ابدأ

YOLOv6-3.0 مقابل YOLOv9

يواصل كشف الأجسام في الوقت الفعلي تطوره مدفوعًا بالحاجة إلى دقة أعلى وزمن استجابة أقل واستفادة أفضل من الأجهزة. وتقارن هذه المقالة بين محطتين بارزتين في المجال: YOLOv6-3.0 المطوّر لزيادة معدل النقل الصناعي، وYOLOv9 الذي قدّم بنى جديدة لتجاوز اختناقات المعلومات في التعلم العميق.

مع أن كلا النموذجين يقدّم ابتكارات معمارية فريدة، فإن المطورين الباحثين عن أفضل توازن بين الأداء وبساطة النشر ينتقلون غالبًا إلى منظومات حديثة. ولمن يبدأ مشاريع جديدة، يُوصى بنموذج Ultralytics YOLO26، برأسه الاختياري الشامل من البداية إلى النهاية والخالي من NMS، إذ يوفّر دقة متطورة مع تجربة تطوير أكثر سلاسة.

YOLOv6-3.0: تحسين معدل الإنتاجية الصناعي#

طوّره قسم الذكاء الاصطناعي للرؤية في Meituan، وهُندس YOLOv6-3.0 بدرجة كبيرة لتحقيق أقصى معدل إنتاجية في التطبيقات الصناعية، ولا سيما على أجهزة GPU.

  • المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
  • المؤسسة: Meituan
  • التاريخ: 13 يناير 2023
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

ابتكارات البنية#

قدم YOLOv6-3.0 تعديلات رئيسية عدة لتعزيز دمج السمات وكفاءة الأجهزة. تتضمن البنية وحدة Bi-directional Concatenation (BiC) في العنق، ما يوفر إشارات تحديد موقع أكثر دقة. كما تستخدم استراتيجية Anchor-Aided Training (AAT). ويجمع هذا النهج بين التوجيه الغني للتدريب القائم على نقاط الارتكاز وسرعة الاستدلال للنهج الخالي من نقاط الارتكاز، محققًا أداءً أفضل دون إبطاء النشر.

تستند البنية الأساسية إلى تصميم EfficientRep، المحسّن ليلائم الأجهزة عند الاستدلال على GPU. وهذا يجعله مناسبًا للغاية لسيناريوهات التصنيع الصناعي التي تكون فيها المعالجة الدفعية المكثفة أمرًا معتادًا.

نقاط القوة والضعف#

تتمثل نقطة القوة الأساسية لـ YOLOv6-3.0 في معدل الإطارات العالي على وحدات GPU مثل NVIDIA T4، ما يجعله مناسبًا لتدفقات فهم الفيديو عالية الكثافة. ومع ذلك، قد يؤدي اعتماده الكبير على تحسينات مخصصة لأجهزة بعينها إلى زمن استجابة غير مثالي على الأجهزة الطرفية التي تستخدم CPU فقط. علاوة على ذلك، قد يكون إعداد مسار التدريب الخاص به معقدًا مقارنةً بأطر العمل الأكثر توحيدًا.

تعرّف على المزيد حول YOLOv6

YOLOv9: معلومات التدرج القابلة للبرمجة#

صدر YOLOv9 بعد عام، ويركز على حل مشكلة اختناق المعلومات المتأصلة في الشبكات العصبية الالتفافية العميقة (CNN).

ابتكارات البنية#

تتمثل المساهمة الرئيسية لـ YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI)، التي تساعد على الاحتفاظ بالمعلومات المهمة أثناء مرورها عبر طبقات الشبكة المتعددة، ما يتيح تحديثات أكثر موثوقية للأوزان. وإلى جانب PGI، يتميز النموذج بـ شبكة تجميع الطبقات الفعّالة المعممة (GELAN). وتزيد GELAN كفاءة المعاملات إلى أقصى حد، ما يمكّن YOLOv9 من تحقيق دقة أعلى باستخدام FLOPs أقل من كثير من النماذج السابقة.

نقاط القوة والضعف#

يحقق YOLOv9 متوسط دقة متوسطًا مرتفعًا (mAP) على مجموعات بيانات معيارية مثل COCO، ما يجعله خيارًا مفضلًا للباحثين الذين يعطون الأولوية للدقة الخام. لكنه، مثل YOLOv6، لا يزال يعتمد على الكبت غير الأقصى التقليدي (NMS) للمعالجة اللاحقة. ويضيف ذلك زمن استجابة ويعقّد مسار نشر النموذج، خصوصًا عند نقله إلى الأجهزة الطرفية باستخدام تنسيقات مثل ONNX أو TensorRT.

تعرّف على المزيد عن YOLOv9

مقارنة الأداء#

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

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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

ميزة Ultralytics: تقديم YOLO26#

مع أن YOLOv6-3.0 وYOLOv9 يقدّمان بنيتين متينتين، تتطلب بيئات الإنتاج منظومة مدارة جيدًا ومتطلبات ذاكرة منخفضة وسهولة في الاستخدام. وقد صُممت منصة Ultralytics ونماذج مثل YOLO11 وYOLO26 الأحدث لتلبية هذه الاحتياجات.

صدر YOLO26 في يناير 2026، ويحسّن كفاءة النشر بإزالة عدة اختناقات قديمة.

تصميم شامل أصيل

يتميز YOLO26 بتصميم شامل من البداية إلى النهاية بلا NMS: إذ يلغي رأسه الاختياري أحادي لواحد (nms=False) الحاجة إلى المعالجة اللاحقة للكبت غير الأقصى. ويقلل ذلك تفاوت زمن الاستدلال ويبسط منطق النشر على الأجهزة الطرفية.

أبرز ابتكارات YOLO26#

  1. مُحسِّن MuSGD: استلهامًا من تدريب نماذج اللغة الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجًا من SGD وMuon. ويحقق ذلك تدريبًا مستقرًا وتقاربًا أسرع لمهام الرؤية الحاسوبية.
  2. استدلال أسرع على CPU بنسبة تصل إلى 43%: على خلاف تركيز YOLOv6 على وحدات GPU الثقيلة، حُسّن YOLO26 للأجهزة الطرفية: إذ يعمل YOLO26n بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n. كما تبسّط إزالة خسارة البؤرة التوزيعية (DFL) الرأس، ما يجعله متوافقًا مع وحدات CPU منخفضة الطاقة وأجهزة الحوسبة الطرفية.
  3. ProgLoss + STAL: تحسّن الخسارة التزايدية وإسناد التسميات المراعي للأهداف الصغيرة كشف الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية والروبوتات.
  4. تعدد الاستخدامات: في حين أن YOLOv6 مخصص للكشف فقط، يتعامل YOLO26 أيضًا مع تقسيم المثيلات والتقسيم الدلالي وتقدير العمق والتصنيف وتقدير الوضعيات وكشف مربعات الإحاطة الموجّهة (OBB).

التدريب باستخدام Ultralytics#

لا ينبغي أن يتطلب تدريب النماذج المتطورة كتابة نصوص bash معقدة. توفر واجهة Python API الخاصة بـ Ultralytics تجربة مبسطة تشمل تحميل البيانات تلقائيًا، واستهلاكًا ضئيلًا لذاكرة CUDA، وتتبعًا مدمجًا.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano⁩
model = YOLO("yolo26n.pt")

# ⁨التدريب على مجموعة بيانات COCO8 (يختار optimizer='auto' محسن MuSGD لعمليات التدريب الأطول)⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تصدير النموذج المدرّب إلى ONNX بأمر واحد⁩
model.export(format="onnx")

حالات الاستخدام المثالية#

يعتمد اختيار البنية المناسبة بالكامل على بيئة النشر المستهدفة:

  • استخدم YOLOv6-3.0 في: أتمتة المصانع واكتشاف العيوب، حيث تتوفر وحدات GPU بمواصفات الخوادم (مثل A100) بكثرة، وتزيد المعالجة الدفعية معدل الإنتاجية إلى أقصى حد.
  • استخدم YOLOv9 في: الأبحاث الأكاديمية أو المسابقات التي يكون فيها تحقيق أعلى قيمة mAP ممكنة على مجموعات بيانات معيارية مثل COCO هو الهدف الأساسي.
  • استخدم YOLO26 في: معظم التطبيقات التجارية الحديثة. فاستدلاله الاختياري الخالي من NMS، وبصمته المنخفضة للذاكرة، وسرعة استدلاله العالية على CPU تجعله مناسبًا لـأنظمة إنذار الأمن وتجارة التجزئة الذكية وتتبع الأجسام في الوقت الفعلي على الأجهزة المضمّنة.

من خلال الاستفادة من منظومة Ultralytics الشاملة، يمكن للمطورين تجربة YOLOv8 وYOLO11 وYOLO26 بسهولة للعثور على التوازن المناسب للأداء في مواجهة تحدياتهم المحددة في العالم الحقيقي.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.