YOLOv6-3.0 مقابل YOLOv8: استعراض تطور الكشف عن الأجسام في الوقت الفعلي

شهد مجال الرؤية الحاسوبية نمواً هائلاً، حيث تواصل النماذج دفع حدود السرعة والدقة. عند اختيار بنية للنشر، غالباً ما يقارن المطورون بين النماذج الصناعية المتخصصة وأطر العمل متعددة المهام والمتعددة الاستخدامات. يقدم هذا التحليل التقني دراسة معمقة لكل من YOLOv6-3.0 وYOLOv8، مع تقييم معمارياتهما، ومقاييس أدائهما، وبيئات النشر المثالية لكل منهما.

YOLOv6-3.0: الإنتاجية الصناعية وتحسين الأجهزة

تم تطوير YOLOv6-3.0 بواسطة قسم الذكاء الاصطناعي للرؤية في Meituan، وهو مصمم خصيصاً ككاشف للأجسام ذي إنتاجية عالية للتطبيقات الصناعية. يعمل النموذج على تحسين الأداء بشكل مكثف لمحركات تسريع الأجهزة المخصصة، مع التركيز على السرعة الخام في بيئات الخوادم عالية الأداء.

المؤلفون: Chuyi Li, Lulu Li, Yifei Geng, وآخرون.
المؤسسة: Meituan
التاريخ: 2023-01-13
Arxiv: 2301.05586
GitHub: meituan/YOLOv6
المستندات: توثيق Ultralytics YOLOv6

التركيز المعماري

يستفيد YOLOv6-3.0 من هيكل EfficientRep، وهي بنية صديقة للأجهزة مصممة لتعظيم كفاءة المعالجة على NVIDIA GPUs الحديثة. يستخدم العنق وحدة الربط ثنائي الاتجاه (BiC) لتعزيز دمج الميزات عبر مقاييس مختلفة.

خلال مرحلة التدريب، يدمج YOLOv6 استراتيجية التدريب المدعوم بالمراسي (AAT). تحاول هذه المقاربة الهجينة الاستفادة من مزايا النماذج القائمة على المراسي وتلك غير القائمة عليها مع الحفاظ على خط تدفق استنتاج خالٍ من المراسي. ورغم فعاليته العالية في عمليات النشر المخصصة على TensorRT، إلا أن هذا التخصص قد يؤدي إلى زمن انتقال أعلى على أجهزة الحافة التي تعمل بوحدة معالجة مركزية (CPU) فقط.

اعرف المزيد عن YOLOv6

Ultralytics YOLOv8: المعيار متعدد المهام ومتعدد الاستخدامات

أطلقته Ultralytics، ويمثل YOLOv8 تحولاً نموذجياً من كاشفات الصناديق المحيطة المتخصصة إلى إطار عمل رؤية موحد ومتعدد الوسائط. إنه يقدم توازناً استثنائياً بين الدقة والسرعة وسهولة الاستخدام بشكل جاهز.

المؤلفون: Glenn Jocher، وAyush Chaurasia، وJing Qiu
المنظمة: Ultralytics
التاريخ: 2023-01-10
GitHub: ultralytics/ultralytics
المنصة: Ultralytics Platform YOLOv8

أبرز الخصائص المعمارية

يتميز YOLOv8 بشكل أصلي ببنية رأس مفككة تفصل بين مهام تحديد وجود الأجسام، والتصنيف، والانحدار، مما يحسن سرعة التقارب بشكل ملحوظ. تصميمه الخالي من المراسي يلغي الحاجة إلى تكوين صناديق المراسي يدوياً، مما يضمن تعميماً قوياً عبر مجموعات بيانات الرؤية الحاسوبية المتنوعة للغاية.

يدمج النموذج وحدة C2f المتقدمة (عنق زجاجة جزئي عبر المراحل مع عمليتين التفافيتين)، ليحل محل كتل C3 الأقدم. هذا يعزز تدفق التدرج وتمثيل الميزات دون زيادة الميزانية الحسابية. والأهم من ذلك، أن YOLOv8 ليس مجرد محرك كشف؛ بل يدعم أصلياً مهام تجزئة الأجسام، وتقدير الوضعية، وتصنيف الصور، والصناديق المحيطة الموجهة (OBB) ضمن واجهة برمجة تطبيقات (API) واحدة.

اعرف المزيد عن YOLOv8

مقارنة الأداء

يوفر تقييم النماذج على مجموعة بيانات COCO القياسية في الصناعة نظرة واضحة على قدراتها. يسلط الجدول أدناه الضوء على المقاييس الرئيسية، مع تمييز القيم الأفضل أداءً في كل عمود بـ الخط العريض.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ملي ثانية)}	السرعة ^{T4 TensorRT10 (ملي ثانية)}	المعلمات ^(مليون)	FLOPs ^(مليار)
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 YOLOv6-3.0 إنتاجية أسرع قليلاً على وحدات معالجة الرسومات (GPU) في البنيات القديمة مثل T4، يتطلب YOLOv8 عدداً أقل بكثير من المعلمات و FLOPs لتحقيق دقة مماثلة. هذا المتطلب الأقل للذاكرة يعد أمراً بالغ الأهمية لكفاءة التدريب والنشر على أجهزة Edge AI المقيدة بالموارد.

حالات الاستخدام والتوصيات

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

متى تختار YOLOv6

يعتبر YOLOv6 خياراً قوياً لـ:

النشر المدرك للأجهزة الصناعية: السيناريوهات التي يوفر فيها التصميم المدرك للأجهزة وإعادة المعلمات الفعالة للنموذج أداءً محسناً على أجهزة مستهدفة محددة.
الاكتشاف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستنتاج الخام على GPU لمعالجة الفيديو في الوقت الفعلي في بيئات محكومة.
تكامل نظام Meituan البيئي: الفرق التي تعمل بالفعل ضمن كومة تقنيات Meituan وبنية النشر التحتية الخاصة بها.

متى تختار YOLOv8

يوصى بـ YOLOv8 لما يلي:

نشر متعدد المهام متعدد الاستخدامات: المشاريع التي تتطلب نموذجاً ثابتاً لـ الاكتشاف و التجزئة و التصنيف و تقدير الوضع داخل نظام Ultralytics البيئي.
أنظمة الإنتاج القائمة: بيئات الإنتاج الحالية التي تم بناؤها بالفعل على بنية YOLOv8 مع خطوط أنابيب نشر مستقرة ومختبرة جيداً.
دعم المجتمع والنظام البيئي الواسع: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وعمليات تكامل الطرف الثالث وموارد المجتمع النشطة.

متى تختار Ultralytics (YOLO26)

بالنسبة لمعظم المشاريع الجديدة، يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

ميزة Ultralytics: النظام البيئي وسهولة الاستخدام

بينما تعد سرعة الاستنتاج الخام أمراً مهماً، فإن دورة حياة مشروع تعلم الآلة تتضمن إدارة البيانات، والتدريب، والتصدير، والمراقبة. توفر Ultralytics Platform المتكاملة تجربة سلسة "من الصفر إلى الاحتراف" يصعب على المستودعات المخصصة للبحث فقط مضاهاتها.

نظام بيئي مُصان جيداً: توفر Ultralytics تحديثات متكررة، مما يضمن التوافق مع أحدث إصدارات PyTorch ومشغلات الأجهزة.
سهولة الاستخدام: تسمح واجهة برمجة تطبيقات (API) موحدة بلغة Python للمطورين بتدريب وتصدير النماذج إلى تنسيقات مثل ONNX و OpenVINO بسطر واحد من التعليمات البرمجية.
متطلبات ذاكرة أقل: نماذج Ultralytics محسنة للغاية لتقليل استخدام ذاكرة CUDA أثناء التدريب، مما يجعل الذكاء الاصطناعي المتقدم متاحاً على الأجهزة الاستهلاكية - وهو تباين صارخ مع معماريات المحولات المستهلكة للذاكرة مثل RT-DETR.

نتطلع إلى المستقبل: الترقية النهائية إلى YOLO26

بالنسبة للمطورين الذين يسعون للحصول على ذروة الأداء وقدرات النشر الحديثة، فإن Ultralytics YOLO26 (الذي تم إصداره في يناير 2026) هو المعيار الموصى به. إنه يبني على نجاحات YOLOv8 وجيل YOLO11 السابق، مقدماً تحسينات معمارية ثورية:

تصميم من طرف إلى طرف بدون NMS: يلغي YOLO26 أصلياً معالجة ما بعد الكشف غير القصوى (NMS)، وهو مفهوم رائد في YOLOv10. هذا يبسط منطق النشر ويقلل تباين زمن الانتقال.
محسن MuSGD: مستوحى من ابتكارات النماذج اللغوية الكبيرة مثل Kimi K2 من Moonshot AI، يعمل محسن MuSGD الجديد (هجين من SGD و Muon) على استقرار التدريب وتسريع التقارب عبر مجموعات البيانات المتنوعة.
إزالة DFL وسرعة وحدة المعالجة المركزية: من خلال إزالة خسارة التوزيع البؤرية (DFL)، يبسط YOLO26 مخطط التصدير الخاص به. يفتح هذا التحسين سرعة استنتاج على CPU أسرع بنسبة تصل إلى 43%، مما يجعله الخيار الأفضل على الإطلاق لـ الحوسبة المتنقلة وحوسبة حافة إنترنت الأشياء.
ProgLoss + STAL: تقدم وظائف الخسارة المتقدمة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لصور الطائرات بدون طيار والروبوتات.

اعرف المزيد عن YOLO26

مثال برمجي سلس لتدريب Python

تعني مرونة واجهة برمجة تطبيقات Ultralytics أن الترقية من YOLOv8 إلى YOLO26 المتطور تتطلب تغيير سلسلة نصية واحدة فقط. يوضح مقتطف الكود 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}")

خاتمة

اختيار البنية الصحيحة يحدد قابلية الصيانة طويلة المدى لخط عملك. يعمل YOLOv6-3.0 كأداة متخصصة لخطوط الإنتاج الصناعية ذات مسرعات GPU القوية. ومع ذلك، يوفر Ultralytics YOLOv8 توازناً متفوقاً من حيث تعدد المهام، وأعداد المعلمات الأقل، ونظام بيئي تدريبي لا يضاهى.

بالنسبة للتطبيقات الجديدة، تضمن الترقية إلى YOLO26 عبر Ultralytics Platform استخدامك لأسرع بنية متاحة اليوم، تكون بطبيعتها من طرف إلى طرف وخالية من NMS، مما يضمن جاهزية استراتيجيات نشر الذكاء الاصطناعي الخاصة بك للمستقبل.

Contributors

GLglenn-jocher¹²

Created ٢٧ يناير ٢٠٢٥Updated الأسبوع الماضي