Ultralytics YOLO27:
Get Started

YOLOv6-3.0 مقابل YOLOv10#

أصبح مشهد الرؤية الحاسوبية أكثر تعقيدًا، ما جعل اختيار النموذج الأمثل قرارًا حاسمًا للمطورين ومهندسي التعلم الآلي. عند تقييم تطور اكتشاف الكائنات ونماذج Ultralytics YOLO، من المهم فهم المفاضلات بين الأساليب المعمارية المختلفة. يقدم هذا الدليل مقارنة تقنية شاملة بين YOLOv6-3.0 وYOLOv10، وهما نموذجان يقدمان مزايا مختلفة لعمليات النشر الصناعية والطرفية.

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. فهو يضم وحدة Bi-directional Concatenation (BiC) في بنية العنق لتعزيز دمج السمات متعددة المقاييس. كما تستفيد الشبكة من استراتيجية Anchor-Aided Training (AAT)، التي تمزج بذكاء بين استقرار كواشف الأجسام القائمة على نقاط الارتكاز أثناء التدريب وسرعة الاستدلال التي يوفرها النهج الخالي من نقاط الارتكاز.

يعتمد هذا النموذج على عمود فقري EfficientRep، ويتألق في مهام أتمتة التصنيع الشاقة التي تكون فيها المعالجة الدفعية على أجهزة NVIDIA القوية (مثل وحدات GPU من طراز T4 أو A100) هي المعتادة. وعلى الرغم من أدائه الممتاز في مجموعات الخوادم، فإن اعتماده على تحسينات مخصصة لأجهزة بعينها قد يقلل كفاءته على وحدات CPU الطرفية منخفضة الطاقة.

تعرّف على المزيد حول YOLOv6

التعمق في YOLOv10: الرائد في الاستغناء عن NMS#

بعد أكثر من عام، غيّر YOLOv10 النهج المتبع من خلال معالجة أحد أكثر الاختناقات استمرارًا في مسارات الكشف التقليدية: المعالجة اللاحقة بكبح الحد الأقصى (NMS).

أبرز السمات المعمارية#

تتمثل إسهام YOLOv10 الأبرز في هذا المجال في تصميمه الشامل الخالي من NMS. ومن خلال استخدام تعيينات مزدوجة متسقة أثناء التدريب، تُجبر الشبكة على إخراج مربع إحاطة واحد عالي الجودة بالضبط لكل كائن، ما يلغي الحاجة إلى عمليات NMS القائمة على قواعد استدلالية أثناء الاستدلال. ويقلل هذا الابتكار بدرجة كبيرة زمن الاستدلال من البداية إلى النهاية، كما يبسّط كثيرًا منطق النشر على الأجهزة الطرفية مثل وحدات المعالجة العصبية (NPUs).

علاوة على ذلك، يتميز النموذج بتصميم شامل يوازن بين الكفاءة والدقة. ومن خلال التحسين الشامل لطبقات مختلفة، يقلل YOLOv10 بدرجة كبيرة التكرار الحسابي. وهذا يجعله مناسبًا للغاية للبيئات محدودة الموارد، بما فيها المركبات ذاتية القيادة والروبوتات الطرفية.

تعرّف على المزيد حول YOLOv10

مقارنة مفصلة للأداء#

عند إجراء قياس معياري لهذه النماذج، يُقاس الأداء عادةً وفق الدقة والسرعة وكفاءة المعلمات. ويوضح الجدول أدناه أداء البنى بمقاييسها المختلفة.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

التحليل#

يحقق YOLOv10 باستمرار متوسط الدقة المتوسط (mAP) أعلى ضمن فئات الأحجام المتكافئة مقارنةً بـ YOLOv6-3.0. فعلى سبيل المثال، يحقق YOLOv10n قيمة mAP تبلغ 38.5% باستخدام 2.3 مليون معلمة فقط، بينما يسجل YOLOv6-3.0n نسبة 37.5% مع أكثر من ضعف عدد المعلمات. ومع ذلك، يحقق YOLOv6-3.0n زمن استدلال أسرع باستخدام TensorRT فقط على وحدة GPU من طراز T4 (1.17ms)، ما يبرز تحسينه العميق لأجهزة المعالجة المتوازية.

اعتبارات النشر

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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics: لماذا يُعد YOLO26 الخيار الأفضل#

على الرغم من أن YOLOv6-3.0 وYOLOv10 يقدمان بنيتين أساسيتين متينتين، فإن بيئات الإنتاج الحديثة تتطلب نماذج تجمع بين أعلى مستويات الدقة وسهولة الاستخدام الكبيرة. وهنا يتفوق إطار عمل نموذج Ultralytics YOLO26 جوهريًا على الإصدارات الأكاديمية المستقلة.

أُطلق YOLO26 في يناير 2026، ويضم أفضل الابتكارات من السنوات السابقة ضمن منظومة تحظى بصيانة دقيقة.

أبرز ابتكارات YOLO26#

  • تصميم شامل خالٍ من NMS: استنادًا إلى المفهوم الذي ريّده YOLOv10، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) المعالجة اللاحقة باستخدام NMS، ما يؤدي إلى أزمنة استدلال أكثر سلاسة وقابلية للتنبؤ، ويسهّل كثيرًا نشره في بيئة الإنتاج.
  • محسِّن MuSGD: مستوحى من تحسينات نماذج اللغة الكبيرة، مثل Kimi K2 من Moonshot AI، يضمن هذا المزيج من SGD وMuon تدريبًا مستقرًا للغاية وتقاربًا أسرع بكثير.
  • استدلال أسرع على CPU بنسبة تصل إلى 43%: يشتمل YOLO26 على تبسيطات معمارية محددة للأجهزة الطرفية، ما يجعله أفضل بكثير للنشر على رقائق إنترنت الأشياء ووحدات CPU المخصصة للمستهلكين.
  • إزالة DFL: يؤدي حذف Distribution Focal Loss إلى تبسيط تصدير الرأس، ما يحسّن التوافق بدرجة كبيرة مع محركات النشر منخفضة الطاقة مثل OpenVINO أو NCNN.
  • ProgLoss + STAL: تعزز صيغ الخسارة المتقدمة دقة التعرف على الأجسام الصغيرة بوضوح، وهو أمر بالغ الأهمية لعمليات الطائرات المسيّرة غير المأهولة وتتبع الأجسام البعيدة.

علاوة على ذلك، وعلى خلاف مستودعات المهام الأحادية، تتعامل منظومة Ultralytics مباشرةً مع مجموعة ضخمة من مهام الرؤية، بما فيها اكتشاف مربعات الإحاطة وتقسيم الكائنات وتصنيف الصور وتقدير الوضعية.

كفاءة التدريب وتحسين الذاكرة#

من المزايا الأساسية لنماذج Ultralytics YOLO مقارنةً بـالبنى القائمة على Transformer مثل RT-DETR استهلاكها المنخفض للغاية لذاكرة CUDA أثناء التدريب. ويمكن للمطور ضبط YOLO26 بسهولة على وحدة GPU مخصصة للمستهلكين أو عبر موارد سحابية مجانية، ما يوسع إتاحة تطوير الذكاء الاصطناعي بدرجة كبيرة.

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 المتطور⁩
model = YOLO("yolo26n.pt")

# ⁨درّب النموذج بسهولة 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 خيارًا عمليًا للأنظمة الخلفية للخوادم المزودة بكثافة بوحدات GPU، والتي تركز على معالجة الفيديو الدفعية بمعدل إنتاجية مرتفع. أما YOLOv10 فيقدم بنية أكثر ذكاءً وخالية من NMS، وتناسب بصورة أفضل تحقيق توازن الدقة والتكامل الطرفي المعقد.

لكن بالنسبة إلى المطورين الذين يبحثون عن أداء بلا تنازلات، تدعمه وثائق شاملة وتسجيل سحابي عبر منصة Ultralytics وتعدد المهام، فإن YOLO26 هو التوصية الحاسمة.

ولمتطلبات البنية التحتية القديمة، يمكن للفرق أيضًا دراسة الجيل السابق Ultralytics YOLO11، أو استكشاف YOLO-World للاستفادة من قدرات فريدة لاكتشاف المفردات المفتوحة.

المساهمون
GLglenn-jocher20PDpderrenger1

التعليقات