مقارنة بين YOLOv6-3.0 و YOLOv10#
لقد أصبح مشهد الرؤية الحاسوبية معقداً بشكل متزايد، مما يجعل اختيار النموذج الأمثل قراراً حاسماً للمطورين ومهندسي التعلم الآلي. عند تقييم تطور اكتشاف الكائنات ونماذج Ultralytics YOLO، من المهم فهم المفاضلات بين النهج المعمارية المختلفة. يوفر هذا الدليل مقارنة تقنية شاملة بين YOLOv6-3.0 وYOLOv10، وهما نموذجان يقدمان مزايا متميزة للتطبيقات الصناعية ونشر الحوسبة الطرفية.
استكشاف YOLOv6-3.0: صُمم للإنتاجية الصناعية#
تم تطوير YOLOv6-3.0 لزيادة الإنتاجية في التطبيقات الصناعية من جهة الخادم، وهو يعطي الأولوية للاستنتاج السريع على مسرعات الأجهزة، وخاصة وحدات معالجة الرسومات (GPUs). ومن خلال استخدام هيكل أساسي (backbone) محسّن، يهدف النموذج إلى تحقيق توازن بين معالجة الفيديو عالية السرعة والدقة التنافسية.
المؤلفون: تشوي لي، لولو لي، ييفاي جينغ، وآخرون.
المنظمة: Meituan
التاريخ: 2023-01-13
Arxiv: 2301.05586
GitHub: meituan/YOLOv6
أبرز ميزات البنية#
يكمن جوهر YOLOv6-3.0 في تصميمه المتوافق مع الأجهزة. فهو يشتمل على وحدة ربط ثنائي الاتجاه (BiC) داخل بنية شبكته الداخلية لتحسين دمج الميزات متعددة المقاييس. بالإضافة إلى ذلك، تستفيد الشبكة من استراتيجية التدريب المدعوم بالمراسي (AAT) التي تمزج بذكاء بين استقرار الماسحات الضوئية المستندة إلى المراسي أثناء التدريب وبين سرعة الاستدلال لنموذج خالٍ من المراسي.
مدعوماً بالهيكل الأساسي EfficientRep، يتألق هذا نموذج في مهام أتمتة التصنيع الثقيلة حيث تكون معالجة الدفعات على أجهزة NVIDIA القوية (مثل وحدات معالجة الرسوميات T4 أو A100) هي القاعدة. وفي حين أنه يؤدي بشكل ممتاز في مجموعات الخوادم، إلا أن اعتماده على تحسينات الأجهزة المحددة يمكن أن يجعله أقل كفاءة على وحدات المعالجة المركزية الطرفية منخفضة الطاقة.
استكشاف YOLOv10: الرائد الخالي من NMS#
تم تقديمه بعد أكثر من عام، وقد غيّر YOLOv10 النموذج السائد من خلال معالجة واحدة من أكثر الاختناقات استمراراً في خطوط أنابيب الاكتشاف التقليدية: معالجة ما بعد الكبت غير الأقصى (NMS).
المؤلفون: أو وانغ، هوي تشين، ليهاو ليو، وآخرون.
المنظمة: جامعة تسينغهوا
التاريخ: 2024-05-23
Arxiv: 2405.14458
GitHub: THU-MIG/yolov10
أبرز ميزات البنية#
تتمثل المساهمة الرئيسية لـ YOLOv10 في هذا المجال في تصميمه الخالي من NMS من البداية إلى النهاية. من خلال استخدام مهام مزدوجة متسقة أثناء التدريب، تُدفع الشبكة لإنتاج صندوق محيط عالي الجودة واحد بالضبط لكل كائن، مما يزيل الحاجة إلى عمليات NMS القائمة على الاستدلال التجريبي أثناء الاستدلال. تقلل هذه الابتكار بشكل كبير من وقت استجابة الاستدلال من البداية إلى النهاية وتبسط بشدة منطق النشر على الأجهزة الطرفية مثل وحدات المعالجة العصبية (NPUs).
علاوة على ذلك، يتميز النموذج بتصميم شامل مدفوع بالكفاءة والدقة. ومن خلال التحسين الشامل لمختلف الطبقات، يقلل YOLOv10 بشكل كبير من التكرار الحسابي. وهذا يجعله مناسباً للغاية للبيئات المقيدة بالموارد، بما في ذلك المركبات ذاتية القيادة والروبوتات الطرفية.
مقارنة مفصلة للأداء#
عند مقارنة هذه النماذج، يتم قياس الأداء عادةً عبر الدقة والسرعة وكفاءة المعلمات. يوضح الجدول أدناه كيفية أداء المقاييس المختلفة لهذه المعماريات.
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
تحليل#
يحقق YOLOv10 باستمرار دقة متوسطة متوسطة (mAP) فائقة عبر فئات الحجم المكافئة مقارنة بـ YOLOv6-3.0. على سبيل المثال، يصل YOLOv10n إلى 39.5% من mAP مع 2.3 مليون معامل فقط، بينما يسجل YOLOv6-3.0n 37.5% باستخدام أكثر من ضعف عدد المعاملات. ومع ذلك، يدير YOLOv6-3.0n وقت استجابة استدلال TensorRT نقي أسرع قليلاً على وحدة معالجة رسوميات T4 (1.17 مللي ثانية)، مما يدل على تحسينه العميق لأجهزة المعالجة المتوازية.
بينما قد تفضل مقاييس زمن الاستجابة الخام على GPU نموذج YOLOv6 في الاختبارات الدقيقة، فإن طبيعة YOLOv10 الخالية من NMS تؤدي غالباً إلى سرعات أسرع في خطوط الأنابيب الشاملة في العالم الحقيقي، خاصة على أجهزة الحافة حيث يمكن أن تشكل معالجة ما بعد الاستنتاج اختناقاً لوحدة المعالجة المركزية (CPU).
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv6 و YOLOv10 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 YOLOv10#
يوصى باستخدام YOLOv10 في الحالات التالية:
- الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
- الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
- تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.
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.
ميزة Ultralytics: لماذا يعتبر YOLO26 الخيار المتفوق#
في حين أن YOLOv6-3.0 وYOLOv10 يوفران بنيات أساسية صلبة، فإن بيئات الإنتاج الحديثة تتطلب نماذج تمزج بين ذروة الدقة وسهولة الاستخدام القصوى. وهنا حيث يتفوق إطار عمل Ultralytics YOLO26 أساساً على الإصدارات الأكاديمية المستقلة.
تم إطلاق YOLO26 في يناير 2026، وهو يدمج أفضل الابتكارات من السنوات السابقة ويغلفها في نظام بيئي يتم صيانته بدقة.
ابتكارات YOLO26 الرئيسية#
- تصميم خالي من NMS من البداية إلى النهاية: بناءً على المفاهيم الرائدة في YOLOv10، يلغي YOLO26 بشكل أصلي معالجة NMS اللاحقة، مما ينتج عنه أوقات استدلال أكثر سلاسة وقابلية للتنبؤ والتي تكون أسهل بكثير في الشحن للإنتاج.
- مُحسّن MuSGD: مستوحى من تحسينات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI، يضمن هذا الهجين من SGD و Muon تدريباً مستقراً بشكل لا يصدق وتقارباً أسرع بشكل كبير.
- استنتاج أسرع على وحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43%: بالنسبة لأجهزة الحافة، يتميز YOLO26 بتبسيط معماري محدد، مما يجعله متفوقاً بشكل كبير للنشر على شرائح إنترنت الأشياء (IoT) ووحدات المعالجة المركزية الاستهلاكية.
- إزالة DFL: تعمل إزالة خسارة بؤرة التوزيع على تبسيط تصدير الرأس، مما تحسن بشكل كبير التوافق مع محركات النشر منخفضة الطاقة مثل OpenVINO أو NCNN.
- ProgLoss + STAL: تعزز تركيبات الخسارة المتقدمة بشكل ملحوظ الدقة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ عمليات الطائرات بدون طيار UAV وتتبع الموضوعات البعيدة.
علاوة على ذلك، وعلى عكس مستودعات المهام الفردية، يتعامل نظام Ultralytics البيئي مع مجموعة هائلة من مهام الرؤية بشكل جاهز، بما في ذلك اكتشاف الصناديق المحيطة، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية.
كفاءة التدريب وتحسين الذاكرة#
تتمثل الميزة الحرجة لنماذج Ultralytics YOLO مقارنة بالبنيات المعقدة القائمة على المحولات مثل RT-DETR في استهلاكها المنخفض بشكل لا يصدق لذاكرة CUDA أثناء التدريب. يمكن للمطور ضبط YOLO26 براحة على وحدة معالجة رسوميات استهلاكية أو عبر موارد سحابية مجانية، مما يجعل تطوير الذكاء الاصطناعي متاحاً بشكل كبير.
مثال على الكود: البدء مع YOLO26#
تتيح لك سهولة الاستخدام التي توفرها واجهة برمجة تطبيقات Python من Ultralytics تحميل النماذج وتدريبها واختبارها في أسطر قليلة من الكود.
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Evaluate model performance on validation data
metrics = model.val()
# Run real-time NMS-free inference on a target image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")
# Export to ONNX format for cross-platform deployment
model.export(format="onnx")الخلاصة والخيارات البديلة#
عند الاختيار بين YOLOv6-3.0 و YOLOv10، يعتمد القرار على بيئة النشر. لا يزال YOLOv6-3.0 قابلاً للتطبيق لخلفيات الخوادم ذات الإنتاجية العالية والغنية بـ GPU والتي تركز على معالجة دفعات الفيديو. يوفر YOLOv10 معمارية أكثر ذكاءً وخالية من NMS ومناسبة بشكل أفضل للدقة المتوازنة وتكامل الحافة المعقد.
ومع ذلك، بالنسبة للمطورين الذين يسعون للحصول على أداء بلا تنازلات مدعوماً بتوثيق شامل، والتسجيل السحابي عبر منصة Ultralytics، وتعدد استخدامات المهام المتعددة، فإن YOLO26 هو التوصية القاطعة.
لمتطلبات البنية التحتية القديمة، قد تبحث الفرق أيضاً في الجيل السابق Ultralytics YOLO11، أو تستكشف YOLO-World بقدرات الكشف الفريدة ذات المفردات المفتوحة.