ابدأ

YOLOv6-3.0 مقابل YOLOv5

شهد تطور اكتشاف الأجسام في الوقت الفعلي ظهور بنى متعددة محسّنة لسيناريوهات نشر مختلفة. تتناول هذه المقارنة نموذجين بارزين: YOLOv6-3.0 الموجه للصناعة وUltralytics YOLOv5 التأسيسي شديد المرونة. ويساعد فهم الخيارات المعمارية ومقاييس الأداء ودعم المنظومة لكل منهما على اختيار إطار عمل الرؤية الحاسوبية الأمثل لتطبيقاتك الواقعية.

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 لتعزيز السرعة. يستخدم النموذج عمودًا فقريًا EfficientRep صُمم خصيصًا لملاءمة العتاد أثناء استدلال GPU. وهذا يجعل البنية مناسبة تمامًا لمهام المعالجة الدفعية غير المتصلة بالإنترنت.

أثناء التدريب، يدمج النموذج استراتيجية التدريب المدعوم بالمراسي (AAT). تجمع هذه الطريقة بين استقرار التدريب المعتمد على المراسي وسرعة الاستدلال الخالي من المراسي. بالإضافة إلى ذلك، تستخدم بنية العنق وحدة الدمج ثنائي الاتجاه (BiC) لتحسين دمج الميزات عبر المقاييس المختلفة. وعلى الرغم من تحسينه بدرجة كبيرة لوحدات GPU المتطورة في الخوادم باستخدام TensorRT، قد تؤدي هذه الخصوصية أحيانًا إلى زيادة زمن الاستجابة على الأجهزة التي تعتمد على CPU فقط أو الأجهزة الطرفية منخفضة الطاقة.

تعرّف على المزيد حول YOLOv6

Ultralytics YOLOv5: رائد إتاحة الذكاء الاصطناعي البصري للجميع#

أصدرت Ultralytics نموذج YOLOv5 في عام 2020، وسرعان ما شاع استخدامه لسهولة استعماله وكفاءة تدريبه وخيارات نشره. وقد أتاح اكتشاف الأجسام عالي الأداء عبر تكامله الوثيق مع مسارات عمل التعلم العميق الحديثة.

المنظومة وتعدد الاستخدامات#

السمة المميزة لـ YOLOv5 هي سهولة الاستخدام. وبُني النموذج على إطار عمل PyTorch مباشرةً، ويوفر المستودع واجهة Python API موحدة تبسّط دورة حياة التعلم الآلي. ومن إعداد مجموعة البيانات إلى النشر النهائي، تضمن المنظومة المتكاملة أن يقضي المطورون وقتًا أقل في تصحيح أخطاء البيئات ووقتًا أكثر في بناء التطبيقات.

لا يقتصر YOLOv5 على اكتشاف الأجسام، بل يوفر تعدد الاستخدامات ويدعم بطبيعته تجزئة الكائنات وتصنيف الصور، إلى جانب كفاءة تدريب عالية بفضل التخزين المؤقت الذكي ومحمّلات البيانات الآلية والدعم المدمج للتدريب الموزع باستخدام وحدات GPU متعددة.

كفاءة الذاكرة في نماذج Ultralytics

عند مقارنة بنيات النماذج، يُعد استهلاك الذاكرة عاملًا حاسمًا. تتطلب نماذج Ultralytics YOLO ذاكرة VRAM أقل أثناء التدريب والاستدلال على حد سواء مقارنةً بـنماذج المحوّلات الثقيلة، مما يجعلها في متناول المطورين الذين يستخدمون أجهزة من الفئة الاستهلاكية أو دفاتر ملاحظات 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.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
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
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

التحليل#

يحقق YOLOv6-3.0 قيمة mAP أعلى عند أحجام مماثلة، وهو محسّن بدرجة كبيرة لمسارات TensorRT على وحدات GPU من طراز T4. لكن YOLOv5 يوفر منظومة جيدة الصيانة تدعم التصدير المباشر إلى تنسيقات متعددة، منها ONNX وCoreML وLiteRT. ويتيح هذا التوازن في الأداء تشغيل YOLOv5 بموثوقية ليس على الخوادم المخصصة فحسب، بل أيضًا على الأجهزة المحمولة وبيئات الحوسبة الطرفية مثل Raspberry Pi.

مثال على الشيفرة: التدريب باستخدام Ultralytics#

من المزايا الأساسية لمنظومة Ultralytics سهولة تجربة الاستخدام. إذ لا 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 يُنشر YOLOv5: خيار قوي للنمذجة الأولية السريعة والنشر متعدد المنصات والفرق التي تبحث عن مسار عمل موحد. وتجعل إمكانات التصدير المتنوعة منه خيارًا مناسبًا لتحليلات البيع بالتجزئة على الأجهزة الطرفية ومراقبة الطائرات المسيّرة الزراعية.

مستقبل كشف الأجسام: ظهور YOLO26#

على الرغم من أن YOLOv5 وYOLOv6 يمثلان محطتين مهمتين، يتطور مجال الرؤية الحاسوبية بسرعة. للمطورين الذين يبدأون مشاريع جديدة أو يبحثون عن أداء متطور، توصي Ultralytics بالترقية إلى Ultralytics YOLO26 (الصادر في يناير 2026).

صُمم YOLO26 لذكاء اصطناعي للرؤية يضع الأجهزة الطرفية في المقام الأول، ويقدم تصميمًا شاملًا خاليًا من NMS اختياريًا. عند اختيار رأسه الخالي من NMS باستخدام nms=False، يتخطى المعالجة اللاحقة بكبت الصناديق المتداخلة، ما يبسّط منطق النشر ويقلل تفاوت زمن الاستجابة.

تشمل الابتكارات الرئيسية في YOLO26 ما يلي:

  • مُحسِّن MuSGD: مزيج من SGD وMuon، ينقل استقرار تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية لتحقيق تقارب أسرع وأكثر موثوقية.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n، ما يفيد البيئات التي لا تتوفر فيها مسرّعات مخصصة.
  • إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية التصدير وتعزيز التوافق مع الأجهزة الطرفية منخفضة الطاقة.
  • ProgLoss + STAL: تعمل الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة على تحسين التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية ومستشعرات إنترنت الأشياء في المدن الذكية.

للمهام العامة، يظل YOLO11 خيارًا مدعومًا بالكامل ضمن عائلة Ultralytics.

الخلاصة#

أدى كل من YOLOv6-3.0 وYOLOv5 دورًا مهمًا في تطوير الاكتشاف في الوقت الفعلي. يقدم YOLOv6-3.0 بنية متخصصة للغاية لزيادة معدل النقل المسرّع بوحدات GPU، بينما يوفر YOLOv5 تجربة قوية للمطورين بفضل وثائقه الشاملة وسهولة استخدامه وإمكاناته متعددة المهام.

توفر منظومة Ultralytics المتكاملة مسار عمل يخضع للصيانة النشطة للتطبيقات الحديثة. ومن خلال اعتماد أحدث البنى مثل YOLO26، تستفيد مسارات النشر لديك من التحسينات الأخيرة في السرعة والدقة والبساطة.

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.