ابدأ

YOLOv6-3.0 مقابل YOLO11

عند تقييم نماذج الرؤية الحاسوبية للتطبيقات عالية الأداء، يُعد اختيار البنية المناسبة أمرًا بالغ الأهمية. وقد أفضى تطور الذكاء الاصطناعي للرؤية إلى نماذج متخصصة مصممة لبيئات مختلفة. يقارن هذا الدليل الشامل بين نموذجين بارزين في المنظومة: YOLOv6-3.0 الموجّه للصناعة وUltralytics YOLO11 المتعدد الاستخدامات بدرجة كبيرة.

يوفّر كلا النموذجين حلولًا قوية لممارسي التعلم الآلي، لكنهما يخدمان نمطي نشر مختلفين. وتفصّل الأقسام التالية بنيتيهما ومنهجيات تدريبهما وسيناريوهات النشر المثلى في العالم الحقيقي لمساعدتك على اتخاذ قرار مدروس.

YOLOv6-3.0: تخصص الإنتاجية الصناعية#

طوّره قسم الذكاء الاصطناعي للرؤية في Meituan، ويُقدَّم YOLOv6-3.0 بوصفه إطار عمل من الجيل التالي لـاكتشاف الأجسام، محسّنًا خصيصًا للتطبيقات الصناعية.

  • 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
  • الوثائق: وثائق YOLOv6

أبرز سمات البنية#

يركز YOLOv6-3.0 بدرجة كبيرة على تعظيم الإنتاجية على مسرّعات العتاد مثل وحدات NVIDIA GPU. وتعتمد بنيته الأساسية على تصميم EfficientRep، الملائم جدًا لعمليات الاستدلال على GPU باستخدام منصات مثل TensorRT.

من السمات المعمارية المهمة وحدة الدمج ثنائي الاتجاه (BiC) في العنق، التي تعزز دمج السمات عبر مقاييس مختلفة. ولتحسين التقارب أثناء التدريب، يستخدم YOLOv6 استراتيجية التدريب بمساعدة المراسي (AAT). وتستفيد هذه الاستراتيجية مؤقتًا من مربعات المراسي أثناء التدريب للاستفادة من مزايا الأساليب القائمة على المراسي، فيما يظل الاستدلال خاليًا من المراسي.

على الرغم من تفوق YOLOv6-3.0 في بيئات المعالجة الدفعية عالية السرعة، مثل تحليلات الفيديو دون اتصال على أجهزة قوية بمواصفات الخوادم، فإن هذا التخصص العميق قد يؤدي أحيانًا إلى زمن استجابة غير مثالي على الأجهزة الطرفية التي تعتمد على CPU فقط، مقارنةً بالنماذج المصممة للحوسبة العامة الأوسع نطاقًا.

تعرّف على المزيد حول YOLOv6

Ultralytics YOLO11: المعيار متعدد المهام والمتعدد الاستخدامات#

أصدرت Ultralytics نموذج YOLO11، وهو عائلة نماذج موحدة وفعّالة تتعامل مع مجموعة واسعة من مهام الرؤية ضمن إطار واحد.

ميزة Ultralytics#

على الرغم من قيمة النماذج الصناعية المتخصصة، يعطي معظم المطورين المعاصرين الأولوية للتوازن بين الأداء وسهولة الاستخدام وكفاءة الذاكرة وتنوع دعم المهام. وقد صُمم YOLO11 لتلبية هذه المتطلبات جميعًا.

على خلاف YOLOv6 الذي يركز حصرًا على كشف مربعات الإحاطة، يدعم Ultralytics YOLO11 أصليًا تقسيم المثيلات وتصنيف الصور وتقدير الوضعيات وكشف مربعات الإحاطة الموجّهة (OBB)، كل ذلك ضمن منظومة سهلة الاستخدام.

سير عمل مبسّط للتعلم الآلي

توفّر Ultralytics سير عمل متكاملًا من البداية إلى النهاية. فبدلًا من إعداد البيئات المعقد الشائع في مستودعات الأبحاث، يمكنك تدريب النماذج والتحقق من صحتها وتصديرها عبر واجهة Python API موحدة أو واجهة سطر الأوامر. كما تبسّط منصة Ultralytics وسم مجموعات البيانات والتدريب السحابي.

مقارنة الأداء والجوانب التقنية#

يعرض الجدول أدناه تفاصيل أداء هذه النماذج بأحجام مختلفة. لاحظ انخفاض عدد المعاملات وعمليات FLOPs في نماذج YOLO11 مقارنةً بنماذج YOLOv6 المناظرة، مع تحقيق mAP أعلى عند كل حجم.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

متطلبات الذاكرة وكفاءة التدريب#

عند إعداد بيانات مخصصة، تكتسب كفاءة التدريب أهمية قصوى. تستهلك نماذج Ultralytics YOLO عادةً قدرًا أقل من VRAM أثناء التدريب مقارنةً بكثير من الشبكات الصناعية أو البنى الكبيرة القائمة على المحوّلات، ما يتيح للباحثين إجراء الضبط الدقيق لنماذج ذات مستوى عالٍ من الدقة على وحدات GPU الاستهلاكية. كما تحظى أدوات مثل ضبط المعلمات الفائقة وتكاملات التسجيل (مثل Weights & Biases أو Comet) بصيانة مستمرة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv6 وYOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLOv6#

يُعد YOLOv6 خيارًا قويًا لـ:

  • النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
  • الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
  • التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.

متى تختار YOLO11#

يوصى بـ YOLO11 لما يلي:

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

مثال برمجي: واجهة Python API الموحدة#

لا يتطلب تدريب نموذج متطور باستخدام Ultralytics سوى بضعة أسطر من التعليمات البرمجية. وتعالج واجهة API نفسها التنبؤات وعمليات التحقق والتصدير إلى تنسيقات مثل ONNX أو OpenVINO.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 Nano مُدرّب مسبقًا⁩
model = YOLO("yolo11n.pt")

# ⁨تدريب النموذج على مجموعة بيانات COCO8 لمدة 50 حقبة⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل الاستدلال السريع على صورة عيّنة⁩
prediction = model("https://ultralytics.com/images/bus.jpg")

# ⁨تصدير النموذج للنشر على الأجهزة الطرفية⁩
model.export(format="onnx")

نظرة إلى المستقبل: ظهور YOLO26#

يمثل YOLO11 قفزة كبيرة مقارنةً بنماذج YOLO الأقدم، لكن على المطورين الساعين إلى أفضل أداء حالي التفكير في الترقية إلى Ultralytics YOLO26.

صدر YOLO26 في يناير 2026، ويقدّم عدة تحسينات في الكفاءة والدقة:

  • تصميم شامل من البداية إلى النهاية بلا NMS: يؤدي تجاوز الكبت غير الأقصى (NMS) اختياريًا باستخدام الرأس أحادي لواحد (nms=False) إلى تقليل زمن استجابة المعالجة اللاحقة، وهو نهج طُرح لأول مرة في YOLOv10.
  • مُحسِّن MuSGD: ينقل هذا المُحسِّن تقنيات تدريب نماذج اللغة الكبيرة (LLM) إلى مجال الرؤية، إذ يجمع بين SGD وMuon لتحقيق تقارب مستقر وأسرع.
  • محسّن لـ CPU: تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى جعل YOLO26n أسرع في الاستدلال على CPU بنسبة تصل إلى 43% مقارنةً بـ YOLO11n، ما يجعل YOLO26 خيارًا قويًا للأجهزة المحمولة وإنترنت الأشياء وتطبيقات الذكاء الاصطناعي الطرفي.
  • تحسينات متقدمة للتدريب: يحسّن ProgLoss وSTAL التعرّف على الأجسام الصغيرة، وهو أمر مهم للصور الجوية والروبوتات.

الخلاصة والتوصيات#

إذا كانت بيئة النشر لديك محصورة في مسارات عمل صناعية مصممة بعناية لوحدات GPU وتتطلب الاستدلال على دفعات، يظل YOLOv6-3.0 خيارًا قابلًا للاستخدام. لكن بالنسبة إلى الغالبية العظمى من سيناريوهات العالم الحقيقي التي تتطلب نماذج قابلة للتوسع وسهلة التدريب وعالية الدقة، فإن Ultralytics YOLO11 وYOLO26 الأحدث هما الخياران الموصى بهما.

تتيح لك منظومة Ultralytics الانتقال بسرعة من جمع مجموعات البيانات إلى النشر على الأجهزة الطرفية، مدعومةً بوثائق شاملة ودعم المجتمع. وللمهتمين باستكشاف بنى فعّالة أخرى، يظل YOLOv8 خيارًا مُثبتًا لعمليات النشر القائمة، بينما يمكن للمشاريع الجديدة البدء مباشرةً باستخدام YOLO26.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.