5 بكفاءة على الأجهزة الاستهلاكية القياسية.

علاوة على ذلك، لا يقتصر YOLOv5 على كشف الأجسام فحسب. إذ تمتد بنيته بسلاسة إلى مهام أخرى، مع توفير دعم متين وجاهز للاستخدام لـتجزئة الصور وتصنيف الصور.

بنية YOLOv6-3.0#

يتميز YOLOv6-3.0 بظهير خلفي EfficientRep، صُمم ليكون ملائمًا للأجهزة، ولا سيما لتنفيذ العمليات على GPU. كما يستخدم وحدة الربط ثنائي الاتجاه (BiC) في عنقه لتعزيز دمج السمات.

أثناء التدريب، يستخدم YOLOv6 استراتيجية التدريب بمساعدة المراسي (AAT) لتحقيق استقرار التقارب، مع بقائه كاشفًا خاليًا من المراسي أثناء الاستدلال. وعلى الرغم من تفوق هذه البنية في المهام المسرّعة بواسطة GPU، فقد يكون تكييفها مع الأجهزة الطرفية المتنوعة أكثر تعقيدًا أحيانًا مقارنةً بإطار YOLOv5 عالي قابلية النقل.

تحليل الأداء#

عند تقييم هذه النماذج، تُعد مقاييس السرعة الخام والدقة بالغة الأهمية. يوضح الجدول المقارن أدناه أداء أحجام النماذج المختلفة على مجموعة بيانات COCO.

في حين يحقق YOLOv6-3.0 درجات mAP أعلى في إصداراته الأكبر، يحافظ YOLOv5 على بصمة خفيفة للغاية. فعلى سبيل المثال، يتطلب YOLOv5n عددًا أقل بكثير من المعاملات وعمليات FLOPs مقارنةً بنظيره YOLOv6، ما يجعله مثاليًا للغاية لعمليات النشر على الأجهزة المحمولة أو المقيّدة بوحدة CPU.

المنظومة وسهولة الاستخدام#

يتمثل العامل الحاسم الحقيقي للعديد من فرق الهندسة في المنظومة المحيطة بالنموذج.

يُعد YOLOv6 مستودعًا بحثيًا مثيرًا للإعجاب، لكنه يتطلب قدرًا كبيرًا من الشيفرة النمطية لنشره عبر الصيغ المختلفة. في المقابل، توفر Ultralytics منظومة جيدة الصيانة تتميز بتجربة مستخدم مبسطة. ومن خلال واجهة Python البرمجية الموحدة وUltralytics Platform البديهية، يحصل المطورون على إدارة سلسة لمجموعات البيانات، وتدريب بنقرة واحدة، وتصدير مباشر إلى صيغ مثل ONNX وTensorRT.

مثال على الشيفرة: واجهة Ultralytics البرمجية الموحدة#

تتيح حزمة pip ‏ultralytics من Ultralytics تحميل النماذج وتدريبها ونشرها باستخدام بضعة أسطر من الشيفرة 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 وYOLOv6 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات المنظومة.

متى تختار YOLOv5#

يُعد YOLOv5 خيارًا قويًا من أجل:

• أنظمة الإنتاج المجربة: عمليات النشر الحالية التي تُقدّر سجل YOLOv5 الطويل من الاستقرار، ووثائقه الشاملة، والدعم الواسع من المجتمع.
• التدريب في ظل قيود الموارد: البيئات ذات موارد GPU المحدودة، حيث توفر مسارات تدريب YOLOv5 الفعالة ومتطلبات الذاكرة الأقل مزايا مهمة.
• دعم موسّع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات، بما في ذلك ONNX وTensorRT وCoreML وTFLite.

متى تختار YOLOv6#

يوصى باستخدام YOLOv6 في الحالات التالية:

• النشر المراعي للعتاد الصناعي: السيناريوهات التي يوفر فيها تصميم النموذج المراعي للعتاد وإعادة المعلمة الفعالة أداءً محسنًا على عتاد مستهدف محدد.
• الاكتشاف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للرقابة.
• التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنيتها التحتية للنشر.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

المضي قدمًا: ميزة YOLO26#

مع بقاء YOLOv5 أداة موثوقة ومتعددة الاستخدامات، وتوفير YOLOv6-3.0 معدل نقل قويًا على GPU الصناعية، فقد تطور أحدث ما توصل إليه المجال. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة اليوم، فإن المسار الموصى به هو Ultralytics YOLO26.

أُطلق YOLO26 في يناير 2026، ويمثل قفزة هائلة إلى الأمام. فهو يرث تعدد الاستخدامات الذي لا يضاهى لمنظومة Ultralytics، مع تقديم تحسينات معمارية رائدة:

• تصميم شامل خالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة لكبت القيم العظمى غير المتجاورة، ما يقلل بدرجة كبيرة من تباين زمن الاستجابة ويبسط منطق النشر.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والرأس المحسّن، يتفوق النموذج بدرجة كبيرة على الأجيال السابقة في الأجهزة الطرفية والأجهزة منخفضة الطاقة.
• مُحسِّن MuSGD: بالاستفادة من ابتكارات تدريب LLM، يضمن مُحسِّن MuSGD الجديد تدريبًا مستقرًا للغاية وتقاربًا سريعًا بصورة ملحوظة.
• تعدد استخدامات متقدم: يتعامل YOLO26 بسلاسة مع المربع المحيط الموجّه (OBB)، وتقدير الوضعية، والتجزئة، باستخدام خسائر مهام متخصصة مثل ProgLoss وSTAL لتحقيق تعرف لا مثيل له على الأجسام الصغيرة.

إذا كنت تستكشف خيارات أخرى ضمن منظومة Ultralytics، فقد تفكر أيضًا في YOLO11 العام الغرض أو YOLO-World المبتكر لمهام الكشف ذات المفردات المفتوحة.

الخلاصة#

أثر كل من YOLOv5 وYOLOv6-3.0 بدرجة كبيرة في مجال الرؤية الحاسوبية. يوفر YOLOv6-3.0 معدل نقل ممتازًا للأجهزة عالية الأداء الخاصة بالخوادم، ما يجعله مناسبًا للتحليلات المتخصصة غير المتصلة بالإنترنت. ومع ذلك، يظل YOLOv5 الخيار الأفضل للمطورين الذين يحتاجون إلى نموذج متين وسهل الاستخدام ومتعدد الاستخدامات بدرجة كبيرة، ومدعوم بمنصة عالمية المستوى.

لتحقيق التوازن الأمثل بين دقة الجيل التالي، والنشر الأصلي الخالي من NMS، وأفضل تجربة للمطورين في المجال، فإن الترقية إلى YOLO26 عبر Ultralytics Platform هي الخيار الحاسم لحلول الذكاء الاصطناعي الحديثة للرؤية.