YOLOv6-3.0 مقابل YOLO26#

لقد أدى تطور object detection في الوقت الفعلي إلى ابتكارات مذهلة، وغالبًا ما يقسم التركيز بين الإنتاجية الصناعية لـ GPU والبنى المرنة والمحسنة للحافة. في هذه المقارنة الشاملة، نستكشف الفروق الدقيقة بين عملاقين: YOLOv6-3.0 الموجه صناعيًا وUltralytics YOLO26 المصمم أصليًا من البداية إلى النهاية (end-to-end) والمطروح حديثًا.

سواء كنت تنشر النماذج على وحدات GPU خادم عالية الأداء أو على أجهزة طرفية منخفضة الطاقة، فإن فهم نقاط القوة الهيكلية وحالات الاستخدام المثالية لهذه النماذج أمر بالغ الأهمية لتحسين خطوط معالجة الرؤية الحاسوبية الخاصة بك.

YOLOv6-3.0: الإنتاجية الصناعية#

تم تطوير YOLOv6-3.0 من قبل قسم الذكاء الاصطناعي للرؤية في Meituan، وصُمم ليكون "كاشف كائنات من الجيل التالي للتطبيقات الصناعية". يركز النموذج بشكل كبير على زيادة الإنتاجية إلى أقصى حد على مسرعات الأجهزة مثل وحدات GPU المخصصة، مما يجعله أداة هائلة لتحليلات الفيديو عالية السرعة دون اتصال بالإنترنت.

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

التركيز الهيكلي#

يستخدم YOLOv6-3.0 وحدة Bi-directional Concatenation (BiC) في نطاقه (neck) لتحسين دمج الميزات، إلى جانب استراتيجية Anchor-Aided Training (AAT). يعتمد عموده الفقري (backbone) على EfficientRep، وهي طوبولوجيا مصممة لتكون ملائمة للغاية للأجهزة الخاصة باستدلال GPU. وفي حين أن هذا يجعله سريعًا بشكل استثنائي عند الاستفادة من NVIDIA TensorRT، إلا أنه قد يؤدي إلى زمن وصول أعلى على الأجهزة التي تعتمد على CPU فقط أو أجهزة الحافة التي تفتقر إلى إمكانات المعالجة المتوازية الضخمة.

اعرف المزيد حول YOLOv6-3.0

YOLO26: المعيار الجديد للحوسبة الطرفية والسحابية#

تم إصدار Ultralytics YOLO26 في يناير 2026، ويمثل تحولًا جذريًا في النموذج. فهو يبتعد عن المعالجة اللاحقة المعقدة ويتبنى إطار عمل موحدًا متعدد المهام، مما يجعله أسرع وأصغر وأسهل في النشر.

المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 2026-01-14
GitHub: ultralytics/ultralytics
المستندات: توثيق YOLO26

الإنجازات الهيكلية الرئيسية#

يقدم YOLO26 العديد من التطورات الرائدة التي تميزه عن الأجيال السابقة:

تصميم بدون NMS ومن النهاية إلى النهاية: بناءً على المفاهيم التي رائدة لأول مرة في YOLOv10، فإن YOLO26 مصمم من البداية إلى النهاية بشكل أصلي. فهو يلغي تمامًا المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، مما يؤدي إلى انخفاض كبير في تباين زمن الوصول ومنطق نشر أبسط بكثير.
أسرع بنسبة تصل إلى 43% في استدلال CPU: تم تحسينه بشكل صريح للحوسبة الطرفية، ويتفوق YOLO26 على الأجهزة التي لا تحتوي على وحدات GPU، مما يجعله مثاليًا للهواتف المحمولة ومستشعرات إنترنت الأشياء والروبوتات.
إزالة DFL: تم إزالة فقدان التوزيع البؤري (Distribution Focal Loss)، مما يبسط عملية تصدير النموذج ويعزز التوافق مع الأجهزة الطرفية منخفضة الطاقة.
محسن MuSGD: مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، فإن محسن MuSGD الجديد (وهو مزيج من Stochastic Gradient Descent وMuon) يوفر استقرارًا على نطاق واسع لمهام الرؤية، مما يضمن تقاربًا أسرع.
ProgLoss + STAL: تنتج وظائف الخسارة المتقدمة تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو تحسين حاسم للتطبيقات التي تتعامل مع aerial imagery والمشاهد المزدحمة.

تعرف على المزيد حول YOLO26

القدرات متعددة المهام

على عكس YOLOv6-3.0، الذي يتعامل بدقة مع مربعات الإحاطة، يتميز YOLO26 بتحسينات خاصة بالمهمة في جميع الجوانب. يتضمن ذلك خسارة التجزئة الدلالية وبروتو متعدد المقاييس لـ instance segmentation، وتقدير الاحتمال اللوغاريتمي المتبقي (RLE) لـ pose estimation، وخسارة الزاوية المتخصصة لحل مشكلات حدود Oriented Bounding Box (OBB).

مقارنة مفصلة للأداء#

عند تقييم النماذج، يعد التوازن بين السرعة والدقة وكفاءة المعلمات أمرًا بالغ الأهمية. يسلط الجدول أدناه الضوء على أداء هذه النماذج على COCO dataset.

النموذج	الحجم ^(بكسل)	mAP^val 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

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

كما يظهر في البيانات، يحقق YOLO26 باستمرار توازن أداء متفوق. على سبيل المثال، يوفر YOLO26n زيادة قدرها +3.4 في mAP مقارنة بـ YOLOv6-3.0n مع تطلب ما يقرب من نصف المعلمات وFLOPs.

ميزة Ultralytics#

يتضمن اختيار النموذج تقييم النظام البيئي البرمجي المحيط. هنا، توفر مجموعة Ultralytics مزايا حاسمة مقارنة بمستودعات الأبحاث الثابتة:

سهولة الاستخدام: توفر Ultralytics تجربة مطور "من الصفر إلى الاحتراف". تسمح واجهة برمجة تطبيقات Python الموحدة الخاصة بها للمستخدمين بالتبديل بين المهام والنماذج ببساطة عن طريق تغيير معلمة نصية واحدة.
نظام بيئي مُصان جيدًا: من خلال Ultralytics Platform، يحصل المطورون على إمكانية الوصول إلى بيئة يتم تحديثها بنشاط وتدعم إدارة مجموعات البيانات المستمرة، والتدريب السحابي، والتصدير السلس لـ model export إلى تنسيقات مثل ONNX وOpenVINO.
متطلبات الذاكرة: يفتخر YOLO26 بمنهجية تدريب عالية الكفاءة مع متطلبات ذاكرة أقل بكثير أثناء التدريب والاستدلال. يتناقض هذا بشكل إيجابي مع البنى المستندة إلى Transformer، مثل RT-DETR، والتي تتطلب تخصيصات ضخمة لذاكرة CUDA.
التنوع: من خلال دعم classification والكشف والتجزئة وتقدير الوضع بشكل أصلي، يعمل YOLO26 محطة واحدة لتطبيقات الرؤية المعقدة والمتعددة الوسائط.

استكشاف البدائل

إذا كنت تقم ببناء خط أنابيب تعلم ماشية عام وتتمنى استكشاف خيارات قوية أخرى داخل النظام البيئي، فإن Ultralytics YOLO11 يظل أساسًا مستقرًا بشكل استثنائي ومستخدمًا على نطاق واسع لنشر المؤسسات.

مثال على الكود: جعل التدريب بسيطًا#

يتطلب النشر والتدريب باستخدام مكتبة Ultralytics الحد الأدنى من الكود، مما يجرد الأكواد الإنشائية المعقدة المطلوبة بواسطة الأطر المستندة مباشرة إلى PyTorch الخام. توضح القصاصة البرمجية أدناه كيفية تحميل نموذج YOLO26 وتدريبه والتحقق من صحته.

from ultralytics import YOLO

# Load the highly efficient, end-to-end YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset with the advanced MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilizes 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")

حالات الاستخدام المثالية#

يتطلب اختيار البنية الصحيحة ربط نقاط قوة النموذج بالقيود الواقعية:

متى تنشر YOLOv6-3.0: مثالي لعمليات النشر الثابتة من جانب الخادم حيث يكون معالجة الدفعات أمرًا بالغ الأهمية. ستستفيد البيئات مثل خطوط التصنيع عالية السرعة أو مراكز فيديو المدن الذكية المركزية المزودة بوحدات GPU مخصصة من طراز A100 أو T4 من هيكله الأساسي EfficientRep.
متى تنشر YOLO26: الخيار الذي لا جدال فيه للتطبيقات الحديثة والقابلة للتوسع. يجعله استدلال CPU الأسرع بنسبة 43% وهيكله الخالي من NMS مثاليًا لتحليلات الطائرات بدون طيار، ومستشعرات إنترنت الأشياء عن بُعد، والروبوتات المتنقلة، وأي سيناريو للحوسبة الطرفية حيث يجب أن يتعايش زمن الانتقال المنخفض والدقة العالية ضمن قيود طاقة صارمة.

الخلاصة#

بينما يحتفظ YOLOv6-3.0 بفائدته في خطوط أنابيب صناعية محددة وعالية الإنتاجية تعمل بتكوينات TensorRT القديمة، يمثل Ultralytics YOLO26 مستقبل الرؤية الحاسوبية. من خلال جلب تحسينات التدريب المستوحاة من LLM (مثل MuSGD) والقضاء على اختناقات المعالجة اللاحقة، يوفر YOLO26 مرونة وسرعة ودقة لا مثيل لها. إلى جانب نظام Ultralytics البيئي القوي وسهل الاستخدام، فإنه يُمكِّن المطورين من بناء ونشر تطبيقات رؤية متطورة بسهولة غير مسبوقة.

المساهمون

GLglenn-jocher⁷ PDpderrenger¹

تم الإنشاء 14 يناير 2026تم التحديث الأسبوع الماضي