YOLOv6-3.0 مقابل YOLO26
أنتج تطور كشف الأجسام في الوقت الفعلي نماذج تعطي الأولوية إما لمعدل نقل البيانات على وحدات GPU الصناعية، أو للنشر المتنوع والمحسّن للأجهزة الطرفية. تقارن هذه المقالة بين YOLOv6-3.0 الموجّه للتطبيقات الصناعية وUltralytics YOLO26، الذي يضيف استدلالًا اختياريًا شاملًا من البداية إلى النهاية بلا NMS.
سواء أكنت تنشر النماذج على وحدات GPU خادمة متطورة أم على أجهزة طرفية منخفضة الطاقة، فإن فهم نقاط القوة المعمارية لهذه النماذج وحالات استخدامها المثلى أمر بالغ الأهمية لتحسين مسارات عمل الرؤية الحاسوبية.
YOLOv6-3.0: إنتاجية صناعية#
طوّرت إدارة الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0 ليكون «كاشف أجسام من الجيل التالي للتطبيقات الصناعية». ويركز بدرجة كبيرة على زيادة معدل نقل البيانات على مسرّعات الأجهزة، مثل وحدات GPU المخصصة، ما يجعله أداة قوية لتحليلات الفيديو غير المتصلة عالية السرعة.
- 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
التركيز المعماري#
يستخدم YOLOv6-3.0 وحدة الدمج ثنائي الاتجاه (BiC) في عنقه لتحسين دمج السمات، إلى جانب استراتيجية التدريب بمساعدة المراسي (AAT). وتستند بنيته الأساسية إلى EfficientRep، وهي بنية مصممة لتكون ملائمة للغاية للأجهزة عند الاستدلال على GPU. ورغم أن ذلك يجعله سريعًا جدًا عند الاستفادة من NVIDIA TensorRT، فقد يؤدي إلى زمن استجابة أعلى على الأجهزة التي تعتمد على CPU فقط أو الأجهزة الطرفية التي تفتقر إلى المعالجة المتوازية واسعة النطاق.
تعرّف على مزيد من المعلومات حول YOLOv6-3.0
YOLO26: المعيار الجديد للأجهزة الطرفية والسحابة#
صدر Ultralytics YOLO26 في يناير 2026، وجعل المعالجة اللاحقة المعقدة اختيارية، كما يوفّر إطارًا موحدًا متعدد المهام صُمم ليكون أسرع وأصغر وأسهل في النشر.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: ultralytics/ultralytics
- الوثائق: وثائق YOLO26
الميزات المعمارية الأساسية#
يقدّم YOLO26 عدة تحسينات مقارنةً بالأجيال السابقة:
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يوفّر YOLO26 رأسًا شاملًا اختياريًا أحادي المطابقة (
nms=False) يتجاوز معالجة كبح الصناديق المحددة غير القصوى (NMS) اللاحقة، ما يقلل تباين زمن الاستجابة ويبسط منطق النشر. - استدلال أسرع على CPU بنسبة تصل إلى 43%: حُسّن YOLO26n للحوسبة الطرفية، ويعمل بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n، ما يجعل YOLO26 مناسبًا للأجهزة التي لا تحتوي على وحدات GPU، مثل الهواتف المحمولة ومستشعرات إنترنت الأشياء والروبوتات.
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية، ما يبسّط عملية تصدير النموذج ويعزز التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يضفي مُحسِّن MuSGD الجديد، وهو مزيج من الانحدار المتدرج العشوائي وMuon، استقرار التدريب على نهج LLM لمهام الرؤية، ويسرّع التقارب.
- ProgLoss + STAL: تحسّن الخسارة التزايدية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة التعرّف على الأجسام الصغيرة، وهو تحسين بالغ الأهمية للتطبيقات التي تتعامل مع الصور الجوية والمشاهد المزدحمة.
على خلاف YOLOv6-3.0 الذي يتعامل مع مربعات الإحاطة فقط، يتضمن YOLO26 تحسينات خاصة بالمهام في جميع المجالات. ويشمل ذلك خسارة التجزئة الدلالية ونموذجًا أوليًا متعدد المقاييس من أجل تجزئة الكائنات، وتقدير لوغاريتم الاحتمالية المتبقية (RLE) من أجل تقدير الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات حدود مربع الإحاطة الموجّه (OBB).
مقارنة مفصلة للأداء#
عند تقييم النماذج، لا غنى عن تحقيق توازن بين السرعة والدقة وكفاءة استخدام المعلمات. يوضح الجدول أدناه أداء هذه النماذج على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
كما توضح البيانات، يحقق YOLO26 دقة أعلى عند كل حجم. فعلى سبيل المثال، يسجل YOLO26n قيمة mAP أعلى بـ 3.4 من YOLOv6-3.0n، مع نحو نصف عدد المعاملات وعمليات FLOPs، رغم أن YOLOv6-3.0n يظل أسرع على T4 TensorRT (1.17 ms مقابل 1.7 ms).
ميزة Ultralytics#
يتطلب اختيار نموذج تقييم منظومة البرمجيات المحيطة به. وهنا توفّر حزمة Ultralytics مزايا عملية مقارنةً بمستودعات الأبحاث:
- سهولة الاستخدام: توفّر Ultralytics تجربة مبسّطة للمطورين. وتتيح واجهة Python API الموحدة للمستخدمين التبديل بين المهام والنماذج بمجرد تغيير قيمة مُعامل نصي واحد.
- منظومة مدارة جيدًا: تتيح منصة Ultralytics للمطورين إدارة مجموعات البيانات والتدريب السحابي وتصدير النماذج إلى تنسيقات مثل ONNX وOpenVINO.
- متطلبات الذاكرة: يحتاج YOLO26 إلى ذاكرة أقل أثناء التدريب والاستدلال مقارنةً بالبنى المعتمدة على المحوّلات، مثل RT-DETR، التي تتطلب تخصيصات أكبر بكثير لذاكرة CUDA.
- تعدد الاستخدامات: بفضل دعمه الأصلي للكشف، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق، والتصنيف، وتقدير الوضعيات، وOBB، يعمل YOLO26 إطارًا موحدًا لتطبيقات الرؤية المعقدة متعددة المهام.
إذا كنت تبني مسارًا عامًا للتعلم الآلي وترغب في استكشاف خيارات أخرى ضمن المنظومة، تظل Ultralytics YOLO11 أساسًا مستقرًا واسع الاعتماد للنشر المؤسسي.
مثال برمجي: تدريب مبسّط#
يتطلب النشر والتدريب باستخدام مكتبة Ultralytics قدرًا ضئيلًا من الشيفرة، إذ تخفي المكتبة الشيفرة النمطية المعقدة التي تتطلبها الأطر المبنية مباشرةً على PyTorch الخام. ويوضح المقتطف أدناه كيفية تحميل نموذج YOLO26 وتدريبه والتحقق من صحته.
from ultralytics import YOLO
# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset; optimizer="auto" selects MuSGD for longer runs (>10k iterations)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Uses GPU for accelerated training
)
# Validate the trained model's performance
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Run NMS-free inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)حالات الاستخدام المثالية#
يتطلب اختيار البنية المناسبة مواءمة نقاط قوة النموذج مع القيود الواقعية:
- متى تنشر YOLOv6-3.0: يُعد مثاليًا لعمليات النشر الثابتة على جانب الخادم، حيث تكون المعالجة على دفعات ذات أولوية قصوى. وستستفيد البيئات، مثل خطوط التصنيع عالية السرعة أو مراكز الفيديو المركزية للمدن الذكية المزودة بوحدات GPU مخصصة من طرازي A100 أو T4، من بنيته الأساسية EfficientRep.
- متى تنشر YOLO26: هو الخيار الموصى به للتطبيقات الحديثة القابلة للتوسع. ويجعله استدلال CPU الأسرع (بنسبة تصل إلى 43% في YOLO26n مقارنةً بـ YOLO11n) ورأسه الاختياري الخالي من NMS مناسبًا لتحليلات الطائرات المسيّرة، ومستشعرات إنترنت الأشياء البعيدة، والروبوتات المتنقلة، وأي سيناريو للحوسبة الطرفية يتطلب الجمع بين زمن استجابة منخفض ودقة عالية ضمن قيود صارمة للطاقة.
الخلاصة#
مع احتفاظ YOLOv6-3.0 بفائدته في بعض مسارات العمل الصناعية ذات معدل النقل المرتفع التي تستخدم إعدادات TensorRT قديمة، فإن Ultralytics YOLO26 هو الخيار الموصى به للمشاريع الجديدة. ومن خلال تقديم تحسينات تدريب مستوحاة من LLM (MuSGD) وجعل المعالجة اللاحقة لـ NMS اختيارية، يجمع YOLO26 بين المرونة والسرعة والدقة. وبالاستعانة بمنظومة Ultralytics سهلة الاستخدام، يمكن للمطورين إنشاء تطبيقات رؤية متطورة ونشرها بجهد أقل.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.