Ultralytics YOLO27:
Get Started

YOLOv6-3.0 مقابل YOLOX#

تشكّل مشهد الرؤية الحاسوبية إلى حد كبير بفعل النماذج التي تسعى إلى سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي. وعند تقييم أطر عمل اكتشاف الكائنات المصممة للنشر عالي الأداء، كثيرًا ما يبرز YOLOv6-3.0 وYOLOX بوصفهما من أبرز المنافسين. يقدّم كلا النموذجين فلسفتين معماريتين متميزتين لزيادة معدل المعالجة والدقة إلى أقصى حد، إلا أنهما يختلفان اختلافًا كبيرًا في خيارات التصميم وأهداف النشر الرئيسية.

تتناول هذه المقارنة التقنية الشاملة بنى YOLOv6-3.0 وYOLOX ومقاييس الأداء وحالات الاستخدام المثالية، كما تستكشف كيف يبني نموذج الجيل التالي Ultralytics YOLO26 على هذه الابتكارات ويتجاوزها.

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. وترتكز بنيته الأساسية على تصميم EfficientRep، المحسّن بدرجة كبيرة للاستدلال على GPU بما يتوافق مع العتاد، ما يجعله فعالًا بوجه خاص في بيئات المعالجة الخلفية التي تستفيد من NVIDIA TensorRT.

علاوة على ذلك، يستخدم YOLOv6-3.0 استراتيجية التدريب بمساعدة المراسي (AAT). ويستفيد هذا النهج المبتكر من استقرار التدريب القائم على المراسي، مع الحفاظ على خط استدلال خالٍ من المراسي، ليجمع بفاعلية بين مزايا النهجين دون تكبّد عقوبات في زمن الاستجابة أثناء النشر.

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 خط التدريب مباشرةً، ما حسّن متانته بدرجة كبيرة عند تدريبه 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)		mAPالتحقق
50-95		السرعة
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

يقدم YOLOX نسخًا خفيفة للغاية مثل Nano، بينما يتدرج YOLOv6-3.0 بصورة أفضل عند المقاييس الكبيرة، موفرًا mAP أعلى للنماذج الأكبر وتسريعًا ممتازًا عبر TensorRT. لكن 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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics: تقديم YOLO26#

مع أن YOLOv6 وYOLOX دفعا حدود اكتشاف الكائنات في عصريهما، تتطلب الرؤية الحاسوبية الحديثة أكثر من مجرد تنبؤات الصناديق المحيطة. يحتاج المطورون إلى أطر عمل موحدة، وخطوط نشر سلسة، وآليات تدريب فعالة. وهنا تتألق منصة Ultralytics، ولا سيما مع تقديم YOLO26.

يمثل YOLO26، الذي صدر في يناير 2026، تحولًا جذريًا. فهو يقدم أداءً لا مثيل له مع الحفاظ على منظومة سهلة الاستخدام للمطورين بدرجة استثنائية.

أبرز ابتكارات YOLO26#

  • تصميم شامل من البداية إلى النهاية دون NMS: استنادًا إلى المفاهيم التي أرساها YOLOv10، يقدم YOLO26 ترويسة أصلية خالية من NMS (nms=False) تلغي الحاجة إلى المعالجة اللاحقة لكبت الصناديق غير القصوى (NMS). ويقلل ذلك بدرجة كبيرة من تفاوت زمن الاستجابة ويبسط النشر على الأجهزة الطرفية.
  • محسّن MuSGD: يستعير YOLO26 ابتكارات من استقرار تدريب نماذج LLM، مستخدمًا محسّن MuSGD هجينًا (مستوحى من Kimi K2 من Moonshot AI). ويتيح ذلك ديناميكيات تدريب مستقرة للغاية وتقاربًا أسرع مقارنةً بالمحسّنات الأقدم.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: على عكس YOLOv6، الذي يواجه صعوبات على العتاد غير المزود بـGPU، جرى تحسين YOLO26 بدرجة كبيرة للأجهزة الطرفية. فمن خلال تطبيق إزالة DFL (Distribution Focal Loss)، تُبسّط ترويسة المخرجات، ما يجعل الأداء سريعًا للغاية على بيئات الهواتف المحمولة وCPU.
  • ProgLoss + STAL: تحسّن دوال الخسارة المتفوقة اكتشاف الكائنات الصغيرة بدرجة كبيرة، وهو مجال غالبًا ما واجهت فيه بُنى أقدم مثل YOLOX صعوبات. وهذا يجعل YOLO26 مثاليًا للصور الجوية ومستشعرات إنترنت الأشياء.
  • تعدد استخدامات لا مثيل له: بينما يقتصر YOLOv6 وYOLOX على الكشف، تدعم بنية YOLO26 واحدة دعمًا أصليًا لكل من تجزئة الكائنات وتقدير الوضعية وتصنيف الصور والصناديق المحيطة الموجّهة (OBB).

سهولة الاستخدام ودعم المنظومة#

يضمن اختيار Ultralytics الوصول إلى منظومة تحظى بصيانة جيدة وتتطور بنشاط. وتوفر حزمة Ultralytics لـPython تجربة انتقال من الصفر إلى الاحتراف، مع متطلبات ذاكرة منخفضة للغاية أثناء التدريب مقارنةً بنماذج Transformer الضخمة، وإمكانات تصدير سلسة إلى تنسيقات مثل ONNX وOpenVINO وCoreML.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano المتطور (تتوفر الترويسة الخالية 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 العتاد لديك في الحسبان. فإذا كنت تبني أنظمة تحليلات فيديو عالية معدل النقل مدعومة بعتاد NVIDIA قوي، يقدم YOLOv6-3.0 تسريعًا استثنائيًا عبر TensorRT. أما YOLOX فيظل خيارًا مفضلًا تاريخيًا للبيئات التي تستفيد من تصميم خالٍ تمامًا من المراسي ومفصول.

لكن للمطورين الساعين إلى أفضل توازن بين السرعة والدقة وسهولة الاستخدام، يمثل الترقّي إلى نموذج Ultralytics YOLO26 المسار الأمثل بوضوح. وبفضل بنيته الشاملة الخالية من NMS، واستدلاله السريع على CPU، ودعمه الشامل عبر منظومة Ultralytics، يتفوق بسهولة على شبكات CNN الصناعية القديمة. وللمستخدمين المهتمين بنسخ الإنتاج السابقة ذات الاستقرار العالي، يظل YOLO11 مدعومًا بالكامل ومستخدمًا على نطاق واسع في تطبيقات المؤسسات.

المساهمون
GLglenn-jocher17PDpderrenger1

التعليقات