مقارنة بين YOLOv8 وYOLOv6-3.0#

يشهد مجال الرؤية الحاسوبية في الوقت الفعلي تطورًا مستمرًا، مدفوعًا بالطلب على نماذج أسرع وأكثر دقة وتنوعًا. ومن أبرز بنيتي النماذج اللتين ظهرتا في أوائل عام 2023 Ultralytics YOLOv8 وYOLOv6-3.0 من Meituan. يدفع كلا النموذجين حدود الأداء المتطور، لكنهما يلبيان فلسفات تطوير وسيناريوهات نشر مختلفة قليلًا.

يقدم هذا الدليل الشامل تحليلًا متعمقًا لبنيتيهما ومقاييس أدائهما وحالات الاستخدام المثالية لهما، مما يساعد مهندسي تعلّم الآلة والباحثين على اختيار الأداة المناسبة لمشروع اكتشاف الأجسام التالي.

سلالة النموذج وتفاصيله#

قبل التعمق في التفاصيل التقنية، من المهم فهم أصول النموذجين ومواصفاتهما الأساسية. ويعتمد كلا المستودعين اعتمادًا كبيرًا على إطار العمل الشائع PyTorch، لكن تكاملاتهما مع المنظومة البيئية تختلف اختلافًا كبيرًا.

تفاصيل YOLOv8#

تمثل بنية Ultralytics YOLOv8 إطارًا موحدًا متعدد المهام، صُمم من الأساس لتوفير تجربة استثنائية للمطورين وتعدد استخدامات واسع. وهي تبني على سنوات من البحث وملاحظات المجتمع المستقاة من الإصدارات السابقة.

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: https://github.com/ultralytics/ultralytics
• المستندات: https://docs.ultralytics.com/models/yolov8

تفاصيل YOLOv6-3.0#

طُرح YOLOv6 في الأصل للتطبيقات الصناعية لدى Meituan، وتلقى تحديثًا رئيسيًا بعنوان "إعادة التحميل على النطاق الكامل" في الإصدار 3.0. ويستهدف أساسًا بيئات النشر المحسّنة بدرجة عالية، مستفيدًا من تقنيات مثل التقطير الذاتي وRepOptimizer.

• المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، Hongliang Jiang، Meng Cheng، Bo Zhang، Zaidan Ke، Xiaoming Xu، وXiangxiang Chu
• المنظمة: Meituan
• التاريخ: 2023-01-13
• أرشيف (Arxiv): https://arxiv.org/abs/2301.05586
• جيت هاب (GitHub): https://github.com/meituan/YOLOv6
• الوثائق (Docs): https://docs.ultralytics.com/models/yolov6

اعرف المزيد عن YOLOv6-3.0

منهجيات البنية والتدريب#

بنية Ultralytics YOLOv8#

قدّم YOLOv8 رأس كشف محسّنًا بدرجة كبيرة وخاليًا من المراسي. ومن خلال إزالة صناديق المراسي المحددة مسبقًا، يعمم النموذج أداءه بصورة أفضل عبر مجموعات البيانات المتنوعة ويقلل عدد الاستدلالات الإرشادية في المعالجة اللاحقة. علاوة على ذلك، يوفر YOLOv8 توازنًا في الأداء لا مثيل له، محققًا باستمرار مفاضلة مواتية بين السرعة والدقة تلائم سيناريوهات النشر المتنوعة في العالم الحقيقي، من الخوادم السحابية إلى الأجهزة الطرفية محدودة الموارد.

تتمثل إحدى المزايا الرئيسية لـYOLOv8 في متطلبات الذاكرة. وأثناء التدريب، تُظهر نماذج Ultralytics استخدامًا أقل بكثير لذاكرة CUDA مقارنةً بالبدائل الثقيلة المعتمدة على Transformer، مثل RT-DETR. ويتيح ذلك للمطورين استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية القياسية، مما يؤدي إلى كفاءة تدريب ممتازة.

بنية YOLOv6-3.0#

يستخدم YOLOv6-3.0 وحدة Bi-directional Concatenation (BiC) واستراتيجية التدريب بمساعدة المراسي (AAT). وبالنسبة إلى النموذجين الأصغر (N وS)، يستخدم عمودًا فقريًا EfficientRep، بينما تنتقل المتغيرات الأكبر (M وL) إلى عمود فقري CSPStackRep. وقد حُسّنت البنية بدرجة كبيرة لتنفيذ NVIDIA TensorRT، مما يجعلها سريعة للغاية عند نشرها على أجهزة متوافقة. إلا أن هذا الاقتران الوثيق بتحسينات أجهزة محددة قد يجعل النشر عبر المنصات أكثر تقييدًا قليلًا أحيانًا مقارنةً بسير عمل التصدير المرن إلى ONNX المتاح أصلًا في Ultralytics.

مقارنة الأداء#

عند تقييم النماذج على مجموعة بيانات التحقق COCO، يُظهر كلا النموذجين أداءً لافتًا. يسلط الجدول أدناه الضوء على المقاييس الرئيسية.

مع أن YOLOv6-3.0 يتفوق بفارق طفيف في السرعة على بعض اختبارات TensorRT المعيارية، يوفر YOLOv8 تصميمًا أكثر كفاءة من حيث عدد المعلمات في الفئات الأصغر، مما يترجم إلى مرونة أفضل عبر الأجهزة المتنوعة، بما في ذلك وحدات CPU المحمولة والمدمجة.

المنظومة البيئية وتعدد الاستخدامات#

يكمن أوضح اختلاف بين النموذجين في دعم المنظومة البيئية.

يُعد YOLOv6 محركًا لاكتشاف الصناديق المحيطة أساسًا. وعلى النقيض، يشتهر YOLOv8 بـتعدد الاستخدامات. وضمن إطار عمل موحد واحد، يدعم YOLOv8 أصلاً تقسيم الكائنات، وتصنيف الصور، وتقدير الوضعية، واكتشاف الصناديق المحيطة الموجهة (OBB).

علاوة على ذلك، فإن سهولة الاستخدام في منظومة Ultralytics لا تضاهى. وباستخدام واجهة Python بسيطة، يستطيع الباحثون بدء التدريب والتحقق من النتائج وتصدير النماذج إلى العديد من التنسيقات دون كتابة تعليمات برمجية نمطية معقدة. وتضمن المنظومة البيئية جيدة الصيانة تطويرًا نشطًا وتحديثات متكررة وتكاملات سلسة مع أدوات تتبع التجارب الشائعة.

مثال برمجي: تدريب YOLOv8#

يتطلب تدريب نموذج YOLOv8 إعدادًا بسيطًا للغاية، مما يبرز سهولة تصميم إطار العمل:

from ultralytics import YOLO

# Load a pretrained YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model on the COCO8 dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Utilize GPU for efficient training
    batch=32,
)

# Easily export to ONNX for cross-platform deployment
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv8 وYOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة البيئية.

متى تختار YOLOv8#

يُعد YOLOv8 خيارًا قويًا من أجل:

• النشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مُثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
• أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية مسبقًا على بنية YOLOv8، مع مسارات نشر مستقرة ومختبرة جيدًا.
• دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـYOLOv8، وعمليات التكامل التابعة لجهات خارجية، وموارد المجتمع النشطة.

متى تختار YOLOv6#

يوصى باستخدام YOLOv6 في الحالات التالية:

• النشر المراعي للعتاد الصناعي: السيناريوهات التي يوفر فيها تصميم النموذج المراعي للعتاد وإعادة المعلمة الفعالة أداءً محسنًا على عتاد مستهدف محدد.
• الاكتشاف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للرقابة.
• التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنيتها التحتية للنشر.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

نظرة مستقبلية: الترقية إلى YOLO26#

مع أن YOLOv8 وYOLOv6-3.0 خياران ممتازان، يُشجَّع المطورون الذين يبدؤون مشاريع جديدة بشدة على استكشاف نموذج Ultralytics YOLO26 من الجيل التالي. وقد أُطلق YOLO26 في يناير 2026، ويعيد تعريف المعيار للذكاء الاصطناعي البصري ذي الأولوية للأجهزة الطرفية.

يقدم YOLO26 تصميمًا شاملًا من البداية إلى النهاية وخاليًا من NMS، ويلغي تمامًا الحاجة إلى كبت غير القيم العظمى أثناء المعالجة اللاحقة. ويضمن هذا النهج الأصلي من البداية إلى النهاية منطق نشر أسرع وأبسط، لا سيما في البيئات الطرفية. وبالاقتران مع إزالة DFL (الخسارة البؤرية للتوزيع)، يصبح رأس النموذج أخف بكثير، مما يؤدي إلى استدلال أسرع على CPU بنسبة تصل إلى 43%.

شهد استقرار التدريب وسرعة التقارب أيضًا ترقيات كبيرة بفضل مُحسِّن MuSGD، وهو مزيج هجين من SGD وMuon مستوحى من منهجيات تدريب LLM. بالإضافة إلى ذلك، يعزز تقديم ProgLoss + STAL التعرف على الأجسام الصغيرة بدرجة كبيرة، وهو أمر بالغ الأهمية للصور الملتقطة بالطائرات المسيّرة والفحص الصناعي الكثيف.

الخلاصة#

يعتمد الاختيار بين YOLOv8 وYOLOv6-3.0 في نهاية المطاف على أولويات مسار النشر لديك. يُعد YOLOv6-3.0 نموذجًا عالي الكفاءة لبيئات TensorRT الصارمة التي تكون فيها سرعة GPU الخام هي الأولوية المطلقة. ومع ذلك، يمثل نموذج Ultralytics YOLOv8 الخيار الأفضل لغالبية الفرق. إذ إن مزيجه من متطلبات الذاكرة المنخفضة أثناء التدريب وتعدد المهام والمنظومة البيئية الرائدة في المجال، التي توفرها منصة Ultralytics، يقلل بدرجة كبيرة الوقت اللازم للوصول إلى السوق.

وبالنسبة إلى المطورين الذين يريدون بلوغ أقصى كفاءة حديثة، فإن الانتقال السلس إلى YOLO26 يوفر تجربة لا مثيل لها وخالية من NMS، مما يضمن استمرارية أي تطبيق للرؤية الحاسوبية في المستقبل.