YOLOv6-3.0 مقابل YOLOv5#

شهد تطور اكتشاف الكائنات في الوقت الفعلي هياكل متعددة مُحسّنة لسيناريوهات نشر مختلفة. في هذا التحليل الشامل، نقارن بين نموذجين بارزين: YOLOv6-3.0 الموجه نحو الصناعة وUltralytics YOLOv5 الأساسي وعالي التعدد. سيساعدك فهم الخيارات الهيكلّية ومقاييس الأداء ودعم النظام البيئي لكل منهما في اختيار إطار عمل computer vision الأمثل لتطبيقاتك الواقعية.

YOLOv6-3.0: الإنتاجية الصناعية وتحسين العتاد#

تم تطوير YOLOv6-3.0 بواسطة قسم الذكاء الاصطناعي للرؤية في Meituan، وهو مصمم خصيصًا للبيئات الصناعية ذات الإنتاجية العالية. وهو يركز على زيادة معدلات الإطارات إلى أقصى حد على مسرعات الأجهزة مثل وحدات معالجة الرسومات NVIDIA المخصصة.

المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, و Xiangxiang Chu
المنظمة: Meituan
التاريخ: 2023-01-13
Arxiv: 2301.05586
GitHub: meituan/YOLOv6
Docs: YOLOv6 Documentation

نقاط القوة المعمارية#

يقدم YOLOv6-3.0 العديد من التحسينات الهيكلية المصممة للسرعة. يستخدم النموذج هيكل EfficientRep الأساسي، والذي تم تصميمه خصيصاً ليكون متوافقاً مع الأجهزة أثناء استنتاج GPU. وهذا يجعل البنية قوية بشكل خاص لمهام المعالجة المجمعة دون اتصال بالإنترنت.

خلال مرحلة التدريب، يدمج النموذج استراتيجية التدريب المدعوم بالمرساة (AAT). تحاول هذه الطريقة الجمع بين استقرار التدريب القائم على المرساة وسرعة الاستدلال الخالي من المرساة. بالإضافة إلى ذلك، تستخدم بنية العنق الخاصة بها وحدة الربط ثنائي الاتجاه (BiC) لتحسين دمج الميزات عبر مقاييس مختلفة. على الرغم من أنه مُحسّن للغاية لوحات تحكم الخوادم المتطورة باستخدام TensorRT، إلا أن هذا التخصص قد يؤدي أحيانًا إلى زيادة زمن الانتقال على الأجهزة التي تعتمد على وحدات المعالجة المركزية فقط أو أجهزة الحافة منخفضة الطاقة.

اعرف المزيد حول YOLOv6

Ultralytics YOLOv5: رائد الذكاء الاصطناعي البصري القابل للوصول#

أطلقته Ultralytics، ووضع YOLOv5 معياراً جديداً لسهولة الاستخدام وكفاءة التدريب والنشر القوي. لقد جعل اكتشاف الكائنات عالي الأداء متاحاً للجميع من خلال التكامل العميق مع سير عمل التعلم العميق الحديث.

المؤلفون: Glenn Jocher
المنظمة: Ultralytics
التاريخ: 2020-06-26
GitHub: ultralytics/yolov5
المنصة: Ultralytics Platform

النظام البيئي وتعدد الاستخدامات#

السمة المميزة لـ YOLOv5 هي سهولة الاستخدام. تم بناؤه بشكل أصلي على إطار عمل PyTorch، ويوفر المستودع واجهة برمجة تطبيقات Python موحدة تبسط بشكل كبير دورة حياة machine learning. من تكوين مجموعات البيانات إلى النشر النهائي، يضمن النظام البيئي المتكامل أن يقضي المطورون وقتًا أطول في بناء التطبيقات ووقتًا أقل في تصحيح أخطاء البيئات.

لا يقتصر YOLOv5 على object detection فقط. فهو يتميز بـ تعدد الاستخدامات الاستثنائي، حيث يدعم بشكل أصلي image classification وinstance segmentation. علاوة على ذلك، فهو يوفر كفاءة تدريب لا مثيل لها، ويضم التخزين المؤقت الذكي، ومحملات البيانات الآلية، والدعم المدمج للتدريب الموزع باستخدام وحدات معالجة رسومات متعددة.

كفاءة الذاكرة في نماذج Ultralytics

عند مقارنة هياكل النماذج، يُعد استهلاك الذاكرة عاملًا حاسمًا. تحافظ نماذج Ultralytics YOLO على متطلبات VRAM أقل بكثير أثناء التدريب والاستدلال مقارنة بـ transformer models الثقيلة، مما يجعلها في متناول المطورين الذين يستخدمون أجهزة استهلاكية أو دفاتر ملاحظات سحابية مثل Google Colab.

اعرف المزيد عن YOLOv5

مقارنة الأداء والبنية#

يُوضح الجدول أدناه مقاييس الأداء لكلا الهيكلين عند تقييمهما على COCO dataset القياسي. لاحظ كيف توازن النماذج بين المفاضلة بين متوسط دقة الدلالة وسرعة الاستدلال عبر بيئات مختلفة.

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

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

تحليل#

يحقق YOLOv6-3.0 درجات mAP مثيرة للإعجاب وهو مُحسّن بشكل كبير لخطوط أنابيب TensorRT على وحدات معالجة الرسومات T4. ومع ذلك، يعارض YOLOv5 ذلك بـ نظام بيئي مُصان جيدًا بشكل لا يصدق يدعم التصدير الفوري إلى تنسيقات متعددة، بما في ذلك ONNX وCoreML وTFLite. يضمن هذا توازن الأداء أن يعمل YOLOv5 بشكل موثوق ليس فقط على الخوادم المخصصة، ولكن أيضًا على الأجهزة المحمولة وبيئات الحوسبة المتطورة مثل Raspberry Pi.

مثال على الكود: تدريب سلس مع Ultralytics#

إحدى أكبر مزايا نظام Ultralytics البيئي هي تجربة المستخدم المبسطة. يتطلب تدريب النموذج وتقييمه وتصديره بضعة أسطر فقط من كود Python.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
# The API automatically handles dataset downloads and hyperparameter configuration
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format for flexible deployment
model.export(format="onnx")

حالات الاستخدام المثالية وسيناريوهات النشر#

يعتمد الاختيار بين هذه البنيات غالباً على قيود البنية التحتية المحددة لديك:

متى يتم نشر YOLOv6-3.0: مثالي لخطوط التصنيع المؤتمتة وتحليلات الخادم عالية الإنتاجية حيث تتوفر وحدات معالجة رسومات NVIDIA مخصصة ويجب أن يكون زمن الوصول في حده الأدنى. تزدهر بنيته في البيئات التي يمكن فيها الاستفادة الكاملة من تحسينات TensorRT.
متى تنشر YOLOv5: الخيار الأمثل للنشر السريع، والنشر عبر الأنظمة الأساسية، والفرق التي تبحث عن خط أنابيب موحد. تجعل قدرات التصدير المتنوعة منه مثاليًا لتحليلات التجزئة على أجهزة الحافة، ومراقبة الطائرات بدون طيار الزراعية، وpose estimation في تطبيقات اللياقة البدنية.

مستقبل اكتشاف الكائنات: دخول YOLO26#

في حين أن YOLOv5 وYOLOv6 يمثلان علامتين فارقتين هامتين، إلا أن مجال الرؤية الحاسوبية يتطور بسرعة. للمطورين الذين يبدأون مشاريع جديدة أو يسعون إلى أحدث التقنيات المتطورة، نوصي بشدة بالترقية إلى Ultralytics YOLO26 (الذي تم إصداره في يناير 2026).

يعيد YOLO26 تعريف الذكاء الاصطناعي البصري الموجه للحافة من خلال تقديم تصميم رائد من البداية إلى النهاية بدون NMS. ومن خلال القضاء على الحاجة إلى معالجة لاحقة لإخماد القيم غير القصوى (Non-Maximum Suppression)، فإنه يبسط منطق النشر ويقلل بشكل كبير من تباين زمن الوصول.

تشمل الابتكارات الرئيسية في YOLO26 ما يلي:

محسن MuSGD: مزيج من SGD وMuon، مما يوفر استقرار تدريب LLM المتقدم للرؤية الحاسوبية من أجل تقارب أسرع وأكثر موثوقية.
استنتاج أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): تم تحسينه بشدة للبيئات التي لا تحتوي على مسرعات مخصصة.
إزالة DFL: تعمل إزالة Distribution Focal Loss على تبسيط عملية التصدير وتعزيز التوافق مع أجهزة الحافة منخفضة الطاقة.
ProgLoss + STAL: وظائف خسارة متقدمة تعزز بشكل كبير التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية ومستشعرات إنترنت الأشياء في المدن الذكية.

بالنسبة للمهام ذات الغرض العام، يظل YOLO11 أيضًا خيارًا ممتازًا ومدعومًا بالكامل ضمن عائلة Ultralytics.

تعرف على المزيد حول YOLO26

الخلاصة#

لعب كل من YOLOv6-3.0 وYOLOv5 أدواراً محورية في دفع عجلة الاكتشاف في الوقت الفعلي. يوفر YOLOv6-3.0 بنية متخصصة للغاية للإنتاجية المسرعة بواسطة GPU، بينما يوفر YOLOv5 تجربة مطور لا مثيل لها من خلال وثائقه الشاملة وسهولة استخدامه وقدراته المتعددة المهام.

بالنسبة للتطبيقات الحديثة، يضمن الاستفادة من نظام Ultralytics البيئي المتكامل سير عمل جاهزاً للمستقبل. من خلال اعتماد أحدث البنيات مثل YOLO26، فإنك تضمن استفادة خطوط أنابيب النشر الخاصة بك من أحدث الاختراقات في السرعة والدقة والبساطة الخوارزمية.

المساهمون

GLglenn-jocher¹⁶ ONonuralpszr¹ PDpderrenger¹

تم الإنشاء 27 يناير 2025تم التحديث قبل أسبوعين