Ultralytics YOLO27: انضم إلى قائمة الانتظار.
ابدأ

YOLOv6-3.0 مقابل YOLOX#

تشكّل مشهد الرؤية الحاسوبية بفعل نماذج تهدف إلى ردم الهوة بين البحث الأكاديمي والتطبيق الصناعي. وعند تقييم أطر عمل اكتشاف الأجسام المصممة للنشر عالي الأداء، غالبًا ما يبرز YOLOv6-3.0 وYOLOX بوصفهما منافسين بارزين. يقدّم كلا النموذجين فلسفتين معماريتين متميزتين لتعظيم معدل الإنتاجية والدقة، إلا أنهما يختلفان اختلافًا كبيرًا في خيارات التصميم وأهداف النشر الأساسية.

تتناول هذه المقارنة التقنية البنى ومقاييس الأداء وحالات الاستخدام المثالية لكل من YOLOv6-3.0 وYOLOX، وتوضح كيف يبني Ultralytics YOLO26 على أفكارهما.

YOLOv6-3.0: إنتاجية صناعية#

طوّر قسم الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0، وروّج له صراحةً بوصفه إطار عمل أحادي المرحلة لاكتشاف الكائنات ومحسّنًا للتطبيقات الصناعية. ويركز بدرجة كبيرة على تحقيق أقصى معدل نقل على بُنى GPU.

  • المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
  • المؤسسة: Meituan
  • التاريخ: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

البنية والمنهجية#

يقدم YOLOv6-3.0 وحدة Bi-directional Concatenation (BiC) لتحسين دمج السمات عبر المقاييس المختلفة. وتعتمد بنيته الأساسية على تصميم EfficientRep المحسّن للاستدلال على GPU بما يلائم الأجهزة، ما يجعله مناسبًا تمامًا للمعالجة الخلفية باستخدام NVIDIA TensorRT.

إضافةً إلى ذلك، يستخدم YOLOv6-3.0 استراتيجية Anchor-Aided Training (AAT). تحافظ هذه الطريقة على استقرار التدريب المعتمد على المراسي مع استخدام مسار استدلال خالٍ من المراسي، لذا لا يترتب على النشر أي زمن استجابة إضافي.

التخصص للعتاد

مع أن YOLOv6 يتفوق على وحدات GPU المخصصة، قد تؤدي بنيته شديدة التخصص أحيانًا إلى زمن استجابة دون المستوى الأمثل عند نشره على وحدات CPU عادية أو أجهزة طرفية منخفضة الطاقة.

تعرّف على المزيد حول YOLOv6

YOLOX: جسر بين البحث والصناعة#

قدمت Megvii نموذج YOLOX، الذي مثّل تحولًا مهمًا في عائلة YOLO باعتماده الكامل على تصميم خالٍ من المراسي، إلى جانب استراتيجيات تدريب متقدمة مثل SimOTA.

البنية والمنهجية#

دمج YOLOX بنجاح آلية خالية من المراسي مع بنية ترويسة مفصولة. ومن خلال فصل مهمتي التصنيف والانحدار في مسارين منفصلين، حسّن YOLOX سرعة التقارب بدرجة كبيرة وخفف تعارض الأهداف الذي يظهر غالبًا في ترويسات الكشف المترابطة.

بالإضافة إلى ذلك، أدمج YOLOX استراتيجيات قوية لزيادة البيانات (مثل MixUp وMosaic) في مسار التدريب، ما حسّن متانته عند التدريب من الصفر على معايير قياسية مثل مجموعة بيانات COCO.

ميزة الترويسة المفصولة

شكّلت الترويسة المفصولة في YOLOX محطة مهمة ألهمت الأجيال اللاحقة من نماذج الكشف، إذ أثبتت أن فصل السمات الخاصة بكل مهمة يؤدي إلى دقة إجمالية أعلى.

تعرّف على مزيد من المعلومات عن YOLOX

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج مباشرةً، تتضح المفاضلات بين السرعة وعدد المعاملات والدقة. فيما يلي جدول أداء مفصل يسلط الضوء على النماذج الأساسية من كلتا العائلتين.

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

رغم أن YOLOX يوفر إصدارات خفيفة جدًا مثل Nano، يتوسع YOLOv6-3.0 على نحو أفضل في الفئات العليا، إذ يوفر mAP أعلى للنماذج الأكبر وتسريعًا قويًا باستخدام TensorRT. غير أن كلا النموذجين يعتمدان على مستودعات تدريب قديمة قد يصعب دمجها في التطبيقات الحديثة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv6 وYOLOX على متطلبات مشروعك وقيود النشر وتفضيلاتك للمنظومة.

متى تختار YOLOv6#

يُعد YOLOv6 خيارًا قويًا لـ:

  • النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
  • الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
  • التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية الخاصة بها.

متى تختار YOLOX#

يوصى باستخدام YOLOX في الحالات التالية:

  • أبحاث الاكتشاف دون مراسي: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة والخالية من المراسي أساسًا لتجربة رؤوس اكتشاف أو دوال خسارة جديدة.
  • الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
  • دراسات إسناد التسميات باستخدام SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.

متى تختار Ultralytics (YOLO26)#

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

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

ميزة Ultralytics: تقديم YOLO26#

رغم أن YOLOv6 وYOLOX تجاوزا حدود الكشف عن الأجسام في عصريهما، تتطلب الرؤية الحاسوبية الحديثة أكثر من مجرد تنبؤات بمربعات الإحاطة. يحتاج المطورون إلى أطر عمل موحّدة ومسارات نشر بسيطة وتدريب فعّال. وقد صُممت منصة Ultralytics وYOLO26 لتلبية هذه الاحتياجات.

صدر YOLO26 في يناير 2026، وهو يحسّن المفاضلة بين الدقة وزمن الاستجابة مع الحفاظ على سير عمل Ultralytics الملائم للمطورين.

أبرز ابتكارات YOLO26#

  • تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يوفّر YOLO26 رأسًا اختياريًا خاليًا من NMS (nms=False) يلغي الحاجة إلى معالجة كبح الصناديق المحددة غير القصوى (NMS) اللاحقة. وهذا يقلل تباين زمن الاستجابة ويبسط النشر على الأجهزة الطرفية.
  • محسّن MuSGD: يستعير YOLO26 أفكارًا من تدريب نماذج اللغة الكبيرة، مستخدمًا محسّن MuSGD هجينًا (مستوحى من Kimi K2 من Moonshot AI) يجمع بين SGD وMuon. ويحقق ذلك تدريبًا أكثر استقرارًا وتقاربًا أسرع مقارنةً بالمحسّنات الأقدم.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: على خلاف YOLOv6 المصمم لاستهداف وحدات GPU، جرى تحسين YOLO26 للأجهزة الطرفية. وتبسط إزالة Distribution Focal Loss (DFL) رأس المخرجات، كما يعمل YOLO26n على CPU بسرعة تفوق YOLO11n بنسبة تصل إلى 43%.
  • ProgLoss + STAL: تعزز الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة كشف الأجسام الصغيرة، وهو مجال واجهت فيه البنى الأقدم مثل YOLOX صعوبات في كثير من الأحيان. وهذا يجعل YOLO26 مثاليًا للصور الجوية ومستشعرات إنترنت الأشياء.
  • تعدد المهام والمرونة: بينما يُستخدم YOLOv6 وYOLOX أساسًا للكشف، تدعم بنية YOLO26 الواحدة أيضًا تجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، وتصنيف الصور، وتقدير الوضعية، ومربعات الإحاطة الموجّهة (OBB).

سهولة الاستخدام ودعم المنظومة#

يضمن اختيار Ultralytics الوصول إلى منظومة جيدة الصيانة ونشطة التطوير. وتغطي حزمة Ultralytics لـ Python سير العمل كاملًا، من التدريب إلى النشر، وتستخدم ذاكرة أقل أثناء التدريب من النماذج القائمة على Transformer، وتصدّر مباشرةً إلى تنسيقات مثل ONNX وOpenVINO وCoreML.

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 nano (يتوفر الرأس الخالي من NMS عبر nms=False)⁩
model = YOLO("yolo26n.pt")

# ⁨التدريب على مجموعة البيانات التوضيحية COCO8⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تشغيل استدلال فعّال على CPU أو GPU⁩
results = model("https://ultralytics.com/images/bus.jpg")

# ⁨التصدير إلى TensorRT للنشر الصناعي⁩
model.export(format="engine")

الخلاصة والتوصيات#

عند الاختيار بين YOLOv6-3.0 وYOLOX، ضع قيود الأجهزة في الحسبان. إذا كنت تبني أنظمة تحليلات فيديو عالية الإنتاجية مدعومة بأجهزة NVIDIA قوية، يوفر YOLOv6-3.0 تسريعًا قويًا باستخدام TensorRT. وعلى النقيض، يظل YOLOX خط أساس معروفًا للمشروعات التي تستفيد من تصميم مفصول بالكامل وخالٍ من المراسي.

مع ذلك، يُعد Ultralytics YOLO26 الخيار الموصى به للمطورين الباحثين عن أفضل توازن بين السرعة والدقة وسهولة الاستخدام. فهو يجمع بين رأس اختياري خالٍ من NMS واستدلال سريع على CPU ودعم كامل ضمن منظومة Ultralytics. كما يظل الجيل السابق، YOLO11، مدعومًا بالكامل وشائع الاستخدام في تطبيقات المؤسسات.

المساهمون
GLglenn-jocher20PDpderrenger1

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.