YOLO Vision 2026:

مقارنة بين YOLOv6-3.0 و PP-YOLOE+#

عند اختيار إطار عمل لـ كشف الأشياء في الوقت الفعلي، غالباً ما يقوم مهندسو التعلم الآلي بتقييم مجموعة متنوعة من المعماريات عالية الأداء. ومن النموذجين البارزين في مشهد التطبيقات الصناعية YOLOv6-3.0 و PP-YOLOE+. لقد دفع كلا النموذجين حدود الدقة والسرعة، ومع ذلك فهما مخصصان لأنظمة بيئية وأجهزة نشر مختلفة قليلاً.

يقدم هذا المقارنة التقنية نظرة متعمقة على معمارياتهم ومقاييس الأداء ومنهجيات التدريب، مع تقديم بدائل حديثة مثل Ultralytics YOLO26 التي توفر تنوعاً فائُقاً وسهولة في الاستخدام.

YOLOv6-3.0: محرك صناعي عالي الإنتاجية#

تم تطوير YOLOv6-3.0 بواسطة قسم Vision AI في Meituan، وهو مُحسَّن بشكل كبير للبيئات الصناعية، خاصة تلك التي تستفيد من وحدات معالجة الرسومات (GPUs) القوية المخصصة للخوادم.

  • المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, و Xiangxiang Chu
  • المنظمة: Meituan
  • التاريخ: 2023-01-13
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

الابتكارات المعمارية#

يستخدم YOLOv6-3.0 بنية أساسية من نوع EfficientRep، مصممة خصيصاً لتعظيم الاستفادة من مسرعات الأجهزة مثل وحدات معالجة الرسومات NVIDIA. تقدم المعمارية وحدة مُسلسل ثنائي الاتجاه (Bi-C) داخل الجزء الأوسط (neck)، مما تحسن بشكل كبير من دمج الميزات متعددة المقاييس. علاوة على ذلك، فهي تدمج استراتيجية التدريب المدعوم بالمثبتات (AAT). يتمتع هذا النهج الهجين بخصائص التقارب القوية للـ شبكات القائمة على المثبتات خلال مرحلة التدريب، بينما يتخلص من المثبتات أثناء الاستدلال للحفاظ على السرعة العالية النموذجية للأنظمة الخالية من المثبتات.

اعرف المزيد حول YOLOv6

PP-YOLOE+: بطل الكشف في PaddlePaddle#

PP-YOLOE+ هو تطور لسلسلة PP-YOLO، تم تطويره بالكامل ضمن إطار عمل PaddlePaddle بواسطة باحثين في Baidu. يتفوق هذا النموذج في البيئات التي يكون فيها نظام Paddle البيئي مُرسخًا بالفعل.

الابتكارات المعمارية#

PP-YOLOE+ هو كاشف خالٍ من المثبتات يقدم استراتيجية تعيين تسميات ديناميكية تُعرف باسم TAL (Task Alignment Learning). وهو يختص ببنية أساسية من نوع CSPRepResNet، والتي تلتقط الميزات الدلالية بكفاءة مع الحفاظ على الكفاءة الحسابية. النموذج مُحسَّن للغاية للنشر عبر TensorRT و OpenVINO، مما يجعله منافساً قوياً للنشر على الحافة والخوادم، بشرط أن يكون المستخدم مرتاحاً للتعامل مع PaddlePaddle API.

تعرف على المزيد حول PP-YOLOE+

اعتبارات إطار العمل

بينما يقدم PP-YOLOE+ نتائج ممتازة، إلا أن اعتماده على PaddlePaddle يمكن أن يمثل منحننى تعلُم للمهندسين المعتادين على PyTorch. استخدام إطار عمل موحد مثل Ultralytics يمكن أن يقلل بشكل كبير من وقت الإعداد.

مقارنة الأداء#

يتطلب تقييم هذه النموذج النظر في توازنها بين متوسط الدقة المتوسطة (mAP) وسرعة الاستدلال. يوضح الجدول أدناه أداءها على مجموعة بيانات التحقق COCO.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

بينما يظهر كلا النموذجين أداءً قويًا، يحتفظ YOLOv6-3.0 عمومًا بتفوق طفيف في سرعة TensorRT الخام عند أحجام النماذج الأصغر، مما يجعله فعالًا للغاية لعمليات الدفع الآلي عالية السرعة أو اكتشاف عيوب التصنيع. على العكس من ذلك، يتوسع PP-YOLOE+ جيدًا مع زيادة عدد المعلمات لتحقيق أقصى قدر من الدقة.

ميزة Ultralytics: تقديم YOLO26#

بينما يعتبر YOLOv6-3.0 و PP-YOLOE+ قادرين بشكل كبير، فإن التطور السريع لـ رؤية الكمبيوتر يتطلب معماريات لا تقدم السرعة الخام فحسب، بل توفر أيضاً سهولة استثنائية في الاستخدام، ومتطلبات ذاكرة أقل، ونظاماً بيئياً موحداً. وهنا تأتي نماذج Ultralytics YOLO، لا سيما YOLO11 و YOLO26 المتطورة، لإعادة تحديد الحالة الفنية (state-of-the-art).

تم إطلاق YOLO26 في يناير 2026، وهو يضع معيارًا جديدًا للذكاء الاصطناعي البصري الموجه للحافة والسحاب، موفرًا مزايا كبيرة مقارنة بالنماذج القديمة:

  • تصميم من طرف إلى طرف خالٍ من NMS: بناءً على الأسس التي وضعها YOLOv10، يلغي YOLO26 محلياً قمع الحد الأقصى غير (NMS) أثناء المعالجة اللاحقة. وهذا تبسيط كبير لمنطق النشر ويقلل من تباين زمن الوصول في المشاهد المزدحمة.
  • سرعة استنتاج على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة توزيع فقدان التركيز (DFL) بشكل استراتيجي، يسرع YOLO26 أداء وحدة المعالجة المركزية (CPU) بشكل جذري، مما يجعله متفوقًا بشكل كبير على YOLOv6 أو PP-YOLOE+ لأجهزة إنترنت الأشياء (IoT) والتطبيقات المحمولة.
  • مُحسِّن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة المتقدمة (مثل Kimi K2 من Moonshot AI)، يقدم مُحسِّن MuSGD الهجين تدريبًا مستقرًا وفعالًا للغاية، مما يجعله يتقارب أسرع من خوارزميات SGD أو AdamW التقليدية.
  • ProgLoss + STAL: تحقق هذه الدالات المتقدمة للخسارة تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو عامل حاسم لـ صور الطائرات بدون طيار والراقبة الجوية.
  • التنوع عبر المهام: على عكس YOLOv6-3.0 الذي يركز بشدة على الكشف، يدعم YOLO26 تجزئة المثیلات، وتقدير الوضعية، والتصنيف، واكتشاف مربع الإحاطة الموجه (OBB) بشكل جاهز.

نظام تدريب مبسط#

يتطلب نشر PP-YOLOE+ إدارة بيئة PaddlePaddle، بينما يتطلب YOLOv6-3.0 التنقل في النصوص البرمجية الموجهة نحو الأبحاث. في المقابل، توفر Ultralytics Platform تجربة سلسة من الصفر إلى الاحتراف.

يتطلب تدريب نموذج YOLO26 المتطور بضعة أسطر فقط من Python:

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's accuracy
metrics = model.val()

# Export seamlessly to OpenVINO or TensorRT
path = model.export(format="engine")

هذه الواجهة البسيطة (API)، مجتمعة مع استهلاك ذاكرة أقل أثناء التدريب مقارنة بالنماذج الثقيلة بالمحولات (transformers) مثل RT-DETR، تتيح الذكاء الاصطناعي عالي الأداء للجميع.

حالات الاستخدام المثالية واستراتيجيات النشر#

اختيار النموذج المناسب يحدد نجاح خط أنابيب النشر الخاص بك.

متى تستخدم YOLOv6-3.0#

  • التصنيع عالي السرعة: البيئات التي يتم فيها تغذية الكاميرات الصناعية مباشرة إلى وحدات معالجة رسومات NVIDIA T4 أو A100 مخصصة، مما يتطلب استنتاجًا ثابتًا في أقل من 5 مللي ثانية.
  • تحليلات الفيديو من جهة الخادم: معالجة دفقات فيديو متعددة وكثيفة حيث تكون إنتاجية وحدة معالجة الرسومات الصرفة هي الاختناق الأساسي.

متى تستخدم PP-YOLOE+#

  • أنظمة Baidu/Paddle البيئية: بيئات المؤسسات المستثمرة بكثافة في حزمة تقنيات PaddlePaddle أو التي يتم النشر فيها خصيصًا على أجهزة مُحسَّنة لسلسلة أدوات Baidu.
  • الصور الثابتة عالية الدقة: السيناريوهات التي يكون فيها متوسط دقة الكشف (mAP) للنموذج الضخم (PP-YOLOE+x) أكثر أهمية من سرعة النشر على الحافة.

متى تختار Ultralytics YOLO26#

  • أجهزة الحافة و IoT: بفضل تصميمه الخالي من NMS وإزالة DFL، يعد YOLO26 الخيار بلا منازع للنشر على Raspberry Pi أو NXP أو وحدات المعالجة المركزية المحمولة.
  • تطبيقات المهام المتعددة: المشاريع التي تتطلب تتبع الكائنات المتزامن، أو تقدير الوضعية، أو التجزئة باستخدام واجهة برمجة تطبيقات موحدة.
  • النمذجة السريعة للإنتاج: الفرق التي تستفيد من Ultralytics Platform لتبسيط تسميات مجموعات البيانات، وضبط المعلمات الفائقة، ونشر النموذج بنقرة واحدة.

للمطورين الذين يتطلعون لاستكشاف المشهد الأوسع لنماذج الكشف، توفر أطر العمل مثل YOLOX و DAMO-YOLO أيضاً مقاربات معمارية فريدة تستحق المراجعة في وثائق Ultralytics.

المساهمون
GLglenn-jocher16

التعليقات