YOLOv6-3.0 مقابل YOLOv10
مع نضوج مجال الرؤية الحاسوبية، أصبح اختيار النموذج الأمثل قرارًا حاسمًا للمطورين ومهندسي التعلم الآلي. وعند تقييم تطور كشف الأجسام ونماذج Ultralytics YOLO، من المهم فهم المفاضلات بين المناهج المعمارية المختلفة. يقدم هذا الدليل مقارنة تقنية شاملة بين YOLOv6-3.0 وYOLOv10، وهما نموذجان يقدّمان مزايا مختلفة للنشر الصناعي والطرفي.
التعمق في YOLOv6-3.0: مصمم لمعدل الإنتاجية الصناعي#
صُمم YOLOv6-3.0 لزيادة معدل الإنتاجية في التطبيقات الصناعية على جانب الخادم، ويعطي الأولوية للاستدلال السريع على مسرّعات الأجهزة، ولا سيما وحدات GPU. ومن خلال استخدام عمود فقري محسّن، يهدف إلى تحقيق توازن بين معالجة الفيديو عالية السرعة والدقة التنافسية.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
- المؤسسة: Meituan
- التاريخ: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
أبرز السمات المعمارية#
يكمن جوهر YOLOv6-3.0 في تصميمه الملائم للأجهزة. إذ يضم وحدة الدمج ثنائي الاتجاه (BiC) ضمن بنية العنق لتعزيز دمج السمات متعددة المقاييس. كما تستفيد الشبكة من استراتيجية التدريب بمساعدة المراسي (AAT)، التي تجمع بين استقرار الكواشف القائمة على المراسي أثناء التدريب وسرعة الاستدلال التي يتيحها النهج الخالي من المراسي.
يستند هذا النموذج إلى بنية أساسية EfficientRep، ويناسب مهام أتمتة التصنيع الشاقة التي تكون فيها المعالجة الدفعية على أجهزة NVIDIA القوية، مثل وحدات GPU من طرازي T4 أو A100، أمرًا معتادًا. ويؤدي النموذج أداءً جيدًا في عناقيد الخوادم، لكن اعتماده على تحسينات خاصة بالأجهزة قد يقلل كفاءته على وحدات CPU الطرفية منخفضة الطاقة.
استكشاف YOLOv10: اكتشاف آني خالٍ من NMS#
عالج YOLOv10، الذي طُرح بعد أكثر من عام، أحد أكثر الاختناقات استمرارًا في مسارات الكشف التقليدية: المعالجة اللاحقة للكبت غير الأقصى (NMS).
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- التاريخ: 2024-05-23
- arXiv: 2405.14458
- GitHub: THU-MIG/yolov10
أبرز السمات المعمارية#
تتمثل المساهمة الرئيسية لـ YOLOv10 في هذا المجال في تصميمه الشامل من البداية إلى النهاية والخالي من NMS. باستخدام إسنادات مزدوجة متسقة أثناء التدريب، يتعلم الرأس أحادي المطابقة إنتاج مربع إحاطة واحد عالي الجودة لكل كائن، ما يلغي الحاجة إلى عمليات NMS المعتمدة على قواعد استدلالية أثناء الاستدلال (في Ultralytics، اضبط nms=False لاستخدام هذا الرأس). ويقلل ذلك زمن الاستدلال الإجمالي، ويبسّط منطق النشر على الأجهزة الطرفية، مثل وحدات المعالجة العصبية (NPUs).
علاوةً على ذلك، يستخدم النموذج تصميمًا شموليًا يوازن بين الكفاءة والدقة. ومن خلال تحسين مكونات مختلفة، يقلل YOLOv10 التكرار الحسابي. وهذا يجعله ملائمًا جدًا للبيئات محدودة الموارد، بما في ذلك المركبات الذاتية والروبوتات الطرفية.
مقارنة مفصلة للأداء#
عند إجراء قياس معياري لهذه النماذج، يُقاس الأداء عادةً وفق الدقة والسرعة وكفاءة المعلمات. ويوضح الجدول أدناه أداء البنى بمقاييسها المختلفة.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
التحليل#
يحقق YOLOv10 متوسط دقة متوسطًا (mAP) أعلى من YOLOv6-3.0 عند كل حجم قابل للمقارنة. فعلى سبيل المثال، يصل YOLOv10n إلى 38.5% mAP باستخدام 2.3 مليون مُعامل فقط، بينما يسجل YOLOv6-3.0n نسبة 37.5% باستخدام أكثر من ضعف عدد المعاملات. ومع ذلك، يحقق YOLOv6-3.0n زمن استدلال أسرع على TensorRT فقط باستخدام وحدة T4 GPU (1.17ms)، ما يعكس تحسينه للأجهزة ذات المعالجة المتوازية.
على الرغم من أن مقاييس زمن الاستجابة الخام على GPU قد ترجح YOLOv6 قليلًا في الاختبارات المعيارية المصغرة، فإن طبيعة YOLOv10 الخالية من NMS تؤدي غالبًا إلى سرعات أعلى لمسار المعالجة الشامل في العالم الحقيقي، ولا سيما على الأجهزة الطرفية حيث قد تشكل المعالجة اللاحقة عنق زجاجة لوحدة CPU.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv6 وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLOv6#
يُعد YOLOv6 خيارًا قويًا لـ:
- النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
- الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
- التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.
متى تختار YOLOv10#
يوصى بـ YOLOv10 في الحالات التالية:
- الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
- موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
- التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
ميزة Ultralytics: لماذا تختار YOLO26#
مع أن YOLOv6-3.0 وYOLOv10 يقدّمان بنيتين أساسيتين متينتين، تتطلب بيئات الإنتاج الحديثة نماذج تجمع بين الدقة العالية وسهولة الاستخدام. وهنا يتفوق Ultralytics YOLO26 على الإصدارات الأكاديمية المستقلة.
صدر YOLO26 في يناير 2026، وهو يستند إلى ابتكارات النماذج السابقة ضمن منظومة تخضع للصيانة المستمرة.
أبرز ابتكارات YOLO26#
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) المعالجة اللاحقة لـ NMS، ما يؤدي إلى أزمنة استدلال أكثر سلاسة وقابلية للتوقع، ويجعل نشره في بيئة الإنتاج أسهل. - مُحسِّن MuSGD: استلهامًا من تحسينات نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يجمع هذا النهج الهجين بين SGD وMuon لتوفير تدريب مستقر وتقارب أسرع.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: تتيح التبسيطات المعمارية لـ YOLO26n العمل بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n، ما يفيد النشر على شرائح إنترنت الأشياء ووحدات CPU المخصصة للمستهلكين.
- إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط تصدير الرأس، وتحسين التوافق مع محركات النشر منخفضة الطاقة، مثل OpenVINO أو NCNN.
- ProgLoss + STAL: تعمل الخسارة التزايدية وإسناد التسميات المراعي للأهداف الصغيرة على تحسين التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـعمليات الطائرات المسيّرة غير المأهولة وتتبع الأهداف البعيدة.
علاوةً على ذلك، وعلى خلاف مستودعات المهام المفردة، تتعامل منظومة Ultralytics مباشرةً مع مجموعة واسعة من مهام الرؤية، بما في ذلك الكشف وتقسيم المثيلات والتقسيم الدلالي وتقدير العمق وتصنيف الصور وتقدير الوضعيات وكشف مربعات الإحاطة الموجّهة (OBB).
كفاءة التدريب وتحسين الذاكرة#
من المزايا المهمة لنماذج Ultralytics YOLO مقارنةً بـالبنى المعتمدة على المحوّلات، مثل RT-DETR، انخفاض استهلاكها لذاكرة CUDA أثناء التدريب. ويمكن للمطور ضبط YOLO26 على وحدة GPU مخصصة للمستهلكين أو باستخدام موارد سحابية مجانية.
مثال برمجي: البدء باستخدام YOLO26#
تتيح سهولة الاستخدام التي توفرها واجهة Ultralytics Python API تحميل النماذج وتدريبها واختبارها باستخدام بضعة أسطر من التعليمات البرمجية فقط.
from ultralytics import YOLO
# تهيئة نموذج YOLO26 nano
model = YOLO("yolo26n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# تقييم أداء النموذج على بيانات التحقق
metrics = model.val()
# تشغيل الاستدلال الآني الخالي من NMS على صورة مستهدفة
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# التصدير إلى تنسيق ONNX للنشر عبر المنصات
model.export(format="onnx")الخلاصة والخيارات البديلة#
عند الاختيار بين YOLOv6-3.0 وYOLOv10، يتوقف القرار على بيئة النشر. يظل YOLOv6-3.0 مناسبًا للأنظمة الخلفية للخوادم الغنية بوحدات GPU وعالية معدل نقل البيانات، والتي تركز على معالجة الفيديو على دفعات. أما YOLOv10 فيوفّر بنية خالية من NMS، أنسب لتحقيق توازن في الدقة والتكامل المعقد مع الأجهزة الطرفية.
لكن بالنسبة إلى المطورين الساعين إلى أداء قوي مدعوم بوثائق شاملة وتسجيل سحابي عبر منصة Ultralytics وتعدد في المهام، فإن YOLO26 هو الخيار الموصى به.
ولمتطلبات البنية التحتية القديمة، يمكن للفرق أيضًا دراسة الجيل السابق Ultralytics YOLO11، أو استكشاف YOLO-World لكشف المفردات المفتوحة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.