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 بنيتيهما ومقاييس أدائهما ومنهجيات تدريبهما، كما تعرض بدائل حديثة مثل Ultralytics YOLO26 التي توفر دعمًا أوسع للمهام وسير عمل أبسط.
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 عمودًا فقريًا EfficientRep صُمم خصيصًا لتعظيم الاستفادة من مسرّعات العتاد مثل وحدات GPU من NVIDIA. وتقدم البنية وحدة الدمج ثنائي الاتجاه (BiC) ضمن العنق، ما يحسن دمج الميزات متعددة المقاييس. كما تتضمن استراتيجية التدريب المدعوم بالمراسي (AAT). يستفيد هذا النهج الهجين من التقارب المستقر الذي توفره الشبكات المعتمدة على المراسي أثناء التدريب، مع التخلي عن المراسي أثناء الاستدلال للحفاظ على السرعة المعتادة في كواشف الأجسام 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#
يُعد PP-YOLOE+ كاشفًا خاليًا من المراسي يقدم استراتيجية ديناميكية لإسناد التسميات تُعرف باسم TAL (تعلم محاذاة المهام). ويستخدم عمودًا فقريًا CSPRepResNet يلتقط الميزات الدلالية بكفاءة مع الحفاظ على الكفاءة الحسابية. وقد حُسّن النموذج للنشر عبر TensorRT وOpenVINO، ما يجعله منافسًا قويًا للنشر على الأجهزة الطرفية والخوادم، شريطة ارتياح المستخدم للعمل بإطار PaddlePaddle. ويمكن أيضًا تصدير نماذج Ultralytics إلى PaddlePaddle عند حاجة المشروع إلى ذلك.
تعرّف على المزيد حول PP-YOLOE+
على الرغم من النتائج الممتازة التي يحققها PP-YOLOE+، قد يشكل اعتماده على PaddlePaddle منحنى تعلم للمهندسين المعتادين على PyTorch. ويمكن أن يقلل استخدام إطار عمل موحد مثل Ultralytics وقت الإعداد.
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) | mAPval50-95 | 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 للنموذجين، يحافظ YOLOv6-3.0 عمومًا على أفضلية طفيفة في سرعة TensorRT الخام عند أحجام النماذج الأصغر، ما يجعله فعالًا للدفع الآلي عالي السرعة أو اكتشاف عيوب التصنيع. وعلى النقيض، يتوسع PP-YOLOE+ جيدًا إلى أعداد أكبر من المعاملات لتحقيق أقصى دقة.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من القدرات العالية لـ YOLOv6-3.0 وPP-YOLOE+، يتطلب التطور السريع في مجال الرؤية الحاسوبية بنى لا توفر السرعة الخام فحسب، بل أيضًا سهولة الاستخدام ومتطلبات الذاكرة الأقل ومنظومة موحدة. وقد صُممت نماذج Ultralytics YOLO، ولا سيما YOLO11 وYOLO26 الأحدث، لتلبية هذه المتطلبات.
صُمم YOLO26، الصادر في يناير 2026، للنشر على الأجهزة الطرفية أولًا وفي السحابة، ويوفر عدة مزايا على النماذج الأقدم:
- تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرسى دعائمها YOLOv10، يتخطى الرأس الاختياري واحد لواحد في YOLO26 (
nms=False) كبت الصناديق المتداخلة (NMS) أثناء المعالجة اللاحقة. وهذا يبسّط منطق النشر ويقلل تفاوت زمن الاستجابة في المشاهد المزدحمة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة خسارة البؤرة التوزيعية (DFL)، يعمل YOLO26n بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n، ما يجعله مناسبًا لأجهزة إنترنت الأشياء والتطبيقات المحمولة.
- مُحسِّن MuSGD: استُلهم مُحسِّن MuSGD الهجين من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، ويجمع بين SGD وMuon لتدريب مستقر وفعال.
- ProgLoss + STAL: تعمل الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة على تحسين التعرّف على الأجسام الصغيرة، وهو عامل بالغ الأهمية في صور الطائرات المسيّرة والمراقبة الجوية.
- تعدد المهام: على خلاف YOLOv6-3.0 الذي يركز بشدة على الاكتشاف، يدعم YOLO26 تجزئة الكائنات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية، واكتشاف الصناديق المحيطة الموجّهة (OBB) مباشرةً.
منظومة تدريب مبسطة#
يتطلب نشر PP-YOLOE+ إدارة بيئة PaddlePaddle، بينما يتطلب YOLOv6-3.0 التعامل مع نصوص برمجية موجهة للأبحاث. وعلى النقيض، تغطي حزمة Python ultralytics ومنصة Ultralytics التدريب والتحقق من الصحة والتصدير ضمن سير عمل واحد.
لا يتطلب تدريب نموذج YOLO26 متطور سوى بضعة أسطر من Python:
from ultralytics import YOLO
# تهيئة نموذج YOLO26 nano
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()
# التصدير إلى TensorRT (استخدم format="openvino" مع OpenVINO)
path = model.export(format="engine")تجعل واجهة API البسيطة هذه، إلى جانب انخفاض استخدام الذاكرة أثناء التدريب مقارنةً بنماذج Transformer كثيفة مثل RT-DETR، اكتشاف الأجسام عالي الأداء متاحًا لعدد أكبر من الفرق.
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 عدة تدفقات فيديو كثيفة يكون فيها معدل النقل الخام لوحدات GPU هو 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 خيارًا قويًا 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 مشهد نماذج اكتشاف الأجسام الأوسع، تقدم أطر عمل مثل YOLOX وDAMO-YOLO أيضًا أساليب معمارية فريدة تستحق الاطلاع عليها في وثائق Ultralytics.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.