رؤية YOLO 2026:

مقارنة بين YOLOv6-3.0 و YOLOv9#

يستمر مشهد الكشف عن الكائنات في الوقت الفعلي في التطور، مدفوعاً بمتطلبات الدقة الأعلى، وزمن انتقال أقل، واستخدام أفضل للموارد العتادية. تتناول هذه المقارنة الشاملة علامتين بارزتين في هذا المجال: YOLOv6-3.0، الذي تم تطويره لتحقيق إنتاجية صناعية، و YOLOv9، الذي قدم بنيات مبتكرة للتغلب على اختناقات المعلومات في التعلم العميق.

في حين أن كلا النموذجين يوفّران ابتكارات معمارية فريدة، فإن المطورين الباحثين عن التوازن الأفضل بين الأداء وسهولة النشر ينتقلون غالباً إلى الأنظمة البيئية الحديثة. بالنسبة لمن يبدؤون مشاريع جديدة، يُعد نموذج Ultralytics YOLO26 المدمج كلياً بشكل أساسي هو المعيار الموصى به، حيث يقدم دقة فائقة للتطور التكنولوجي مع تجربة مطور مبسطة بشكل ملحوظ.

YOLOv6-3.0: تحسين الإنتاجية الصناعية#

تم تطوير YOLOv6-3.0 بواسطة قسم الذكاء الاصطناعي للرؤية في شركة Meituan، وقد تم تصميمه هندسياً بشكل مكثف لتحقيق أقصى إنتاجية في التطبيقات الصناعية، لا سيما على أجهزة وحدة معالجة الرسوميات GPU.

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

الابتكارات المعمارية#

قدم YOLOv6-3.0 العديد من التعديلات الرئيسية لتحسين دمج الميزات وكفاءة العتاد. تتضمن البنية وحدة توصيل ثنائي الاتجاه (Bi-directional Concatenation - BiC) في عنق الشبكة، مما يوفر إشارات تحديد موقع أكثر دقة. كما يستخدم استراتيجية التدريب المدعوم بالمرساة (Anchor-Aided Training - AAT). يجمع هذا النهج بين التوجيه الغني للتدريب القائم على المراسي وسرعة الاستدلال للنموذج الخالي من المراسي، مما يؤدي إلى أداء أفضل دون إبطاء عملية النشر.

يستند الهيكل الأساسي إلى تصميم EfficientRep، والذي تم تحسينه بدقة ليكون متوافقاً مع الأجهزة الخاصة باستدلال GPU. وهذا يجعله قادراً للغاية على سيناريوهات التصنيع الصناعي حيث تكون معالجة الدُفعات الكثيفة هي القاعدة.

نقاط القوة والضعف#

تكمن القوة الأساسية لـ YOLOv6-3.0 في معدل الإطارات العالي على وحدات معالجة الرسوميات مثل NVIDIA T4، مما يجعله مناسباً لتدفقات فهم الفيديو عالية الكثافة. ومع ذلك، فإن اعتماده الكبير على تحسينات الأجهزة المحددة يمكن أن يؤدي إلى زمن انتقال دون المستوى الأمثل على أجهزة الحافة التي تعتمد على وحدة المعالجة المركزية CPU فقط. علاوة على ذلك، قد يكون إعداد خط أنابيب التدريب الخاص به معقداً مقارنة بالأطر الأكثر توحيداً.

اعرف المزيد حول YOLOv6

YOLOv9: معلومات التدرج القابلة للبرمجة#

تم إصداره بعد عام، ويركز YOLOv9 على حل مشكلة عنق الزجاجة للمعلومات المتأصلة في الشبكات العصبية العميقة، دافعاً الحدود النظرية لهندسة شبكات CNN.

الابتكارات المعمارية#

تتمثل المساهمة الرئيسية لـ YOLOv9 في معلومات التدرج القابلة للبرمجة (Programmable Gradient Information - PGI)، والتي تضمن الاحتفاظ بالبيانات المهمة أثناء مرورها عبر طبقات الشبكة المتعددة، مما يسمح بتحديثات أوزان أكثر موثوقية. إلى جانب PGI، يتميز النموذج بـ شبكة تجميع الطبقات الفعالة المعممة (GELAN). تعمل GELAN على زيادة كفاءة المعلمات إلى أقصى حد، مما يتيح لـ YOLOv9 تحقيق دقة فائقة مع عمليات حسابية (FLOPs) أقل من العديد من سابقاته.

نقاط القوة والضعف#

يحقق YOLOv9 متوسط الدقة المتوسطة (mAP) متميزاً على مجموعات البيانات القياسية مثل COCO، مما يجعله المفضل للباحثين الذين يعطون الأولوية للدقة الخام. ومع ذلك، مثل YOLOv6، فهو لا يزال يعتمد على كبح غير الحد الأقصى (NMS) التقليدي للمعالجة اللاحقة. يضيف هذا زمن انتقال ويزيد من تعقيد مسار نشر النموذج، خاصة عند نقله إلى أجهزة الحافة باستخدام تنسيقات مثل ONNX أو TensorRT.

اعرف المزيد عن YOLOv9

مقارنة الأداء#

عند مقارنة هذه النماذج، من الضروري النظر في التوازن بين الدقة وعدد المعلمات وسرعة الاستدلال.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0

ميزة Ultralytics: تقديم YOLO26#

في حين أن YOLOv6-3.0 و YOLOv9 توفران بنيات قوية، فإن بيئات الإنتاج تتطلب نظاماً بيئياً مُداراً جيداً، ومتطلبات ذاكرة منخفضة، وسهولة استخدام استثنائية. وهنا تبرز قوة منصة Ultralytics ونماذج مثل YOLO11 و YOLO26 المتطورة.

تم إصدار YOLO26 في أوائل عام 2026، وهو يعيد تعريف كفاءة النشر بشكل جذري من خلال القضاء على الاختناقات القديمة.

تصميم متكامل أصلاً (End-to-End)

يتميز YOLO26 بتصميم خالٍ من NMS ومتكامل (End-to-End)، مما يلغي تماماً الحاجة إلى المعالجة اللاحقة لقمع غير الأقصى. وهذا يقلل بشكل كبير من تباين زمن استجابة الاستدلال ويبسط منطق نشر الحافة.

ابتكارات YOLO26 الرئيسية#

  1. مُحسِّن MuSGD: مستوحى من تدريب نماذج اللغات الكبيرة (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجاً من SGD و Muon. وهذا يجلب استقراراً لا مثيل له في التدريب وتقارباً أسرع لمهام رؤية الكمبيوتر.
  2. استدلال أسرع بوحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43%: على عكس تركيز YOLOv6 الثقيل على وحدة معالجة الرسوميات GPU، تم تحسين YOLO26 بشكل كبير لأجهزة الحافة. تؤدي إزالة خسارة بؤر التوزيع (DFL) إلى تبسيط الرأس، مما يجعله متوافقاً للغاية مع وحدات المعالجة المركزية ذات استهلاك الطاقة المنخفض وأجهزة الحافة الحوسبية.
  3. دوال الفقد ProgLoss + STAL: تعمل دوال الفقد المتقدمة على تحسين اكتشاف الكائنات الصغيرة بشكل جذري، وهو أمر بالغ الأهمية لصور التصوير الجوي والروبوتات.
  4. تعدد استخدامات لا مثيل له: في حين أن YOLOv6 هو محرك اكتشاف بحت، فإن YOLO26 يتعامل بسلاسة مع تجزئة المثيلات، والتصنيف، وتقدير الوضعية، واكتشاف مربع التحديد الموجه (OBB).

تعرف على المزيد حول YOLO26

تدريب سلس مع Ultralytics#

لا ينبغي أن يتطلب تدريب النماذج الحديثة نصوص برمجية معقدة بلغة bash. توفر واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics تجربة مبسطة مع التحميل التلقائي للبيانات، والحد الأدنى من استخدام ذاكرة CUDA، والتتبع المدمج.

from ultralytics import YOLO

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

# Train on the COCO8 dataset using the robust MuSGD optimizer natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX with a single command
model.export(format="onnx")

حالات الاستخدام المثالية#

يعتمد اختيار البنية الصحيحة تماماً على بيئة النشر المستهدفة الخاصة بك:

  • استخدم YOLOv6-3.0 لـ: أتمتة المصانع واكتشاف العيوب حيث تتوفر وحدات GPU بمستوى الخوادم (مثل A100s) بكثرة وتعمل المعالجة بالدفعات على زيادة الإنتاجية.
  • استخدم YOLOv9 لـ: البحث الأكاديمي أو المسابقات حيث يكون الهدف الأساسي هو تحقيق أعلى mAP ممكن على مجموعات بيانات موحدة مثل COCO.
  • استخدم YOLO26 لـ: تقريباً جميع التطبيقات التجارية الحديثة. إن بنيته الخالية من NMS، وبصمته المنخفضة للذاكرة، والاستدلال عالي السرعة على وحدة المعالجة المركزية تجعله مثاليفاً لـ أنظمة الإنذار الأمني، والتجزئة الذكية، وتتبع الكائنات في الوقت الفعلي على الأجهزة المضمنة.

من خلال الاستفادة من النظام البيئي لـ Ultralytics الشامل، يمكن للمطورين بسهولة تجربة YOLOv8 و YOLO11 و YOLO26 لإيجاد التوازن المثالي في الأداء لتحدياتهم الواقعية المحددة.

المساهمون
GLglenn-jocher14PDpderrenger1

التعليقات