YOLOv6.0 مقابل YOLO11: تطور الكشف عن الأجسام الصناعية

شهد مجال الكشف عن الأجسام في الوقت الفعلي تطوراً سريعاً، مدفوعاً بالحاجة إلى نماذج توازن بين السرعة والدقة ومرونة النشر. تستكشف هذه المقارنة معلمتين هامتين في هذه الرحلة: YOLOv6.YOLOv6، وهو إطار عمل صناعي مخصص من Meituan، و YOLO11، وهي بنية متعددة الاستخدامات ومتمحورة حول المستخدم من Ultralytics. على الرغم من أن كلا النموذجين يهدفان إلى تحقيق أداء عالٍ، إلا أنهما يختلفان بشكل كبير في فلسفاتهما المعمارية ودعمهما للنظام البيئي وسهولة استخدامهما.

نظرة عامة على النموذج

فهم خلفية هذه النماذج يساعد على وضع نقاط قوتها في سياقها الصحيح. يركز YOLOv6. YOLOv6 بشكل كبير على التحسينات الخاصة بالأجهزة من أجل الإنتاجية الصناعية، بينما YOLO11 تجربة المطور الشاملة، حيث يوفر دقة متطورة عبر مجموعة واسعة من مهام الرؤية.

YOLOv6-3.0

تم إصدار YOLOv6.YOLOv6 (المعروف أيضًا باسم "YOLOv6 .0: A Full-Scale Reloading") في أوائل عام 2023 بواسطة Meituan، وقد تم تصميمه خصيصًا للتطبيقات الصناعية. ركز المؤلفون — Chuyi Li و Lulu Li و Yifei Geng وآخرون — على تعظيم الإنتاجية على NVIDIA . ويقدم البرنامج وحدة "التسلسل ثنائي الاتجاه" (BiC) ويجدد استراتيجية التدريب بمساعدة المرجع (AAT)، بهدف تجاوز حدود التطبيقات الحساسة للكمون مثل الفحص الآلي للتصنيع.

تعرف على المزيد حول YOLOv6

YOLO11

أطلقه غلين جوشر وجينغ تشيو في سبتمبر 2024 في Ultralytics، YOLO11 تحسينًا YOLOv8 . يوفر قدرات استخراج ميزات فائقة للمشاهد المعقدة مع الحفاظ على الكفاءة. على عكس سابقيه، YOLO11 تصميم YOLO11 مع التركيز بشكل كبير على سهولة الاستخدام داخل Ultralytics مما يضمن أن التدريب والتحقق والنشر متاحان لكل من الباحثين ومطوري المؤسسات.

تعرف على المزيد حول YOLO11

مقارنة فنية

يوضح الجدول التالي الاختلافات في الأداء بين البنيتين. يوفر YOLO11 دقة أعلى (mAP) لنماذج ذات أحجام مماثلة، لا سيما في المتغيرات الأكبر حجمًا، مع الحفاظ على سرعات استدلال تنافسية.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

الهندسة المعمارية والتصميم

يستخدم YOLOv6 هيكل أساسي على غرار VGG يتسم بالكفاءة على وحدات معالجة الرسومات (GPU) ولكنه قد يكون ثقيلًا من حيث المعلمات. ويستخدم كتل RepVGG أثناء التدريب والتي يتم إعادة معايرتها إلى هياكل أبسط للاستدلال. وتعد "إعادة معايرة الهيكل" هذه عاملاً أساسيًا في سرعة الأداء على الأجهزة المخصصة مثل Tesla T4.

YOLO11 يعزز تصميم شبكة CSP (Cross Stage Partial) باستخدام كتلة C3k2، والتي توفر تدفقًا أفضل للتدرج وتقلل من التكرار الحسابي. ويحقق توازنًا فائقًا في الأداء، حيث يحقق دقة أعلى باستخدام عدد أقل من FLOPs والمعلمات مقارنة YOLOv6 المماثلة. وتترجم هذه الكفاءة إلى متطلبات ذاكرة أقل أثناء التدريب، مما يسمح للمستخدمين بالتدريب على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين، حيث YOLOv6 تواجه YOLOv6 صعوبات بسبب اختناقات الذاكرة.

ميزة انخفاض استخدام الذاكرة

YOLO11 تتطلب Ultralytics مثل YOLO11 CUDA أقل بكثير أثناء التدريب مقارنةً بالبنى القديمة أو النماذج التي تعتمد بشكل كبير على المحولات مثل RT-DETR. وهذا يتيح أحجام دفعات أكبر وتكرارات تدريب أسرع على الأجهزة القياسية.

النظام البيئي وسهولة الاستخدام

أحد الاختلافات الأكثر عمقًا يكمن في النظام البيئي المحيط بهذه النماذج.

YOLOv6 هو في الأساس مستودع للأبحاث. على الرغم من قوته، إلا أنه غالبًا ما يتطلب تكوينًا يدويًا لمجموعات البيانات، وإعدادات بيئة معقدة، ومعرفة أعمق بـ PyTorch خطوط أنابيب تدريب مخصصة.

Ultralytics YOLO11 تزدهر على سهولة الاستخدام. إن ultralytics توفر Python واجهة موحدة لجميع المهام. يمكن للمطورين التبديل بين الكشف، تجزئة المثيل، و تقدير الوضعية بمجرد تغيير اسم النموذج.

from ultralytics import YOLO

# Load a YOLO11 model
model = YOLO("yolo11n.pt")

# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for deployment
model.export(format="onnx")

يشمل هذا النظام البيئي الذي يتم صيانته جيدًا وثائق شاملة ومنتديات مجتمعية نشطة وتكاملات مع أدوات مثل Ultralytics لإدارة البيانات و Weights & Biases لتتبع التجارب.

تعدد الاستخدامات والتطبيقات الواقعية

بينما يركز YOLOv6. YOLOv6 بشكل كبير على اكتشاف المربعات المحددة، YOLO11 تنوعًا هائلاً. وهو يدعم بشكل أساسي:

كشف الكائنات: تحديد موقع الصندوق المحيط القياسي.
تجزئة المثيل: إخفاء الكائنات على مستوى البكسل، وهو أمر بالغ الأهمية للتصوير الطبي الحيوي وإزالة الخلفية.
تقدير الوضع: الكشف عن النقاط الرئيسية للهيكل العظمي لتحليل الأداء الرياضي ومراقبة السلوك.
التصنيف: تصنيف الصورة بأكملها.
مربعات الحدود الموجهة (OBB): الكشف عن الأجسام المدورة، وهو أمر حيوي للصور الجوية ولوجستيات الشحن.

حالات الاستخدام المثالية

YOLOv6.YOLOv6: الأنسب للبيئات الصناعية الخاضعة لرقابة صارمة حيث يتم ضمان توفر GPU مخصصة (مثل NVIDIA )، والمهمة الوحيدة هي الكشف ثنائي الأبعاد عالي الإنتاجية. ومن الأمثلة على ذلك الكشف عن العيوب في خطوط التجميع عالية السرعة.
YOLO11: الخيار المفضل لعمليات النشر المتنوعة التي تتراوح من الأجهزة الطرفية إلى خوادم السحابة. إن التوازن بين الدقة والسرعة يجعله مثاليًا لتحليلات البيع بالتجزئة والملاحة المستقلة وتطبيقات المدن الذكية حيث تعد قابلية التكيف وسهولة الصيانة أمرًا بالغ الأهمية.

مستقبل الذكاء الاصطناعي المتطور: YOLO26

في حين أن YOLO11 أداة قوية، فإن المطورين الذين يبحثون عن أحدث ما توصلت إليه التكنولوجيا في مجال الكفاءة والأداء يجب أن يتجهوا إلى YOLO26. تم إصدار YOLO26 في يناير 2026، وهو يمثل تحولًا جذريًا في مجال الرؤية الحاسوبية في الوقت الفعلي.

لماذا الترقية إلى YOLO26؟

يستند YOLO26 إلى نجاح YOLO11 يقدم ابتكارات معمارية تعزز بشكل كبير سرعة النشر وبساطته.

تصميم شامل NMS: على عكس YOLO11 YOLOv6 اللذين يعتمدان على تقنية Non-Maximum Suppression (NMS) لتصفية المربعات المتداخلة، فإن YOLO26 شامل بطبيعته. وهذا يلغي NMS مما ينتج عنه زمن انتقال حتمي وخطوط أنابيب نشر أبسط.
CPU أسرع بنسبة تصل إلى 43٪ CPU : من خلال إزالة خسارة التركيز التوزيعي (DFL) وتحسين بنية الحوسبة الطرفية، يتفوق YOLO26 على وحدات المعالجة المركزية والأجهزة منخفضة الطاقة التي لا تتوفر فيها وحدات معالجة الرسومات.
محسّن MuSGD: مستوحى من ابتكارات تدريب LLM، يضمن محسّن MuSGD الجديد تدريبًا أكثر استقرارًا وتقاربًا أسرع، مما يقلل من الوقت والتكلفة اللازمين لتدريب النماذج المخصصة.
تحسينات خاصة بالمهام: من تحسين اكتشاف الأجسام الصغيرة عبر ProgLoss + STAL إلى الخسائر المتخصصة للتقسيم الدلالي و OBB، يوفر YOLO26 دقة محسنة في جميع مهام الرؤية.

تعرف على المزيد حول YOLO26

الخلاصة

يظل YOLOv6.YOLOv6 خيارًا محترمًا لمجالات صناعية محددة GPU. ومع ذلك، بالنسبة للغالبية العظمى من المطورين والباحثين، توفر Ultralytics قيمة مضافة فائقة.

YOLO11 يوفر منصة قوية ومتعددة الاستخدامات وسهلة الاستخدام تبسط تعقيد تدريب الشبكات العصبية الحديثة. يوفر دقة أفضل لكل معلمة ويدعم مجموعة واسعة من المهام.

بالنسبة للمشاريع الجديدة في عام 2026 وما بعده، يُعد YOLO26 نقطة الانطلاق الموصى بها. بفضل هندسته NMS CPU ، يُعد هذا البرنامج الحل الأكثر ملاءمة للمستقبل لنشر الذكاء الاصطناعي الفعال وعالي الأداء في العالم الواقعي. الاستفادة من Ultralytics تسرع هذه العملية بشكل أكبر، مما يتيح للفرق الانتقال من جمع البيانات إلى النشر في وقت قياسي.

مزيد من القراءة

استكشف نماذج أخرى مثل YOLOv10 للمفاهيم المبكرة NMS.
تعرف على التدريب على البيانات المخصصة في دليل التدريب الخاص بنا.
اكتشف كيفية نشر النماذج باستخدام ONNX أو TensorRT.