YOLOv6-3.0 مقابل PP-YOLOE+#
عند اختيار إطار عمل للكشف الآني عن الأجسام، يقيّم مهندسو تعلم الآلة عادةً مجموعة متنوعة من البنى عالية الأداء. ومن النماذج البارزة في مجال التطبيقات الصناعية YOLOv6-3.0 وPP-YOLOE+. تجاوز كلا النموذجين حدود الدقة والسرعة، إلا أنهما مصممان ليتناسبا مع منظومتين وأجهزة نشر مختلفتين بعض الشيء.
تقدم هذه المقارنة التقنية نظرة متعمقة على البنى ومقاييس الأداء ومنهجيات التدريب، كما تستعرض بدائل حديثة مثل Ultralytics YOLO26، الذي يوفر تنوعًا وسهولة استخدام أفضل.
YOLOv6-3.0: محرك صناعي عالي الإنتاجية#
طوّره قسم الذكاء الاصطناعي للرؤية في Meituan، وقد حُسّن YOLOv6-3.0 بدرجة كبيرة للبيئات الصناعية، ولا سيما تلك التي تستخدم وحدات GPU قوية بمستوى الخوادم.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
- المؤسسة: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
ابتكارات البنية#
يستخدم YOLOv6-3.0 العمود الفقري EfficientRep، المصمم خصيصًا لتعظيم الاستفادة من مسرّعات الأجهزة مثل وحدات GPU من NVIDIA. وتقدم البنية وحدة BiC للوصل ثنائي الاتجاه ضمن عنق النموذج، مما يحسن دمج السمات متعددة المقاييس بدرجة كبيرة. كما تتضمن استراتيجية التدريب بمساعدة المراسي (AAT). ويستفيد هذا النهج الهجين من خصائص التقارب القوية في الشبكات القائمة على المراسي خلال مرحلة التدريب، مع الاستغناء عن المراسي أثناء الاستدلال للحفاظ على السرعة العالية المعتادة في المناهج الخالية من المراسي.
PP-YOLOE+: بطل الكشف في PaddlePaddle#
PP-YOLOE+ هو إصدار مطوّر من سلسلة PP-YOLO، أنشأه باحثو Baidu بالكامل ضمن إطار عمل PaddlePaddle. ويتفوق في البيئات التي ترسخت فيها منظومة Paddle بالفعل.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
ابتكارات البنية#
PP-YOLOE+ كاشف خالي من المراسي يقدم استراتيجية ديناميكية لإسناد التسميات تُعرف باسم TAL (تعلم محاذاة المهام). ويستخدم عمودًا فقريًا من نوع CSPRepResNet يلتقط السمات الدلالية بكفاءة مع الحفاظ على الكفاءة الحسابية. وقد حُسّن النموذج بدرجة كبيرة للنشر عبر TensorRT وOpenVINO، مما يجعله منافسًا قويًا للنشر على الأجهزة الطرفية والخوادم، شريطة أن يكون المستخدم مرتاحًا للتعامل مع واجهة PaddlePaddle البرمجية.
تعرّف على المزيد حول PP-YOLOE+
مع أن PP-YOLOE+ يحقق نتائج ممتازة، فقد يشكل اعتماده على PaddlePaddle تحديًا تعليميًا للمهندسين المعتادين على PyTorch. ويمكن أن يؤدي استخدام إطار عمل موحّد مثل Ultralytics إلى تقليل وقت الإعداد بدرجة كبيرة.
مقارنة الأداء#
يتطلب تقييم هذه النماذج النظر في التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال. ويسلط الجدول أدناه الضوء على أدائها في مجموعة بيانات التحقق COCO.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
على الرغم من الأداء القوي لكلا النموذجين، يحافظ YOLOv6-3.0 عمومًا على أفضلية طفيفة في سرعة TensorRT الخام عند أحجام النماذج الصغيرة، مما يجعله فعالًا للغاية في الدفع الآلي عالي السرعة أو اكتشاف عيوب التصنيع. وفي المقابل، يتدرج PP-YOLOE+ جيدًا مع أعداد أكبر من المعاملات لتحقيق أقصى دقة.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من القدرات الكبيرة لكل من YOLOv6-3.0 وPP-YOLOE+، يتطلب التطور السريع في الرؤية الحاسوبية بُنى معمارية لا تقتصر على السرعة الخام، بل توفر أيضًا سهولة استخدام استثنائية ومتطلبات أقل للذاكرة ومنظومة موحدة. وهنا تعيد نماذج Ultralytics YOLO، ولا سيما YOLO11 و YOLO26 المتطور، تعريف أحدث ما توصلت إليه التقنيات.
صدر YOLO26 في يناير 2026، ووضع معيارًا جديدًا لذكاء الرؤية الاصطناعي المهيأ للأجهزة الطرفية والسحابة، مع مزايا كبيرة مقارنة بالنماذج القديمة:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى الأسس التي أرساها YOLOv10، يتخطى الرأس الاختياري واحد إلى واحد في YOLO26 (
nms=False) خطوة كبت غير الأعظميات (NMS) أثناء المعالجة اللاحقة. وهذا يبسط منطق النشر بدرجة كبيرة ويقلل تباين زمن الاستجابة في المشاهد المكتظة. - استدلال أسرع على CPU بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL) بصورة مدروسة، يسرّع YOLO26 أداء CPU بدرجة كبيرة، مما يجعله أفضل بكثير من YOLOv6 أو PP-YOLOE+ لأجهزة إنترنت الأشياء والتطبيقات المحمولة.
- مُحسِّن MuSGD: مستوحًى من تقنيات تدريب نماذج اللغة الكبيرة المتقدمة (مثل Kimi K2 من Moonshot AI)، يتيح مُحسِّن MuSGD الهجين تدريبًا مستقرًا وفعالًا للغاية، مع تقارب أسرع من SGD التقليدي أو AdamW.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو عامل بالغ الأهمية في صور الطائرات المسيّرة والمراقبة الجوية.
- التنوع عبر المهام: على خلاف YOLOv6-3.0، الذي يركز بشدة على الكشف، يدعم YOLO26 الجاهز للاستخدام تجزئة الكائنات وتقدير الوضعية والتصنيف والكشف باستخدام صناديق الإحاطة الموجّهة (OBB).
منظومة تدريب مبسطة#
يتطلب نشر PP-YOLOE+ إدارة بيئة PaddlePaddle، بينما يتطلب YOLOv6-3.0 التعامل مع نصوص برمجية موجهة للأبحاث. أما منصة Ultralytics، فتقدم تجربة سلسة تنقلك من البداية إلى الاحتراف.
لا يتطلب تدريب نموذج YOLO26 متطور سوى بضعة أسطر من Python:
from ultralytics import YOLO
# تهيئة نموذج YOLO26 nano المتطور
model = YOLO("yolo26n.pt")
# درّب النموذج على مجموعة البيانات المخصصة (يختار optimizer='auto' مُحسِّن MuSGD عند تنفيذ جولات تدريب أطول)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تحقق من دقة النموذج
metrics = model.val()
# صدّر النموذج بسلاسة إلى OpenVINO أو TensorRT
path = model.export(format="engine")تتيح واجهة API البسيطة هذه، إلى جانب انخفاض استهلاك الذاكرة أثناء التدريب مقارنةً بالنماذج المعتمدة بكثافة على Transformer مثل RT-DETR، للجميع الاستفادة من الذكاء الاصطناعي عالي الأداء.
حالات الاستخدام المثالية واستراتيجيات النشر#
يحدد اختيار النموذج المناسب مدى نجاح مسار النشر لديك.
متى يُستخدم YOLOv6-3.0#
- التصنيع عالي السرعة: البيئات التي توصل فيها الكاميرات الصناعية مباشرةً بوحدات GPU مخصصة من NVIDIA، مثل T4 أو A100، وتتطلب استدلالًا ثابتًا في أقل من 5ms.
- تحليلات الفيديو على الخوادم: معالجة تدفقات فيديو كثيفة متعددة، حيث تكون إنتاجية GPU الخام هي عنق الزجاجة الأساسي.
متى تستخدم PP-YOLOE+#
- منظومتا Baidu وPaddle: بيئات المؤسسات التي تستثمر بكثافة في حزمة تقنيات PaddlePaddle أو تنشر تحديدًا على أجهزة محسّنة لسلسلة أدوات Baidu.
- الصور الثابتة عالية الدقة: السيناريوهات التي تكون فيها قيمة mAP العالية لنموذج Extra-Large (PP-YOLOE+x) أهم من سرعة النشر على الأجهزة الطرفية.
متى تختار Ultralytics YOLO26#
- الأجهزة الطرفية وأجهزة إنترنت الأشياء: بفضل الاستدلال الاختياري الخالي من NMS وإزالة DFL، يُعد YOLO26 الخيار الأبرز بلا منازع للنشر على Raspberry Pi أو NXP أو وحدات CPU المحمولة.
- تطبيقات متعددة المهام: المشاريع التي تتطلب تتبع الأجسام أو تقدير الوضعية أو التجزئة بالتزامن، باستخدام API موحّد.
- من النمذجة الأولية السريعة إلى الإنتاج: الفرق التي تستفيد من منصة Ultralytics لتبسيط وسم مجموعات البيانات وضبط المعلمات الفائقة ونشر النماذج بنقرة واحدة.
للمطورين الراغبين في استكشاف نطاق أوسع من نماذج الكشف، تقدم أطر عمل مثل YOLOX وDAMO-YOLO أيضًا مناهج بنيوية فريدة تستحق المراجعة في وثائق Ultralytics.