YOLOv6.0 مقابل YOLOv8: استكشاف تطور اكتشاف الكائنات في الوقت الفعلي

شهد مجال الرؤية الحاسوبية نمواً هائلاً، حيث تواصل النماذج تخطي حدود السرعة والدقة. عند اختيار بنية للنشر، غالباً ما يقارن المطورون النماذج الصناعية المتخصصة بأطر عمل متعددة المهام ومتعددة الاستخدامات. توفر هذه المقارنة التقنية تحليلاً متعمقاً لـ YOLOv6.YOLOv6 و YOLOv8، وتقييم هياكلها ومقاييس أدائها وبيئات النشر المثالية.

YOLOv6.0: الإنتاجية الصناعية وتحسين الأجهزة

تم تطوير YOLOv6. YOLOv6 بواسطة قسم Vision AI في Meituan، وهو مصمم خصيصًا ليكون كاشفًا للأجسام عالي الإنتاجية للاستخدامات الصناعية. وهو مُحسّن بشكل كبير لمسرعات الأجهزة المخصصة، مع التركيز على السرعة الخام في بيئات الخوادم.

المؤلفون: تشوي لي، لولو لي، ييفي جينغ، وآخرون.
المنظمة: ميتوان
التاريخ: 2023-01-13
أرخايف:2301.05586
GitHub:meituan/YOLOv6
الوثائق:وثائق Ultralytics YOLOv6

التركيز المعماري

يستفيد YOLOv6.YOLOv6 من هيكل EfficientRep، وهو بنية متوافقة مع الأجهزة مصممة لزيادة كفاءة المعالجة على NVIDIA الحديثة NVIDIA . يستخدم العنق وحدة تسلسل ثنائية الاتجاه (BiC) لتحسين دمج الميزات عبر مستويات مختلفة.

خلال مرحلة التدريب، YOLOv6 استراتيجية التدريب بمساعدة المرجع (AAT). يحاول هذا النهج الهجين الاستفادة من مزايا كل من النماذج القائمة على المرجع والنماذج الخالية من المرجع مع الحفاظ على مسار استدلال خالٍ من المرجع. على الرغم من فعاليته العالية في TensorRT ، إلا أن هذا التخصص قد يؤدي إلى زيادة زمن الاستجابة على الأجهزة الطرفية CPU.

تعرف على المزيد حول YOLOv6

Ultralytics YOLOv8: المعيار المتعدد المهام المتعدد الاستخدامات

أصدرت شركة Ultralytics YOLOv8 تحولًا جذريًا من أجهزة الكشف المتخصصة ذات الصناديق المحددة إلى إطار رؤية موحد ومتعدد الوسائط. ويوفر هذا البرنامج توازنًا استثنائيًا بين الدقة والسرعة وسهولة الاستخدام فور تشغيله.

المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
المؤسسة:Ultralytics
التاريخ: 2023-01-10
GitHub:ultralytics/ultralytics
المنصة:Ultralytics YOLOv8

أبرز الملامح المعمارية

يتميز YOLOv8 ببنية رأس منفصلة تفرّق بين مهام تحديد الكائنات والتصنيف والانحدار، YOLOv8 يحسّن سرعة التقارب بشكل كبير. ويقضي تصميمه الخالي من المراسي على الحاجة إلى تكوين مربعات المراسي يدويًا، مما يضمن تعميمًا قويًا عبر مجموعات بيانات الرؤية الحاسوبية المتنوعة للغاية.

يدمج النموذج وحدة C2f المتقدمة (عنق الزجاجة الجزئي عبر المراحل مع اثنين من التلافيف)، لتحل محل كتل C3 القديمة. وهذا يعزز تدفق التدرج وتمثيل الميزات دون زيادة الميزانية الحسابية. والأهم من ذلك، YOLOv8 مجرد محرك كشف؛ فهو يدعم بشكل أساسي مهام تقسيم المثيلات وتقدير الوضع وتصنيف الصور ومهام Oriented Bounding Box (OBB) ضمن واجهة برمجة تطبيقات واحدة.

تعرف على المزيد حول YOLOv8

مقارنة الأداء

يوفر تقييم النماذج على COCO القياسية في الصناعة رؤية واضحة لقدراتها. يبرز الجدول أدناه المقاييس الرئيسية، مع تمييز أفضل القيم أداءً في كل عمود بالخط العريض.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

توازن الأداء والأجهزة

بينما يحقق YOLOv6. YOLOv6 GPU أسرع قليلاً على البنى القديمة مثل T4، YOLOv8 معلمات وعمليات FLOP أقل بكثير للحصول على دقة مماثلة. هذا الانخفاض في متطلبات الذاكرة أمر بالغ الأهمية لكفاءة التدريب والنشر على أجهزة Edge AI المحدودة الموارد.

حالات الاستخدام والتوصيات

YOLOv8 الاختيار بين YOLOv6 YOLOv8 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.

متى تختار YOLOv6

YOLOv6 خيار قوي لـ:

النشر الصناعي المراعي للأجهزة: سيناريوهات يوفر فيها تصميم النموذج المراعي للأجهزة وإعادة تحديد المعلمات بكفاءة أداءً محسّنًا على أجهزة مستهدفة محددة.
الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الأولي على GPU الفيديو في الوقت الفعلي في البيئات الخاضعة للرقابة.
تكامل نظام Meituan البيئي: فرق تعمل بالفعل ضمن مجموعة تقنيات Meituan وبنيتها التحتية للنشر.

متى تختار YOLOv8

YOLOv8 في الحالات التالية:

نشر متعدد المهام متعدد الاستخدامات: المشاريع التي تتطلب نموذجًا مثبتًا للكشف والتجزئة والتصنيف وتقدير الوضع داخل نظام Ultralytics .
أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية بالفعل على YOLOv8 مع خطوط إنتاج مستقرة ومختبرة جيدًا.
دعم واسع من المجتمع والنظام البيئي: تطبيقات تستفيد من البرامج التعليمية الشاملة YOLOv8OLOv8، وعمليات الدمج مع أطراف ثالثة، وموارد المجتمع النشطة.

متى تختار Ultralytics YOLO26)

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

نشر الحافةNMS: التطبيقات التي تتطلب استنتاجًا متسقًا ومنخفض التأخير دون تعقيدات المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئاتCPU: الأجهزة التي لا تحتوي على GPU مخصص، حيث يوفر CPU الأسرع بنسبة تصل إلى 43٪ في YOLO26 ميزة حاسمة.
كشف الأجسام الصغيرة: سيناريوهات صعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث يعزز ProgLoss و STAL الدقة بشكل كبير على الأجسام الصغيرة.

Ultralytics : النظام البيئي وسهولة الاستخدام

على الرغم من أهمية سرعة الاستدلال الأولية، فإن دورة حياة مشروع التعلم الآلي تتضمن إدارة البيانات والتدريب والتصدير والمراقبة. توفر Ultralytics المتكاملة تجربة سلسة "من الصفر إلى القمة" يصعب على مستودعات الأبحاث وحدها أن تضاهيها.

نظام بيئي جيد الصيانة: Ultralytics تحديثات متكررة، مما يضمن التوافق مع أحدث إصدارات PyTorch وأحدث برامج تشغيل الأجهزة.
سهولة الاستخدام: تتيح Python الموحدة للمطورين تدريب النماذج وتصديرها إلى تنسيقات مثل ONNX و OpenVINO بسطر واحد من التعليمات البرمجية.
متطلبات ذاكرة أقل: تم تحسين Ultralytics بشكل كبير لتقليل استخدام CUDA أثناء التدريب، مما يجعل الذكاء الاصطناعي المتقدم متاحًا على الأجهزة الاستهلاكية، وهو ما يتناقض تمامًا مع بنى المحولات التي تستهلك الكثير من الذاكرة مثل RT-DETR.

التطلع إلى المستقبل: الترقية النهائية إلى YOLO26

بالنسبة للمطورين الذين يسعون إلى تحقيق أعلى مستويات الأداء وقدرات النشر الحديثة، فإن Ultralytics (الذي تم إصداره في يناير 2026) هو المعيار الموصى به. وهو يعتمد على نجاحات YOLOv8 السابقة YOLO11 ، حيث يقدم تحسينات ثورية في البنية:

تصميم NMS من البداية إلى النهاية: يزيل YOLO26 بشكل أساسي المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، وهو مفهوم ابتكره YOLOv10. وهذا يبسط منطق النشر ويقلل من تباين زمن الاستجابة.
محسّن MuSGD: مستوحى من ابتكارات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI، يعمل محسّن MuSGD الجديد (مزيج من SGD Muon) على استقرار التدريب وتسريع التقارب عبر مجموعات بيانات متنوعة.
إزالة DFL CPU : من خلال إزالة Distribution Focal Loss (DFL)، يبسط YOLO26 مخططه التصديري. يتيح هذا التحسين CPU أسرع بنسبة تصل إلى 43٪ CPU ، مما يجعله الخيار الأفضل على الإطلاق للحوسبة المتنقلة وحوسبة إنترنت الأشياء.
ProgLoss + STAL: توفر وظائف الخسارة المتقدمة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية بالنسبة للصور الجوية الملتقطة بواسطة الطائرات بدون طيار والروبوتات.

تعرف على المزيد حول YOLO26

مثال Python سلس على Python

تعدد استخدامات Ultralytics يعني أن الترقية من YOLOv8 YOLO26 المتطورة تتطلب تغيير سلسلة واحدة فقط. يوضح مقتطف الشفرة التالي القابل للتشغيل بالكامل مدى سهولة الاستفادة من هذه النماذج:

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to '0' for GPU training
)

# Run an inference on a test image
metrics = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

الخلاصة

يحدد اختيار البنية المناسبة قابلية الصيانة طويلة الأمد لخط الأنابيب الخاص بك. YOLOv6.YOLOv6 هو أداة متخصصة لخطوط الأنابيب الصناعية المزودة GPU ثقيلة. ومع ذلك، Ultralytics YOLOv8 توازنًا فائقًا بين تعدد المهام، وعدد أقل من المعلمات، ونظام تدريب لا مثيل له.

بالنسبة للتطبيقات الجديدة، يضمن الترقية إلى YOLO26 عبر Ultralytics أنك تستخدم أسرع بنية متاحة اليوم، وهي بنية أصلية شاملة NMS، مما يضمن استمرارية استراتيجيات نشر الذكاء الاصطناعي الخاصة بك في المستقبل.