مقارنة YOLOv6-3.0 وPP-YOLOE+#
عند اختيار إطار عمل لـاكتشاف الكائنات في الوقت الفعلي، يقيّم مهندسو تعلّم الآلة غالبًا مجموعة متنوعة من البنى عالية الأداء. ومن النماذج البارزة في مجال التطبيقات الصناعية YOLOv6-3.0 وPP-YOLOE+. لقد دفع كلا النموذجين حدود الدقة والسرعة، إلا أنهما مصممان لبيئات تشغيل وأجهزة نشر مختلفة قليلًا.
تقدّم هذه المقارنة التقنية نظرة متعمقة على بنيتيهما، ومقاييس الأداء، ومنهجيات التدريب، مع تقديم بدائل حديثة مثل Ultralytics YOLO26 التي توفر مرونة فائقة وسهولة أكبر في الاستخدام.
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 تستفيد من وحدات GPU قوية بمستوى الخوادم.
- المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، Hongliang Jiang، Meng Cheng، Bo Zhang، Zaidan Ke، Xiaoming Xu، وXiangxiang Chu
- المنظمة: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
الابتكارات المعمارية#
يستخدم YOLOv6-3.0 العمود الفقري EfficientRep، المصمم خصيصًا لتعظيم الاستفادة من مسرّعات العتاد مثل وحدات NVIDIA GPU. وتضيف البنية وحدة Bi-directional Concatenation (BiC) ضمن عنق الشبكة، ما يحسّن بدرجة كبيرة دمج السمات متعددة المقاييس. وعلاوة على ذلك، تتضمن استراتيجية Anchor-Aided Training (AAT). ويستفيد هذا النهج الهجين من خصائص التقارب المتينة التي تتميز بها الشبكات القائمة على المراسي أثناء مرحلة التدريب، مع التخلص من المراسي أثناء الاستدلال للحفاظ على السرعة العالية المعتادة في النماذج الخالية من المراسي.
PP-YOLOE+: بطل اكتشاف الكائنات في PaddlePaddle#
يمثل PP-YOLOE+ تطورًا لسلسلة PP-YOLO، وقد طوّره باحثو Baidu بالكامل ضمن إطار عمل PaddlePaddle. ويتفوق في البيئات التي تكون فيها منظومة Paddle راسخة بالفعل.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
الابتكارات المعمارية#
إن PP-YOLOE+ كاشف خالٍ من المراسي، ويقدم استراتيجية ديناميكية لإسناد التسميات تُعرف باسم TAL (التعلّم الموجّه بالمهام). ويستخدم عمودًا فقريًا من نوع CSPRepResNet، يلتقط السمات الدلالية بكفاءة مع الحفاظ على الكفاءة الحسابية. وقد حُسّن النموذج بدرجة كبيرة للنشر عبر TensorRT وOpenVINO، ما يجعله منافسًا قويًا لعمليات النشر على الحافة والخوادم، شريطة أن يكون المستخدم مرتاحًا في التعامل مع واجهة برمجة تطبيقات PaddlePaddle.
على الرغم من أن PP-YOLOE+ يحقق نتائج ممتازة، فإن اعتماده على PaddlePaddle قد يمثل منحنى تعلّم 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) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | 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 |
يُظهر كلا النموذجين أداءً قويًا، إلا أن YOLOv6-3.0 يحافظ عمومًا على أفضلية طفيفة في سرعة TensorRT الفعلية عند أحجام النماذج الأصغر، ما يجعله فعالًا للغاية في عمليات الدفع الآلي عالية السرعة أو اكتشاف عيوب التصنيع. وعلى الجانب الآخر، يتوسع PP-YOLOE+ جيدًا مع أعداد أكبر من المعلمات لتحقيق أقصى قدر من الدقة.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من القدرات العالية لكل من YOLOv6-3.0 وPP-YOLOE+، فإن التطور السريع في الرؤية الحاسوبية يتطلب بُنى توفر أكثر من السرعة الفعلية، مثل سهولة الاستخدام الاستثنائية، ومتطلبات الذاكرة الأقل، والمنظومة الموحّدة. وهنا تعيد نماذج Ultralytics YOLO، ولا سيما YOLO11 و**YOLO26** المتطور، تعريف أحدث ما توصل إليه المجال.
أُطلق YOLO26 في يناير 2026، ويرسي معيارًا جديدًا للذكاء الاصطناعي البصري المصمم أولًا للحافة والجاهز للسحابة، مع توفير مزايا مهمة مقارنة بالنماذج القديمة:
- تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرسى دعائمها YOLOv10، يلغي YOLO26 أصلاً كبت غير الأعظمي (NMS) أثناء المعالجة اللاحقة. ويبسّط ذلك منطق النشر بدرجة كبيرة ويقلل تفاوت زمن الاستجابة في المشاهد المزدحمة.
- استدلال أسرع لوحدة CPU بنسبة تصل إلى 43%: من خلال إزالة خسارة التركيز التوزيعي (DFL) استراتيجيًا، يسرّع YOLO26 أداء CPU بدرجة كبيرة، ما يجعله متفوقًا بفارق واسع على YOLOv6 أو PP-YOLOE+ لأجهزة إنترنت الأشياء والتطبيقات المحمولة.
- مُحسِّن MuSGD: مستوحى من تقنيات تدريب LLM المتقدمة، مثل Kimi K2 من Moonshot AI، يوفر مُحسِّن MuSGD الهجين تدريبًا مستقرًا وفعالًا للغاية، ويتقارب بسرعة أكبر من SGD أو AdamW التقليديين.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الكائنات الصغيرة، وهو عامل حاسم في الصور الملتقطة بالطائرات المسيّرة والمراقبة الجوية.
- تعدد المهام: بخلاف YOLOv6-3.0 الذي يركّز بدرجة كبيرة على الاكتشاف، يدعم YOLO26 تجزئة الكائنات، وتقدير الوضعية، والتصنيف، واكتشاف الصندوق المحيط الموجّه (OBB) مباشرةً.
منظومة تدريب مبسّطة#
يتطلب نشر PP-YOLOE+ إدارة بيئة PaddlePaddle، بينما يتطلب YOLOv6-3.0 التعامل مع نصوص برمجية تركّز على الأبحاث. وعلى النقيض من ذلك، توفر منصة Ultralytics تجربة سلسة تبدأ من الصفر وتصل إلى الاحتراف.
لا يتطلب تدريب نموذج YOLO26 متطور وفق أحدث ما توصل إليه المجال سوى بضعة أسطر 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")تعمل واجهة API البسيطة هذه، مقترنةً بانخفاض استخدام الذاكرة أثناء التدريب مقارنةً بالنماذج كثيفة الاستخدام لـ Transformer مثل RT-DETR، على إتاحة الذكاء الاصطناعي عالي الأداء للجميع.
حالات الاستخدام المثالية واستراتيجيات النشر#
يحدد اختيار النموذج المناسب مدى نجاح مسار النشر لديك.
متى تستخدم YOLOv6-3.0#
- التصنيع عالي السرعة: البيئات التي تنقل فيها الكاميرات الصناعية البيانات مباشرةً إلى وحدات NVIDIA T4 أو A100 GPU مخصصة، مع الحاجة إلى استدلال ثابت خلال أقل من 5 مللي ثانية.
- تحليلات الفيديو من جانب الخادم: معالجة تدفقات فيديو كثيفة متعددة، حيث تكون إنتاجية GPU الخالصة هي عنق الزجاجة الرئيسي.
متى تستخدم PP-YOLOE+#
- منظومات Baidu/Paddle: البيئات المؤسسية المستثمرة بدرجة كبيرة في حزمة تقنيات PaddlePaddle أو التي تنشر النماذج تحديدًا على عتاد مُحسّن لسلسلة أدوات Baidu.
- الصور الثابتة عالية الدقة: السيناريوهات التي تكون فيها قيمة mAP العالية لنموذج Extra-Large (PP-YOLOE+x) أكثر أهمية من سرعة النشر على الحافة.
متى تختار Ultralytics YOLO26#
- أجهزة الحافة وإنترنت الأشياء: بفضل تصميمه الخالي من NMS وإزالة DFL، يُعد YOLO26 الخيار الأبرز بلا منازع لعمليات النشر على Raspberry Pi أو NXP أو وحدات CPU المحمولة.
- تطبيقات متعددة المهام: المشاريع التي تتطلب تتبّع الكائنات، أو تقدير الوضعية، أو التجزئة في الوقت نفسه باستخدام واجهة API موحّدة.
- من النمذجة الأولية السريعة إلى الإنتاج: الفرق التي تستفيد من منصة Ultralytics من أجل وسم مجموعة البيانات المبسّط، وضبط المعلمات الفائقة، ونشر النموذج بنقرة واحدة.
بالنسبة إلى المطورين الراغبين في استكشاف المشهد الأوسع لنماذج الاكتشاف، توفر أطر مثل YOLOX وDAMO-YOLO أيضًا أساليب معمارية فريدة تستحق المراجعة في وثائق Ultralytics.