YOLOv6-3.0 مقابل YOLO11#
عند تقييم نماذج الرؤية الحاسوبية للتطبيقات عالية الأداء، يُعد اختيار البنية الصحيحة أمراً بالغ الأهمية. لقد أدى تطور ذكاء الرؤية إلى ظهور نماذج متخصصة مصممة خصيصاً لبيئات متميزة. يقارن هذا الدليل الشامل بين نموذجين بارزين في النظام البيئي: نموذج YOLOv6-3.0 الموجه صناعياً ونموذج Ultralytics YOLO11 عالي التعدد.
يقدم كلا النموذجين حلولاً قوية لممارسي التعلم الآلي، لكنهما يلبيان نماذج نشر مختلفة. نستعرض أدناه بنياتها، ومنهجيات تدريبها، وسيناريوهات نشرها المثالية في العالم الحقيقي لمساعدتك في اتخاذ قرار مستنير.
YOLOv6-3.0: التخصص في الإنتاجية الصناعية#
تم تطوير YOLOv6-3.0 بواسطة قسم ذكاء الرؤية في Meituan، ويتم وضعه كإطار عمل لاكتشاف الكائنات من الجيل التالي والمحسن صراحةً للتطبيقات الصناعية.
- المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, و Xiangxiang Chu
- Organization: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
- Docs: YOLOv6 Documentation
أبرز ملامح المعمارية#
يركز YOLOv6-3.0 بشكل كبير على تعظيم الإنتاجية على مسرعات الأجهزة مثل وحدات معالجة الرسوميات NVIDIA. يعتمد هيكله الأساسي على تصميم EfficientRep، وهو ملائم جداً للأجهزة لعمليات استدلال وحدات معالجة الرسوميات باستخدام منصات مثل TensorRT.
تتمثل إحدى الميزات الهيكلية الرئيسية في وحدة الدمج ثنائي الاتجاه (BiC) في عنق النموذج، والتي تعزز دمج الميزات عبر مقياس مختلفة. لتحسين التقارب أثناء مرحلة التدريب، يستخدم YOLOv6 إستراتيجية التدريب المدعوم بالمراسي (AAT). تستفيد هذه الإستراتيجية مؤقتاً من صناديق المراسي أثناء التدريب لجني فوائد النماذج المستندة إلى المراسي، بينما يظل الاستدلال أساساً خالياً من المراسي.
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.
Ultralytics YOLO11: معيار المهام المتعددة متعدد الاستخدامات#
يمثل نموذج YOLO11، الذي أصدرته Ultralytics، تحولاً كبيراً نحو إطار عمل موحد وعالي الكفاءة وقادر على التعامل مع مجموعة ضخمة من مهام الرؤية في وقت واحد.
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: ultralytics/ultralytics
- Docs: YOLO11 Documentation
ميزة 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 حصرياً على اكتشاف مربعات الإحاطة، فإن Ultralytics YOLO11 مجهز أصلاً لتجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور، واستخراج مربعات الإحاطة الموجهة (OBB). وهو يحقق ذلك مع الحفاظ على نظام بيئي سهل الوصول إليه بشكل لا يُصدق.
تبتكر Ultralytics تجربة "من الصفر إلى الاحتراف". بدلاً من إعدادات البيئة المعقدة الشائعة في مستودعات الأبحاث، يمكنك تدريب النموذج، والتحقق من صحته، وتصديره عبر واجهة برمجة تطبيقات Python موحدة أو واجهة سطر الأوامر. تعمل منصة Ultralytics على تبسيط تسميات مجموعات البيانات والتدريب السحابي بشكل أكبر.
الأداء 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.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 |
متطلبات الذاكرة وكفاءة التدريب#
عند إعداد بيانات مخصصة، تعد كفاءة التدريب أمراً بالغ الأهمية. تتطلب نماذج Ultralytics YOLO استخداماً أقل بكثير لذاكرة VRAM أثناء التدريب مقارنة بالشبكات الصناعية المخصصة بشكل مكثف أو البنى الضخمة المستندة إلى Transformer. يعمل هذا على إضفاء الطابع الديمقراطي على الذكاء الاصطناعي، مما يسمح للباحثين بضبط النماذج عالية الدقة على وحدات معالجة الرسوميات الاستهلاكية. علاوة على ذلك، يضمن مجتمع Ultralytics النشط أن الأدوات مثل ضبط المعلمات الفائقة وتكاملات التسجيل (مثل Weights & Biases أو Comet ML) محدثة دائماً.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv6 وYOLO11 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.
متى 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 النظام البيئي لـ Meituan: الفرق التي تعمل بالفعل ضمن حزمة التكنولوجيا والبنية التحتية للنشر الخاصة بـ Meituan.
متى تختار YOLO11#
يوصى بـ YOLO11 لـ:
- نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- 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.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
مثال كود: واجهة برمجة تطبيقات Python الموحدة#
يتطلب تدريب نموذج بأحدث التقنيات باستخدام Ultralytics بضعة أسطر فقط من الكود. تتعامل واجهة برمجة التطبيقات نفسها مع التنبؤات، والعمليات التحققية، والتصديرات 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")نتطلع قدماً: وصول YOLO26#
بينما يقف YOLO11 شامخاً كقفزة هائلة مقارنة بالبنى القديمة، يجب على المطورين الذين يسعون وراء أحدث حدود الأداء المطلقة التفكير في الترقية إلى نموذج 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 من طرف إلى طرف خالي من NMS: إن تجاوز الحاجة إلى إلغاء التداخل غير الأقصى (NMS) يقلل من زمن الانتقال للنشر 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 بؤرة التوزيع (DFL)، يحقق YOLO26 استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية، مما يجعله الخيار الأمثل للهواتف المحمولة، وإنترنت الأشياء، وتطبيقات الحافة للذكاء الاصطناعي.
- وظائف خسارة متقدمة: تعمل تطبيقات ProgLoss وSTAL على تحسين التعرف على الأشياء الصغيرة بشكل كبير، وهو أمر حيوي للصور الجوية والروبوتات.
الخاتمة 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 النظام البيئي لـ Ultralytics من الانتقال بسرعة من جمع مجموعات البيانات إلى النشر على الحافة، مما يضمن أن مشاريعك جاهزة للمستقبل ومدعومة بتوثيق شامل ودعم مجتمعي. بالنسبة لأولئك الذين يستكشفون بنيات فعالة أخرى، نوصي أيضاً بالتحقق من YOLOv8 للحصول على دعم قديم قوي ومثبت، أو الغوص مباشرة في الجيل التالي مع YOLO26.