YOLOv6-3.0 مقابل YOLOv5#
شهد تطور كشف الأجسام الآني ظهور بنى متعددة محسّنة لسيناريوهات نشر مختلفة. نتعمق هنا في مقارنة نموذجين بارزين: YOLOv6-3.0 الموجه للصناعة وUltralytics YOLOv5 التأسيسي واسع الاستخدامات. وسيساعدك فهم الخيارات المعمارية ومقاييس الأداء ودعم المنظومة لكل منهما على اختيار إطار عمل الرؤية الحاسوبية الأمثل لتطبيقاتك في العالم الحقيقي.
YOLOv6-3.0: إنتاجية صناعية وتحسين للأجهزة#
طوّر قسم الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0 ليلائم البيئات الصناعية عالية الإنتاجية. ويركز على تعظيم معدلات الإطارات باستخدام مسرّعات الأجهزة مثل وحدات معالجة الرسوميات NVIDIA المخصصة.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
- الجهة: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
- الوثائق: وثائق YOLOv6
نقاط القوة المعمارية#
يقدم YOLOv6-3.0 عدة تحسينات بنيوية مصممة لتحقيق السرعة. ويستخدم النموذج بنية أساسية EfficientRep مصممة خصيصًا لتكون ملائمة للأجهزة أثناء استدلال GPU. وهذا يجعل البنية فعالة على نحو خاص في مهام المعالجة الدفعية غير الآنية.
أثناء مرحلة التدريب، يدمج النموذج استراتيجية التدريب بمساعدة المراسي (AAT). ويحاول هذا النهج الجمع بين استقرار التدريب القائم على المراسي وسرعة الاستدلال الخالي منها. بالإضافة إلى ذلك، تستخدم بنية طبقة العنق وحدة Bi-directional Concatenation (BiC) لتحسين دمج السمات عبر المقاييس المختلفة. ورغم تحسين هذا التخصص بدرجة كبيرة لوحدات معالجة الرسوميات المتطورة في الخوادم باستخدام TensorRT، فقد يؤدي أحيانًا إلى زيادة زمن الاستجابة على الأجهزة الطرفية التي تعتمد على CPU فقط أو منخفضة الطاقة.
Ultralytics YOLOv5: رائد إتاحة الذكاء الاصطناعي البصري للجميع#
أطلقته Ultralytics، وأرسى YOLOv5 معيارًا جديدًا لسهولة الاستخدام وكفاءة التدريب والنشر الموثوق. وجعل كشف الأجسام عالي الأداء متاحًا للجميع من خلال تكامله العميق مع مسارات عمل التعلم العميق الحديثة.
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: ultralytics/yolov5
- المنصة: منصة Ultralytics
المنظومة وتعدد الاستخدامات#
السمة المميزة لـYOLOv5 هي سهولة الاستخدام. فالمستودع المبني أصلًا على إطار عمل PyTorch يوفر واجهة Python موحدة تبسط بدرجة كبيرة دورة حياة التعلم الآلي. ومن إعداد مجموعة البيانات إلى النشر النهائي، تضمن المنظومة المتكاملة أن يقضي المطورون وقتًا أقل في تصحيح أخطاء البيئات ووقتًا أطول في بناء التطبيقات.
لا يقتصر YOLOv5 على كشف الأجسام فحسب، بل يتمتع أيضًا بتعدد استخدامات استثنائي، إذ يدعم بطبيعته تصنيف الصور وتقسيم الكائنات. فضلًا عن ذلك، يقدم كفاءة تدريب لا تضاهى بفضل التخزين المؤقت الذكي ومحملات البيانات الآلية والدعم المدمج للتدريب الموزع باستخدام وحدات GPU متعددة.
عند مقارنة بنى النماذج، يعد استهلاك الذاكرة عاملًا بالغ الأهمية. وتتطلب نماذج Ultralytics YOLO قدرًا أقل بكثير من ذاكرة VRAM أثناء التدريب والاستدلال مقارنةً بـنماذج Transformer الكبيرة، ما يجعلها في متناول المطورين الذين يستخدمون أجهزة مخصصة للمستهلكين أو دفاتر سحابية مثل Google Colab.
مقارنة الأداء والبنية#
يوضح الجدول أدناه مقاييس أداء البنيتين عند تقييمهما على مجموعة بيانات COCO القياسية. لاحظ كيف تحقق النماذج توازنًا بين المفاضلة بين متوسط الدقة وسرعة الاستدلال عبر البيئات المختلفة.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
التحليل#
يحقق YOLOv6-3.0 درجات mAP مبهرة، وهو محسّن بدرجة كبيرة لمسارات TensorRT على وحدات GPU من طراز T4. لكن YOLOv5 يتميز في المقابل بمنظومة تحظى بصيانة جيدة تتيح التصدير الفوري إلى تنسيقات متعددة، تشمل ONNX وCoreML وLiteRT. ويضمن توازن الأداء هذا أن يعمل YOLOv5 بموثوقية لا على الخوادم المخصصة فحسب، بل أيضًا على الأجهزة المحمولة وبيئات الحوسبة الطرفية مثل Raspberry Pi.
مثال برمجي: تدريب سلس باستخدام Ultralytics#
تُعد تجربة المستخدم المبسطة إحدى أكبر مزايا منظومة Ultralytics. فلا يتطلب تدريب النموذج وتقييمه وتصديره سوى بضعة أسطر من Python.
from ultralytics import YOLO
# حمّل نموذج YOLOv5 صغيرًا مدربًا مسبقًا
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تدريب النموذج على مجموعة بيانات COCO8
# تتولى API تنزيل مجموعات البيانات وضبط المعلمات الفائقة تلقائيًا
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# تشغيل الاستدلال على صورة
predictions = model("https://ultralytics.com/images/bus.jpg")
# صدّر النموذج إلى تنسيق ONNX للنشر المرن
model.export(format="onnx")حالات الاستخدام المثالية وسيناريوهات النشر#
غالبًا ما يعتمد الاختيار بين هاتين البنيتين على قيود بنيتك التحتية المحددة:
- متى تنشر YOLOv6-3.0: مثالي لخطوط التصنيع المؤتمتة وتحليلات الخوادم عالية الإنتاجية، حيث تتوفر وحدات معالجة رسومية NVIDIA مخصصة ويلزم تقليل زمن الاستجابة إلى أدنى حد. وتزدهر بنيته في البيئات التي يمكن فيها الاستفادة الكاملة من تحسينات TensorRT.
- متى تنشر YOLOv5: الخيار الأمثل للنمذجة الأولية السريعة والنشر عبر المنصات والفرق التي تبحث عن مسار عمل موحد. وتجعل إمكانات التصدير المتنوعة منه خيارًا مثاليًا لتحليلات البيع بالتجزئة على الأجهزة الطرفية ومراقبة الطائرات المسيّرة الزراعية.
مستقبل كشف الأجسام: ظهور YOLO26#
مع أن YOLOv5 وYOLOv6 يمثلان محطتين مهمتين، فإن مجال الرؤية الحاسوبية يتقدم بسرعة. ونوصي بشدة المطورين الذين يبدؤون مشاريع جديدة أو يسعون إلى أحدث ما توصل إليه المجال بالترقية إلى Ultralytics YOLO26 (الذي أُطلق في يناير 2026).
يعيد YOLO26 تعريف الذكاء الاصطناعي البصري المتمحور حول الأجهزة الطرفية من خلال تقديم تصميم شامل خالٍ من NMS رائد. وعند اختيار الرأس الخالي من NMS باستخدام nms=False، يلغي النموذج المعالجة اللاحقة لكبح القيم غير العظمى، ما يبسط منطق النشر ويقلل تفاوت زمن الاستجابة بدرجة كبيرة.
تشمل الابتكارات الرئيسية في YOLO26 ما يلي:
- محسّن MuSGD: مزيج هجين من SGD وMuon، ينقل استقرار تدريب نماذج اللغة الكبيرة المتقدم إلى الرؤية الحاسوبية لتحقيق تقارب أسرع وأكثر موثوقية.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: مُحسّن بدرجة كبيرة للبيئات التي لا تتوفر فيها مسرّعات مخصّصة.
- إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية التصدير وتعزيز التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- ProgLoss + STAL: دوال خسارة متقدمة تعزز بدرجة كبيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية ومستشعرات إنترنت الأشياء في المدن الذكية.
للمهام العامة، يظل YOLO11 أيضًا خيارًا ممتازًا ومدعومًا بالكامل ضمن عائلة Ultralytics.
الخلاصة#
أدى كل من YOLOv6-3.0 وYOLOv5 دورًا محوريًا في تطوير الكشف الآني. يوفّر YOLOv6-3.0 بنية متخصصة للغاية لزيادة الإنتاجية باستخدام GPU، بينما يقدم YOLOv5 تجربة تطوير لا تُضاهى بفضل وثائقه الشاملة وسهولة استخدامه وقدراته متعددة المهام.
للتطبيقات الحديثة، يضمن الاستفادة من منظومة Ultralytics المتكاملة سير عمل يواكب المستقبل. باعتماد أحدث البنى مثل YOLO26، تضمن استفادة مسارات النشر لديك من أحدث التطورات في السرعة والدقة والبساطة الخوارزمية.