YOLOv6-3.0 مقابل YOLO11: مقارنة تفصيلية للنماذج
يُعد اختيار نموذج الرؤية الحاسوبية الصحيح أمرًا بالغ الأهمية لتحقيق الأداء الأمثل في مهام الكشف عن الأجسام. تقدم هذه الصفحة مقارنة فنية بين YOLOv6-3.0 و Ultralytics YOLO11، مع التركيز على هياكلهما ومقاييس الأداء ومنهجيات التدريب وحالات الاستخدام المثالية لمساعدتك في اختيار الأنسب لمشروعك. في حين أن كلاهما نموذجان قويان، إلا أن YOLO11 يمثل أحدث ما توصلت إليه الكفاءة وتعدد الاستخدامات.
YOLOv6-3.0
المؤلفون: تشوي لي، لولو لي، ييفي قنغ، هونغليانغ جيانغ، مينغ تشنغ، بو تشانغ، زيدان كه، شياومينغ شو، و شيانغشيانغ تشو
المنظمة: Meituan
التاريخ: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: https://github.com/meituan/YOLOv6
المستندات: https://docs.ultralytics.com/models/yolov6/
تم تطوير YOLOv6-3.0 بواسطة Meituan، وهو إطار عمل للكشف عن الأجسام مصمم بشكل أساسي للتطبيقات الصناعية. تم إصداره في أوائل عام 2023، وكان يهدف إلى توفير توازن بين السرعة والدقة مناسب لسيناريوهات النشر في العالم الحقيقي حيث تكون الاستدلال في الوقت الفعلي أولوية.
البنية والميزات الرئيسية
قدم YOLOv6 تعديلات معمارية مثل تصميم العمود الفقري والعنق الفعال والواعي بالأجهزة. قامت النسخة 3.0 بتحسين هذه العناصر بشكل أكبر ودمجت تقنيات مثل التقطير الذاتي أثناء التدريب لتعزيز الأداء. كما أنها توفر نماذج محددة مُحسَّنة للنشر على الأجهزة المحمولة (YOLOv6Lite)، مما يدل على تركيزها على الحوسبة الطرفية.
نقاط القوة
- مقايضة جيدة بين السرعة والدقة: يوفر أداءً تنافسيًا، خاصة لمهام الكشف عن الأجسام الصناعية.
- دعم تحديد الكمية: يوفر أدوات وبرامج تعليمية لـ تحديد كمية النموذج، وهو أمر مفيد للنشر على الأجهزة ذات الموارد المحدودة.
- تحسين الأجهزة المحمولة: يتضمن متغيرات YOLOv6Lite المصممة خصيصًا للاستدلال المستند إلى الأجهزة المحمولة أو وحدة المعالجة المركزية CPU.
نقاط الضعف
- تعددية المهام محدودة: يركز بشكل أساسي على اكتشاف الكائنات، ويفتقر إلى الدعم الأصلي لـ تجزئة المثيلات أو تصنيف الصور أو تقدير الوضع الموجود في Ultralytics YOLO11.
- النظام البيئي والصيانة: على الرغم من أنه مفتوح المصدر، إلا أن النظام البيئي ليس شاملاً أو نشطًا مثل منصة Ultralytics، مما قد يؤدي إلى تحديثات أبطأ ودعم مجتمعي أقل.
- استخدام أعلى للموارد: يمكن أن تحتوي نماذج YOLOv6 الأكبر على معلمات وعمليات FLOPs أكثر بكثير مقارنة بمكافئاتها في YOLO11 للحصول على mAP مماثل، مما قد يتطلب المزيد من موارد الحوسبة كما هو موضح في الجدول أدناه.
حالات الاستخدام المثالية
يعتبر YOLOv6-3.0 مناسبًا تمامًا لما يلي:
- التطبيقات الصناعية التي تكون فيها سرعة اكتشاف الأجسام أمرًا بالغ الأهمية، كما هو الحال في التصنيع لمراقبة الجودة.
- سيناريوهات النشر التي تستفيد من القياس الكمي أو تتطلب نماذج محسّنة للأجهزة المحمولة.
- المشاريع التي تركز فقط على اكتشاف الكائنات دون الحاجة إلى قدرات متعددة المهام.
Ultralytics YOLO11
المؤلفون: جلين جوتشر و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2024-09-27
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolo11/
يعد Ultralytics YOLO11 أحدث نموذج متطور من Ultralytics، ويمثل أحدث تطور في سلسلة YOLO. تم إصداره في سبتمبر 2024، وهو يعتمد على الإصدارات السابقة مثل YOLOv8 مع تحسينات معمارية تهدف إلى تعزيز كل من السرعة والدقة. تم تصميم YOLO11 لتحقيق أداء وكفاءة فائقين عبر مجموعة واسعة من مهام رؤية الكمبيوتر.
البنية والميزات الرئيسية
يتميز YOLO11 ببنية مُحسَّنة تحقق توازنًا دقيقًا بين حجم النموذج وسرعة الاستدلال والدقة. تشمل التحسينات الرئيسية طبقات استخلاص ميزات مُحسَّنة وهيكل شبكة مبسط، مما يقلل من النفقات الحسابية. يضمن هذا التصميم أداءً فعالاً عبر الأجهزة المتنوعة، من الأجهزة الطرفية مثل NVIDIA Jetson إلى الخوادم السحابية القوية. باعتباره كاشفًا خاليًا من المرساة، يبسط YOLO11 عملية الاكتشاف وغالبًا ما يحسن التعميم.
نقاط القوة
- توازن أداء فائق: تحقق درجات mAP أعلى مع عدد أقل من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs) مقارنة بالمنافسين، مما يوفر مقايضة ممتازة بين السرعة والدقة.
- تنوع الاستخدامات: يدعم مهام رؤية متعددة ضمن إطار عمل واحد - بما في ذلك الاكتشاف وتقسيم الحالات والتصنيف وتقدير الوضعيات والصناديق المحيطة الموجهة (OBB) - مما يوفر حلاً شاملاً.
- سهولة الاستخدام: يستفيد من نظام Ultralytics البيئي المبسّط، الذي يتميز بـ واجهة برمجة تطبيقات Python بسيطة، و وثائق شاملة، و أوزان مُدرَّبة مسبقًا متاحة بسهولة.
- نظام بيئي مُدار بشكل جيد: تم تطويره ودعمه بنشاط بواسطة Ultralytics، مع تحديثات متكررة، ودعم مجتمعي قوي عبر GitHub و Discord، والتكامل مع Ultralytics HUB للتدريب والنشر السلس.
- كفاءة التدريب: يوفر عمليات تدريب فعالة، وغالبًا ما يتطلب ذاكرة أقل مقارنة بأنواع النماذج الأخرى مثل المحولات.
نقاط الضعف
- نموذج جديد: باعتباره أحدث إصدار، لا يزال حجم البرامج التعليمية المجتمعية وأدوات الطرف الثالث في ازدياد مقارنة بالنماذج الأكثر رسوخًا مثل YOLOv5.
- اكتشاف الأجسام الصغيرة: على غرار معظم الكاشفات ذات المرحلة الواحدة، قد تواجه تحديات مع الأجسام الصغيرة للغاية مقارنةً بالكاشفات المتخصصة ذات المرحلتين.
حالات الاستخدام المثالية
إن مزيج YOLO11 من الدقة والسرعة وتعدد الاستخدامات يجعله مثاليًا لما يلي:
- التطبيقات الآنية التي تتطلب دقة عالية، مثل الأنظمة المستقلة والروبوتات.
- سيناريوهات المهام المتعددة التي تحتاج إلى الكشف والتجزئة وتقدير الوضعية في وقت واحد.
- النشر عبر منصات مختلفة، من الأجهزة ذات الموارد المحدودة مثل Raspberry Pi إلى البنية التحتية السحابية القوية.
- التطبيقات في الأمن، البيع بالتجزئة، الرعاية الصحية، و الخدمات اللوجستية.
مقارنة الأداء
توضح معايير الأداء أدناه، التي تم تقييمها على مجموعة بيانات COCO، بوضوح مزايا YOLO11. للحصول على مستوى مماثل من الدقة، تكون نماذج YOLO11 أكثر كفاءة بشكل ملحوظ. على سبيل المثال، تحقق YOLO11l قيمة mAPval أعلى تبلغ 53.4 مع 25.3 مليون معلمة و 86.9 مليار FLOPs فقط، بينما تصل YOLOv6-3.0l إلى 52.8 mAPval فقط مع الحاجة إلى أكثر من ضعف المعلمات (59.6 مليون) و FLOPs (150.7 مليار). هذه الكفاءة الفائقة تجعل YOLO11 خيارًا أكثر قابلية للتطوير وفعالية من حيث التكلفة للنشر.
| النموذج | الحجم (بالبكسل) |
mAPval 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 |
منهجيات التدريب
يستخدم كلا النموذجين ممارسات تدريب التعلم العميق القياسية. تستخدم YOLOv6-3.0 تقنيات مثل التقطير الذاتي لتحسين الأداء. ومع ذلك، يستفيد Ultralytics YOLO11 من تكامله العميق داخل نظام Ultralytics البيئي الشامل، والذي يوفر تجربة أكثر انسيابية وسهولة في الاستخدام.
تم تبسيط التدريب باستخدام YOLO11 من خلال حزمة Python الخاصة به و Ultralytics HUB، والذي يوفر أدوات لسهولة ضبط المعلمات الفائقة، وتحميل البيانات بكفاءة، والتسجيل التلقائي باستخدام منصات مثل TensorBoard و Weights & Biases. علاوة على ذلك، تم تحسين بنية YOLO11 لتحقيق كفاءة التدريب، وغالبًا ما تتطلب ذاكرة ووقتًا أقل. يوفر كلا النموذجين أوزانًا مُدرَّبة مسبقًا على مجموعة بيانات COCO لتسهيل التعلم بالنقل.
الخلاصة
في حين أن YOLOv6-3.0 يقدم أداءً قويًا لحالات الاستخدام الصناعي المحددة، يظهر Ultralytics YOLO11 كخيار أفضل لمعظم المطورين والباحثين. يوفر YOLO11 دقة حديثة، وكفاءة ملحوظة (معلمات أقل و FLOPs لخريطة mAP أعلى)، وتعدد استخدامات استثنائي عبر مهام رؤية متعددة. تكمن أعظم ميزاته في سهولة استخدامه التي لا مثيل لها، والمدعومة بنظام Ultralytics البيئي القوي والموثق جيدًا والذي تتم صيانته بنشاط. هذا التوازن القوي في الأداء يجعله مناسبًا لمجموعة واسعة من التطبيقات وبيئات النشر، من الحافة إلى السحابة.
بالنسبة للمستخدمين الذين يستكشفون بدائل أخرى، تقدم Ultralytics أيضًا نماذج أخرى عالية الأداء مثل YOLOv10 و YOLOv9 و YOLOv8. يمكنك العثور على مزيد من المقارنات مع نماذج مثل RT-DETR و YOLOX و YOLOv7 داخل وثائق Ultralytics.
