مقارنة YOLOv6-3.0 وYOLOv5#

شهد تطور اكتشاف الأجسام في الوقت الفعلي ظهور بنى متعددة محسّنة لسيناريوهات نشر مختلفة. في هذا التعمّق، نقارن بين نموذجين بارزين: YOLOv6-3.0 الموجّه للقطاع الصناعي وUltralytics YOLOv5 الأساسي ومتعدد الاستخدامات بدرجة عالية. سيساعدك فهم الخيارات المعمارية ومقاييس الأداء ودعم المنظومة البيئية لكل منهما على اختيار إطار الرؤية الحاسوبية الأمثل لتطبيقاتك الواقعية.

YOLOv6-3.0: إنتاجية صناعية وتحسينات للعتاد#

طوّر قسم الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0، وخصّصه بدرجة كبيرة للبيئات الصناعية ذات الإنتاجية العالية. ويركّز على تعظيم معدلات الإطارات على مسرّعات العتاد، مثل وحدات NVIDIA GPU المخصّصة.

• المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، Hongliang Jiang، Meng Cheng، Bo Zhang، Zaidan Ke، Xiaoming Xu، وXiangxiang Chu
• الجهة: Meituan
• التاريخ: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• المستندات: وثائق YOLOv6

نقاط القوة المعمارية#

يقدّم YOLOv6-3.0 عدداً من التحسينات البنيوية المصممة لتحقيق السرعة. يستخدم النموذج بنية EfficientRep الأساسية، المصممة خصيصاً لتكون ملائمة للعتاد أثناء الاستدلال على GPU. وهذا يجعل البنية قوية بصفة خاصة لمهام المعالجة الدفعية غير المتصلة.

خلال مرحلة التدريب، يدمج النموذج استراتيجية التدريب المعاون بالمراسي (AAT). ويحاول هذا النهج الجمع بين استقرار التدريب القائم على المراسي وسرعة الاستدلال الخالي من المراسي. بالإضافة إلى ذلك، تستخدم بنية العنق وحدة الربط ثنائي الاتجاه (BiC) لتحسين دمج السمات عبر المقاييس المختلفة. وعلى الرغم من تحسينه بدرجة كبيرة لوحدات GPU للخوادم عالية الأداء باستخدام TensorRT، فقد يؤدي هذا التخصص أحياناً إلى زيادة زمن الاستجابة على الأجهزة التي تعتمد على CPU فقط أو الأجهزة الطرفية منخفضة الطاقة.

تعرف على المزيد حول YOLOv6

Ultralytics YOLOv5: رائد الذكاء الاصطناعي المتاح للرؤية#

أطلقته Ultralytics، وقد وضع YOLOv5 معياراً جديداً لسهولة الاستخدام وكفاءة التدريب والنشر المتين. وقد أتاح اكتشاف الأجسام عالي الأداء للجميع من خلال تكامله العميق مع سير عمل التعلم العميق الحديث.

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

المنظومة البيئية وتعدد الاستخدامات#

تتمثل السمة المميزة لـ YOLOv5 في سهولة الاستخدام. وبُني المستودع أصلاً على إطار عمل PyTorch، ويوفّر واجهة Python موحّدة تبسّط دورة حياة التعلم الآلي بدرجة كبيرة. بدءاً من إعداد مجموعة البيانات ووصولاً إلى النشر النهائي، تضمن المنظومة المتكاملة أن يقضي المطورون وقتاً أقل في تصحيح أخطاء البيئات ووقتاً أكبر في بناء التطبيقات.

لا يقتصر YOLOv5 على اكتشاف الأجسام فحسب. فهو يتمتع بمرونة استثنائية، إذ يدعم أصلاً تصنيف الصور وتجزئة المثيلات. وعلاوة على ذلك، يوفّر كفاءة تدريب لا مثيل لها، بفضل التخزين المؤقت الذكي ومحمّلات البيانات الآلية والدعم المدمج لتدريب موزّع باستخدام وحدات GPU متعددة.

مقارنة الأداء والبنية المعمارية#

يوضّح الجدول أدناه مقاييس أداء البنيتين عند تقييمهما على مجموعة بيانات COCO القياسية. لاحظ كيف توازن النماذج بين المفاضلة بين متوسط الدقة المتوسطة وسرعة الاستدلال عبر البيئات المختلفة.

التحليل#

يحقق YOLOv6-3.0 درجات mAP مثيرة للإعجاب، وهو محسّن بدرجة كبيرة لخطوط معالجة TensorRT على وحدات T4 GPU. إلا أن YOLOv5 يواجه ذلك بـ منظومة بيئية جيدة الصيانة تدعم التصدير الفوري إلى تنسيقات متعددة، بما في ذلك ONNX وCoreML وTFLite. ويضمن هذا التوازن في الأداء أداء YOLOv5 بشكل موثوق ليس على الخوادم المخصصة فحسب، بل أيضاً على الأجهزة المحمولة وبيئات الحوسبة الطرفية مثل Raspberry Pi.

مثال على الشيفرة: تدريب سلس باستخدام Ultralytics#

تُعد تجربة المستخدم المبسّطة إحدى أكبر مزايا منظومة Ultralytics. فلا يتطلب تدريب النموذج وتقييمه وتصديره سوى بضعة أسطر من 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 هاتين البنيتين غالباً على قيود البنية التحتية المحددة لديك:

• متى تنشر YOLOv6-3.0: يُعد مثالياً لخطوط التصنيع الآلية وتحليلات الخوادم ذات الإنتاجية العالية، حيث تتوفر وحدات NVIDIA GPU مخصصة ويجب تقليل زمن الاستجابة إلى الحد الأدنى. وتزدهر بنيته في البيئات التي يمكن فيها الاستفادة الكاملة من تحسينات TensorRT.
• متى تنشر YOLOv5: الخيار المثالي لإنشاء النماذج الأولية بسرعة والنشر عبر المنصات، وللفرق التي تبحث عن خط معالجة موحّد. وتجعل إمكانات التصدير المتنوعة منه خياراً مثالياً لتحليلات البيع بالتجزئة على الأجهزة الطرفية، ومراقبة الطائرات المسيّرة الزراعية، وتقدير الوضعية في تطبيقات اللياقة البدنية.

مستقبل اكتشاف الأجسام: ظهور YOLO26#

على الرغم من أن YOLOv5 وYOLOv6 يمثّلان محطات مهمة، فإن مجال الرؤية الحاسوبية يتقدم بسرعة. وللمطورين الذين يبدؤون مشاريع جديدة أو يسعون إلى أحدث ما توصل إليه المجال، نوصي بشدة بالترقية إلى Ultralytics YOLO26 (صدر في يناير 2026).

يعيد YOLO26 تعريف الذكاء الاصطناعي للرؤية الذي يضع الحافة أولاً، من خلال تقديم تصميم رائد من طرف إلى طرف خالٍ من NMS. ومن خلال إلغاء الحاجة إلى المعالجة اللاحقة لقمع القيم غير العظمى، فإنه يبسّط منطق النشر ويقلل تفاوت زمن الاستجابة بدرجة كبيرة.

تشمل الابتكارات الرئيسية في YOLO26 ما يلي:

• مُحسِّن MuSGD: مزيج من SGD وMuon، ينقل استقرار التدريب المتقدم لنماذج LLM إلى الرؤية الحاسوبية لتحقيق تقارب أسرع وأكثر موثوقية.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: محسّن بدرجة كبيرة للبيئات التي لا تحتوي على مسرّعات مخصصة.
• 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.

وللمهام العامة، يظل YOLO11 أيضاً خياراً ممتازاً ومدعوماً بالكامل ضمن عائلة Ultralytics.

الخلاصة#

أدى كل من YOLOv6-3.0 وYOLOv5 أدواراً محورية في تطوير الاكتشاف في الوقت الفعلي. يوفّر YOLOv6-3.0 بنية متخصصة للغاية لتحقيق إنتاجية مسرّعة بواسطة GPU، بينما يقدّم YOLOv5 تجربة مطورين لا مثيل لها من خلال وثائقه الشاملة وسهولة استخدامه وإمكاناته متعددة المهام.

بالنسبة إلى التطبيقات الحديثة، يضمن الاستفادة من منظومة Ultralytics المتكاملة سير عمل مواكباً للمستقبل. ومن خلال اعتماد أحدث البنى، مثل YOLO26، تضمن استفادة خطوط النشر لديك من أحدث الاختراقات في السرعة والدقة والبساطة الخوارزمية.