Link to this sectionYOLOv6-3.0 مقابل YOLO11#

عند تقييم نماذج رؤية الحاسوب للتطبيقات عالية الأداء، يعد اختيار البنية الصحيحة أمراً بالغ الأهمية. أدى تطور ذكاء الرؤية الاصطناعي إلى ظهور نماذج متخصصة مصممة لبيئات محددة. يقارن هذا الدليل الشامل نموذجين بارزين في النظام البيئي: YOLOv6-3.0 الموجه للصناعة وUltralytics YOLO11 متعدد الاستخدامات للغاية.

يقدم كلا النموذجين حلولاً قوية لممارسي تعلم الآلة، لكنهما يلبيان نماذج نشر مختلفة. فيما يلي، نقوم بتحليل بنيتهما، ومنهجيات التدريب، وسيناريوهات النشر الواقعية المثالية لمساعدتك في اتخاذ قرار مستنير.

Link to this sectionYOLOv6-3.0: التخصص في الإنتاجية الصناعية#

تم تطوير YOLOv6-3.0 بواسطة قسم ذكاء الرؤية الاصطناعي في Meituan، ويتم وضعه كإطار عمل من الجيل التالي لـ كشف الأشياء تم تحسينه بشكل صريح للتطبيقات الصناعية.

• المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, و Xiangxiang Chu
• المنظمة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• التوثيق: توثيق YOLOv6

Link to this sectionأبرز ملامح المعمارية#

يركز YOLOv6-3.0 بشكل كبير على زيادة الإنتاجية إلى أقصى حد على مسرعات الأجهزة مثل وحدات معالجة الرسومات NVIDIA. تعتمد بنيته الأساسية على تصميم EfficientRep، وهو سهل الاستخدام للغاية مع الأجهزة لعمليات استنتاج GPU باستخدام منصات مثل TensorRT.

إحدى الميزات المعمارية الرئيسية هي وحدة التسلسل ثنائي الاتجاه (BiC) في عنق النموذج، والتي تعزز دمج الميزات عبر مقاييس مختلفة. لتحسين التقارب خلال مرحلة التدريب، يستخدم YOLOv6 استراتيجية التدريب المدعوم بالمرساة (AAT). تستفيد هذه الاستراتيجية مؤقتاً من صناديق المرساة أثناء التدريب لجني فوائد النماذج القائمة على المرساة، بينما يظل الاستنتاج أساساً خالياً من المرساة.

على الرغم من تفوق YOLOv6-3.0 في بيئات المعالجة المتدفقة عالية السرعة مثل تحليلات الفيديو غير المتصلة بالإنترنت على أجهزة قوية من فئة الخوادم، فإن هذا التخصص العميق قد يؤدي أحياناً إلى زمن وصول غير مثالي على أجهزة الحافة التي تعمل بوحدة معالجة مركزية فقط مقارنة بالنماذج المصممة لحوسبة عامة أوسع.

اعرف المزيد حول YOLOv6

Link to this sectionUltralytics YOLO11: معيار المهام المتعددة متعدد الاستخدامات#

تم إصدار YOLO11 بواسطة Ultralytics، ويمثل تحولاً كبيراً نحو إطار عمل موحد وعالي الكفاءة قادر على التعامل مع مجموعة هائلة من مهام الرؤية في وقت واحد.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: ultralytics/ultralytics
• المستندات: توثيق YOLO11

Link to this sectionميزة Ultralytics#

بينما تعتبر النماذج الصناعية المتخصصة قيمة، يعطي معظم المطورين المعاصرين الأولوية للتوازن بين الأداء وسهولة الاستخدام وكفاءة الذاكرة ودعم المهام المتنوعة. يتألق YOLO11 من خلال توفير حل شامل.

على عكس YOLOv6، الذي يركز بشكل صارم على كشف الصناديق المحيطة، فإن Ultralytics YOLO11 مجهز أصلاً لـ تجزئة المثيل، وتقدير الوضعية، وتصنيف الصور، واستخراج الصندوق المحيط الموجه (OBB). إنه يحقق ذلك مع الحفاظ على نظام بيئي يسهل الوصول إليه بشكل لا يصدق.

تعرف على المزيد حول YOLO11

Link to this sectionالأداء والمقارنة التقنية#

يوفر الجدول أدناه نظرة تفصيلية على كيفية أداء هذه النماذج عبر أحجام مختلفة. لاحظ الانخفاض الكبير في عدد المعلمات وFLOPs في نماذج YOLO11 مقارنة بنظيراتها من YOLOv6، مما يمنح YOLO11 توازناً متفوقاً في الأداء.

Link to this sectionمتطلبات الذاكرة وكفاءة التدريب#

عند إعداد بيانات مخصصة، تعد كفاءة التدريب أمراً بالغ الأهمية. تتطلب نماذج Ultralytics YOLO استخدام VRAM أقل بشكل ملحوظ أثناء التدريب مقارنة بالشبكات الصناعية المخصصة بشدة أو البنى الضخمة القائمة على Transformer. هذا يضفي طابعاً ديمقراطياً على الذكاء الاصطناعي، مما يسمح للباحثين بضبط النماذج عالية الدقة على وحدات معالجة الرسومات المخصصة للمستهلكين. علاوة على ذلك، يضمن مجتمع Ultralytics النشط أن الأدوات مثل ضبط المعلمات الفائقة وتكاملات التسجيل (مثل Weights & Biases أو Comet ML) محدثة دائماً.

Link to this sectionحالات الاستخدام والتوصيات#

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

Link to this sectionمتى تختار YOLOv6#

يعتبر YOLOv6 خياراً قوياً لـ:

• النشر المدرك للأجهزة الصناعية: السيناريوهات التي يوفر فيها التصميم المدرك للأجهزة وإعادة تحديد المعلمات الفعال للنموذج أداءً محسناً على أجهزة مستهدفة محددة.
• الكشف السريع في مرحلة واحدة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو الفوري في بيئات خاضعة للتحكم.
• تكامل نظام Meituan البيئي: الفرق التي تعمل بالفعل ضمن مكدس التكنولوجيا والبنية التحتية للنشر الخاصة بـ Meituan.

Link to this sectionمتى تختار YOLO11#

يوصى بـ YOLO11 لـ:

• نشر الإنتاج عند الحافة: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون الموثوقية والصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب اكتشافاً، وتجزئة، وتقدير وضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى التحرك بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API الانسيابي.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

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

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionمثال كود: واجهة برمجة تطبيقات Python الموحدة#

لا يتطلب تدريب نموذج متطور مع Ultralytics سوى بضعة أسطر من الكود. تتعامل واجهة برمجة التطبيقات نفسها مع التنبؤات والتحقق من الصحة والتصدير إلى تنسيقات مثل ONNX أو OpenVINO.

from ultralytics import YOLO

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

# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")

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

Link to this sectionنتطلع قدماً: وصول YOLO26#

بينما يقف YOLO11 كقفزة هائلة فوق البنى القديمة، يجب على المطورين الذين يسعون للحصول على أقصى حدود الأداء التفكير في الترقية إلى Ultralytics YOLO26 الرائد.

تم إصدار YOLO26 في يناير 2026، ويضع معياراً جديداً لكفاءة نماذج الذكاء الاصطناعي، مما يجلب ابتكارات لم يسبق لها مثيل في مجال رؤية الحاسوب:

• تصميم شامل خالٍ من NMS: إن تجاوز الحاجة إلى كبت غير الأعظم (NMS) يقلل من زمن وصول النشر بشكل كبير - وهي طريقة تم تقديمها لأول مرة في YOLOv10.
• محسن MuSGD: بدمج استقرار تدريب LLM في مهام الرؤية، يجمع هذا المحسن بين SGD وMuon من أجل تقارب سريع ومستقر بشكل لا يصدق.
• محسن لوحدة المعالجة المركزية (CPU): من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استنتاجاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية، مما يجعله الخيار الأمثل للهواتف المحمولة، وإنترنت الأشياء، وتطبيقات ذكاء الحافة الاصطناعي.
• وظائف خسارة متقدمة: تعمل تطبيقات ProgLoss وSTAL على تحسين التعرف على الأشياء الصغيرة بشكل كبير، وهو أمر حيوي للصور الجوية والروبوتات.

تعرف على المزيد حول YOLO26

Link to this sectionالخاتمة والتوصيات#

إذا كانت بيئة النشر الخاصة بك تقتصر بدقة على خطوط أنابيب GPU الصناعية المصممة بكثافة والتي تتطلب استنتاجاً جماعياً، فإن YOLOv6-3.0 يظل أداة مثيرة للاهتمام. ومع ذلك، بالنسبة للغالبية العظمى من سيناريوهات العالم الحقيقي التي تتطلب نماذج قابلة للتطوير وسهلة التدريب وعالية الدقة، فإن Ultralytics YOLO11 - و YOLO26 المتطور - هما التوصيتان اللتان لا جدال فيهما.

يمكّنك نظام Ultralytics البيئي من الانتقال بسرعة من جمع البيانات إلى النشر على الحافة، مما يضمن أن مشاريعك جاهزة للمستقبل ومدعومة بوثائق واسعة ودعم مجتمعي. بالنسبة لأولئك الذين يستكشفون بنى فعالة أخرى، نوصي أيضاً بالاطلاع على YOLOv8 للحصول على دعم قديم قوي ومثبت، أو الغوص مباشرة في الجيل التالي مع YOLO26.