Link to this sectionمقارنة بين YOLOv6-3.0 و YOLOv7#

اتسم تطور الرؤية الحاسوبية في الوقت الفعلي بتقدم سريع في كفاءة البنية ومنهجيات التدريب. هناك نموذجان بارزان أثرا بشكل كبير على هذا المشهد وهما YOLOv6-3.0 و YOLOv7. وقد أدخل كلا الإطارين تقنيات جديدة لموازنة سرعة الاستدلال مع دقة الكشف، مستهدفين عمليات النشر التي تتراوح من وحدات معالجة الرسومات (GPU) المتطورة في الخوادم إلى الأجهزة الطرفية.

تستكشف هذه المقارنة التقنية الشاملة بنياتهما ومقاييس الأداء وحالات الاستخدام المثالية، مع تسليط الضوء أيضاً على كيفية بناء Ultralytics Platform الحديثة ونموذج YOLO26 الأخير على هذه المفاهيم الأساسية لتقديم تجارب لا مثيل لها للمطورين.

Link to this sectionYOLOv6-3.0: تحسين الإنتاجية الصناعية#

تم تطوير YOLOv6-3.0 بواسطة قسم رؤية الذكاء الاصطناعي في شركة Meituan، وقد تم تصميمه خصيصاً للتطبيقات الصناعية ذات الإنتاجية العالية. ويركز بشكل كبير على زيادة الأداء إلى أقصى حد على مسرعات الأجهزة، مما يجعله مرشحاً قوياً للبيئات التي يكون فيها المعالجة بالدفعات (batch processing) على وحدات GPU مخصصة أمراً مجدياً.

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

Link to this sectionالابتكارات المعمارية#

يعتمد YOLOv6-3.0 على عمود فقري من نوع EfficientRep، وهي بنية صديقة للأجهزة مصممة لتحسين تكاليف الوصول إلى الذاكرة على وحدات GPU. ولتعزيز دمج الميزات عبر المقاييس المختلفة، يقدم النموذج وحدة Bi-directional Concatenation (BiC) في عنقه. وهذا يسمح للشبكة بالتقاط التسلسلات الهرمية المكانية المعقدة بشكل أكثر فعالية من الإصدارات السابقة.

علاوة على ذلك، يطبق YOLOv6-3.0 استراتيجية Anchor-Aided Training (AAT). يجمع هذا النهج بين إشارات التدرج الغنية للتدريب القائم على المراسيات (anchor-based) وفوائد النشر المبسطة للاستدلال الخالي من المراسيات (anchor-free)، مما يساعد النموذج على التقارب بشكل أكثر استقراراً دون التضحية بسرعة المعالجة اللاحقة.

اعرف المزيد حول YOLOv6

Link to this sectionYOLOv7: الرائد في مفهوم حقيبة الهدايا#

تم إطلاق YOLOv7 من قبل باحثين في Academia Sinica، واتخذ نهجاً مختلفاً من خلال التركيز بشكل كبير على تحليل مسار التدرج وتحسينات وقت التدريب التي لا تزيد من تكلفة الاستدلال - وهو مفهوم يشير إليه المؤلفون بـ "حقيبة مجانية قابلة للتدريب".

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، Academia Sinica، تايوان
• التاريخ: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7

Link to this sectionالابتكارات المعمارية#

جوهر YOLOv7 هو Extended Efficient Layer Aggregation Network (E-ELAN). يعمل E-ELAN على تحسين مسار التدرج من خلال السماح للطبقات المختلفة بتعلم ميزات أكثر تنوعاً دون تعطيل طوبولوجيا الشبكة الأصلية. وينتج عن ذلك نموذج شديد التعبير قادر على تحقيق أفضل متوسط دقة (mAP).

يستخدم YOLOv7 أيضاً بشكل مكثف إعادة معلمات النموذج، حيث يدمج الطبقات التلافيفية مع تسوية الدفعات (batch normalization) أثناء الاستدلال. وهذا يقلل من عدد المعلمات ويسرع تمرير البيانات للأمام عند النشر باستخدام أطر عمل مثل NVIDIA TensorRT أو ONNX.

اعرف المزيد عن YOLOv7

Link to this sectionمقارنة الأداء#

عند تقييم هذه النماذج على مجموعة بيانات MS COCO، نلاحظ مقايضة واضحة بين المتغيرات خفيفة الوزن للغاية في YOLOv6 وبين بنيات YOLOv7 الغنية بالمعلمات والتي تركز على الدقة.

تكشف البيانات أن YOLOv6-3.0n يوفر سرعة استدلال استثنائية، مما يجعله مناسباً لتحليلات الفيديو عالية التردد. في المقابل، يحقق YOLOv7x أعلى mAP، ويهيمن في المهام التي تكون فيها دقة الكشف أهم من معدلات الإطارات الخام.

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv6 و YOLOv7 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى 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 نظام Meituan البيئي: الفرق التي تعمل بالفعل ضمن مكدس التكنولوجيا والبنية التحتية للنشر الخاصة بـ Meituan.

Link to this sectionمتى تختار YOLOv7#

يُنصح بـ YOLOv7 في الحالات التالية:

• قياس الأداء الأكاديمي: إعادة إنتاج نتائج متطورة من حقبة 2022 أو دراسة تأثيرات تقنيات E-ELAN و"حقيبة الأدوات المجانية" القابلة للتدريب.
• أبحاث إعادة التقييم (Reparameterization): دراسة الالتفافات المعاد تقييمها المخطط لها واستراتيجيات قياس النموذج المركب.
• خطوط الأنابيب المخصصة الحالية: المشاريع ذات خطوط الأنابيب المخصصة للغاية المبنية حول معمارية YOLOv7 المحددة التي لا يمكن إعادة تصميمها بسهولة.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• 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.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionميزة Ultralytics: خطوة نحو المستقبل#

على الرغم من أن YOLOv6-3.0 و YOLOv7 يمثلان معالم بارزة، إلا أن دمج المستودعات المتباينة في خطوط أنابيب الإنتاج غالباً ما يمثل تحديات في نشر النموذج وضبط المعلمات الفائقة. يحل نظام Ultralytics البيئي هذه المشكلات من خلال تقديم واجهة مبسطة وموحدة.

Link to this sectionلماذا تختار Ultralytics؟#

• سهولة الاستخدام: تسمح واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics للمطورين بتحميل النماذج وتدريبها وتصديرها ببضعة أسطر فقط من الكود. يتطلب التبديل من نموذج قديم إلى أحدث بنية تغيير سلسلة نصية واحدة فقط.
• نظام بيئي مُصان جيداً: توفر Ultralytics تحديثات متكررة ودعماً نشطاً من المجتمع ووثائق قوية.
• تعدد الاستخدامات: على عكس النماذج السابقة التي ركزت بشكل أساسي على مربعات الإحاطة، تدعم نماذج Ultralytics أصلاً التعلم متعدد المهام، بما في ذلك تجزئة المثيلات، وتقدير الوضعية، ومربعات الإحاطة الموجهة (OBB).
• متطلبات الذاكرة: تحافظ نماذج YOLO من Ultralytics على استخدام أقل للذاكرة أثناء التدريب مقارنة بالبنيات القائمة على المحولات مثل RT-DETR، مما يسمح للباحثين بالتدريب بفعالية على الأجهزة الاستهلاكية.

Link to this sectionالترقية إلى YOLO26#

بالنسبة للمطورين الذين يسعون للحصول على ذروة الأداء، يُعد YOLO26 (الذي تم إصداره في يناير 2026) تحولاً جذرياً في نموذج اكتشاف الكائنات. فهو يقدم تصميماً شاملاً خالياً من NMS (End-to-End NMS-Free Design)، مما يلغي منطق المعالجة اللاحقة المعقد ويقلل بشكل كبير من تباين زمن الانتقال على الأجهزة الطرفية.

تشمل الابتكارات الرئيسية في YOLO26 ما يلي:

• مُحسِّن MuSGD: مزيج متطور من SGD و Muon يضمن ديناميكيات تدريب مستقرة للغاية وتقارباً أسرع.
• إزالة DFL: من خلال إزالة Distribution Focal Loss، يبسط YOLO26 توافق التصدير ويعزز الأداء على الأجهزة منخفضة الطاقة.
• ProgLoss + STAL: وظائف فقدان متقدمة تحقق تحسينات ملحوظة في التعرف على الكائنات الصغيرة.
• سرعة لا تضاهى: تحقق سرعة استدلال على وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة، مما يجعله مثالياً للأنظمة المدمجة مثل Raspberry Pi أو عمليات نشر Apple CoreML.

تشمل النماذج الأخرى ذات القدرات العالية داخل النظام البيئي YOLO11 و YOLOv8، وكلاهما يوفر توازناً ممتازاً في الأداء لعمليات دمج الأجهزة القديمة.

Link to this sectionمثال برمجي: تدريب مبسط#

يوضح المقتطف التالي مدى سهولة تدريب نموذج YOLO26 متطور باستخدام واجهة برمجة تطبيقات Ultralytics. ينطبق سير العمل هذا تماماً على YOLO11 أو YOLOv8، مما يلغي كود الغلاية (boilerplate code) الذي تطلبه المستودعات القديمة عادةً.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model for rapid training
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The API handles dataset downloading, augmentation, and hyperparameter configuration
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cuda:0",  # Automatically utilizes PyTorch GPU acceleration
)

# Run an end-to-end, NMS-free inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX for cross-platform deployment
model.export(format="onnx")

Link to this sectionالخلاصة#

تناول كل من YOLOv6-3.0 و YOLOv7 جوانب مختلفة من تحدي الكشف في الوقت الفعلي بنجاح. يُعد YOLOv6-3.0 قوة محركة لبيئات GPU الصناعية المتخصصة، بينما يوفر YOLOv7 دقة عالية من خلال تحسين مسار التدرج الصارم.

ومع ذلك، بالنسبة للتطبيقات الحديثة التي تتطلب تنوعاً لا يضاهى، واحتكاكاً أقل في النشر، وأداءً متطوراً، يظل Ultralytics YOLO26 هو الخيار الأمثل. إن بنيته الخالية من NMS، ومُحسِّن MuSGD المتقدم، والتكامل العميق مع Ultralytics Platform يضمن أن المطورين يمكنهم نشر حلول رؤية ذكاء اصطناعي قوية وقابلة للتوسع أسرع من أي وقت مضى.