YOLOv8 مقابل YOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية في الزمن الفعلي باستمرار، مدفوعًا بالطلب على نماذج أسرع وأكثر دقة وتنوعًا. ومن أبرز البنى التي ظهرت في أوائل عام 2023 Ultralytics YOLOv8 وYOLOv6-3.0 من Meituan. يدفع كلا النموذجين حدود الأداء المتقدم، لكنهما يلبيان فلسفات تطوير وسيناريوهات نشر مختلفة قليلًا.

يقدّم هذا الدليل الشامل تحليلًا متعمقًا للبنى ومقاييس الأداء وحالات الاستخدام المثالية، لمساعدة مهندسي تعلم الآلة والباحثين على اختيار الأداة المناسبة لمشروع كشف الأجسام التالي.

سلالة النماذج وتفاصيلها#

قبل الخوض في التفاصيل التقنية، من المهم فهم أصول النموذجين ومواصفاتهما الأساسية. يعتمد كلا المستودعين اعتمادًا كبيرًا على إطار العمل الشائع PyTorch، لكن تكاملهما مع المنظومات يختلف اختلافًا ملحوظًا.

تفاصيل YOLOv8#

تمثل بنية Ultralytics YOLOv8 إطارًا موحدًا متعدد المهام، صُمم من الأساس لتوفير تجربة متميزة للمطورين وتعدد الاستخدامات. وهي تستند إلى سنوات من الأبحاث وملاحظات المجتمع حول الإصدارات السابقة.

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

تفاصيل YOLOv6-3.0#

طُرح YOLOv6 في الأصل للتطبيقات الصناعية لدى Meituan، وحصل على تحديث كبير بعنوان "إعادة تحميل شاملة" في الإصدار 3.0. ويستهدف أساسًا بيئات النشر عالية التحسين، مستخدمًا تقنيات مثل التقطير الذاتي وRepOptimizer.

• المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
• المؤسسة: Meituan
• التاريخ: 2023-01-13
• Arxiv: https://arxiv.org/abs/2301.05586
• GitHub: https://github.com/meituan/YOLOv6
• Docs: https://docs.ultralytics.com/models/yolov6

تعرّف على مزيد من المعلومات حول YOLOv6-3.0

البنية ومنهجيات التدريب#

بنية Ultralytics YOLOv8#

قدّم YOLOv8 رأس كشف محسّنًا بدرجة كبيرة وخاليًا من المراسي. ومن خلال إزالة مربعات المراسي المحددة مسبقًا، يعمم النموذج على مجموعات بيانات متنوعة بصورة أفضل ويقلل عدد الأساليب الاستدلالية في مرحلة المعالجة اللاحقة. إضافة إلى ذلك، يقدم YOLOv8 توازن أداء لا يُضاهى، إذ يحقق باستمرار مفاضلة مواتية بين السرعة والدقة، تلائم سيناريوهات النشر المتنوعة في العالم الفعلي، من الخوادم السحابية إلى الأجهزة الطرفية محدودة الموارد.

من المزايا الرئيسية لـYOLOv8 متطلبات الذاكرة. أثناء التدريب، تستهلك نماذج Ultralytics ذاكرة CUDA أقل بكثير مقارنة بالبدائل الثقيلة القائمة على Transformer مثل RT-DETR. ويتيح ذلك للمطورين استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية القياسية، ما يحقق كفاءة تدريب ممتازة.

بنية YOLOv6-3.0#

يستخدم YOLOv6-3.0 وحدة Bi-directional Concatenation (BiC) واستراتيجية تدريب بمساعدة المراسي (AAT). ويستخدم عمودًا فقريًا EfficientRep للنماذج الأصغر (N وS)، بينما تنتقل الإصدارات الأكبر (M وL) إلى عمود فقري CSPStackRep. وقد حُسّنت البنية بدرجة كبيرة للتنفيذ باستخدام NVIDIA TensorRT، ما يجعلها سريعة للغاية عند نشرها على عتاد متوافق. لكن هذا الترابط الوثيق مع تحسينات عتادية محددة قد يجعل النشر عبر المنصات أقل مرونة أحيانًا مقارنة بسير عمل التصدير إلى ONNX المتاح أصلاً في Ultralytics.

مقارنة الأداء#

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

رغم أن YOLOv6-3.0 يحقق أفضلية طفيفة في السرعة ضمن معايير TensorRT محددة، يقدم YOLOv8 تصميمًا أكثر كفاءة من حيث عدد المعلمات في الفئات الأصغر، ما يمنحه مرونة أكبر عبر عتاد متنوع، بما في ذلك وحدات CPU المحمولة والمدمجة.

المنظومة وتعدد الاستخدامات#

يتجلى أوضح اختلاف بين النموذجين في دعم المنظومة المحيطة بهما.

يُستخدم YOLOv6 أساسًا محركًا لكشف مربعات الإحاطة. أما YOLOv8 فيتميز بـتعدد الاستخدامات. ويدعم YOLOv8 أصلاً، ضمن إطار موحد واحد، تجزئة الكائنات وتصنيف الصور وتقدير الوضعيات وكشف مربعات الإحاطة الموجّهة (OBB).

إضافة إلى ذلك، لا يُضاهى سهولة الاستخدام في منظومة Ultralytics. فباستخدام واجهة Python البرمجية البسيطة، يستطيع الباحثون بدء التدريب والتحقق من النتائج وتصدير النماذج إلى تنسيقات عديدة دون كتابة شيفرة نمطية معقدة. وتضمن المنظومة التي تحظى بصيانة جيدة استمرار التطوير والتحديثات المتكررة والتكامل السلس مع أدوات تتبع التجارب الشائعة.

مثال على الشيفرة: تدريب YOLOv8#

يتطلب تدريب نموذج YOLOv8 إعدادًا بسيطًا، ما يبرز سهولة الوصول التي يتيحها تصميم الإطار:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 صغير مدرّب مسبقًا⁩
model = YOLO("yolov8s.pt")

# ⁨تدريب النموذج على مجموعة بيانات COCO8⁩
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # ⁨استخدام GPU للتدريب بكفاءة⁩
    batch=32,
)

# ⁨تصدير النموذج بسهولة إلى ONNX للنشر عبر المنصات⁩
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv8 وYOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك المتعلقة بالمنظومة.

متى تختار YOLOv8#

يُعد YOLOv8 خيارًا قويًا لـ:

• نشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مجرّبًا لـالكشف والتقسيم والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
• أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
• دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.

متى تختار YOLOv6#

يُنصح بـ YOLOv6 في الحالات التالية:

• 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 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.

نظرة إلى المستقبل: الترقية إلى YOLO26#

مع أن YOLOv8 وYOLOv6-3.0 خياران ممتازان، يُنصح المطورون الذين يبدؤون مشاريع جديدة بشدة باستكشاف نموذج الجيل التالي Ultralytics YOLO26. أُطلق YOLO26 في يناير 2026، وأعاد تعريف معيار الذكاء الاصطناعي للرؤية المصمم للطرف أولاً.

يقدم YOLO26 تصميمًا اختياريًا شاملًا من دون NMS (nms=False) يلغي الحاجة إلى قمع غير الأقصى أثناء المعالجة اللاحقة. ويضمن هذا النهج الشامل بطبيعته من البداية إلى النهاية منطق نشر أسرع وأبسط، لا سيما في البيئات الطرفية. وبالاقتران مع إزالة DFL (خسارة البؤرة التوزيعية)، يصبح رأس النموذج أخف بكثير، ما يؤدي إلى استدلال أسرع بنسبة تصل إلى 43% على CPU.

تحسّن استقرار التدريب وسرعة التقارب تحسنًا كبيرًا أيضًا بفضل محسّن MuSGD، وهو مزيج من SGD وMuon مستوحى من منهجيات تدريب نماذج اللغة الكبيرة (LLM). إضافة إلى ذلك، يعزز إدخال ProgLoss + STAL التعرف على الأجسام الصغيرة بدرجة كبيرة، وهو أمر بالغ الأهمية لصور الطائرات المسيّرة والفحص الصناعي الكثيف.

الخلاصة#

يعتمد الاختيار بين YOLOv8 وYOLOv6-3.0 في النهاية على أولويات مسار النشر لديك. يُعد YOLOv6-3.0 نموذجًا عالي الكفاءة لبيئات TensorRT الصارمة التي تكون فيها السرعة الخام لوحدة GPU هي الأولوية القصوى. لكن بالنسبة إلى الغالبية العظمى من الفرق، يمثل نموذج Ultralytics YOLOv8 الخيار الأفضل. فمزيجه من متطلبات الذاكرة الأقل أثناء التدريب وتعدد المهام والمنظومة الرائدة في القطاع التي توفرها منصة Ultralytics يقلل زمن الوصول إلى السوق بدرجة كبيرة.

للمطورين الذين يطمحون إلى بلوغ أقصى كفاءة حديثة، يوفر الانتقال السلس إلى YOLO26 تجربة لا مثيل لها خالية من NMS، تضمن جاهزية أي تطبيق للرؤية الحاسوبية للمستقبل.