YOLOv8 مقابل YOLOv6-3.0#

يشهد مجال الرؤية الحاسوبية في الزمن الحقيقي تطورًا مستمرًا، مدفوعًا بالطلب على نماذج أسرع وأكثر دقة وتنوعًا. ومن أبرز البنى التي ظهرت في أوائل عام 2023 Ultralytics YOLOv8 وYOLOv6-3.0 من Meituan. ويقدم كلا النموذجين أداءً قويًا في الزمن الحقيقي، لكنهما يلبيان فلسفات تطوير وسيناريوهات نشر مختلفة.

يحلل هذا الدليل بنيتيهما ومقاييس الأداء وحالات الاستخدام المثلى، لمساعدة مهندسي تعلّم الآلة والباحثين على اختيار الأداة المناسبة لمشروعهم التالي في اكتشاف الأجسام.

سلالة النماذج وتفاصيلها#

قبل مقارنة التفاصيل التقنية، من المهم فهم أصول النموذجين ومواصفاتهما الأساسية. فكلاهما مبني على إطار العمل الشائع PyTorch، لكن تكاملهما مع الأنظمة البيئية يختلف اختلافًا كبيرًا.

تفاصيل YOLOv8#

إن بنية Ultralytics YOLOv8 إطار موحد متعدد المهام، صُمم منذ البداية لتوفير تجربة تطوير ميسرة 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 رئيسي بعنوان "Full-Scale Reloading" في الإصدار 3.0. ويستهدف أساسًا النشر الصناعي المحسّن، 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#

قدم YOLOv8 رأس كشف محسّنًا خاليًا من المراسي. ومن خلال إزالة مربعات المراسي المحددة مسبقًا، يعمم النموذج أداءه على مجموعات بيانات متنوعة على نحو أفضل، ويقلل عدد أساليب الاستدلال الإرشادية في المعالجة اللاحقة. كما يوفر YOLOv8 موازنة ملائمة بين السرعة والدقة لسيناريوهات النشر الواقعية المتنوعة، من الخوادم السحابية إلى الأجهزة الطرفية محدودة الموارد.

ومن مزايا YOLOv8 الأخرى انخفاض استهلاكه للذاكرة. أثناء التدريب، تستهلك نماذج Ultralytics عادةً ذاكرة CUDA أقل من البدائل الأثقل المعتمدة على المحولات مثل RT-DETR، ما يتيح للمطورين استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية المعتادة والتدريب بكفاءة.

بنية YOLOv6-3.0#

يستخدم YOLOv6-3.0 وحدة وصل ثنائية الاتجاه (BiC) واستراتيجية تدريب مدعومة بالمراسي (AAT). ويستخدم عمودًا فقريًا EfficientRep للنماذج الأصغر (N وS)، بينما تنتقل الإصدارات الأكبر (M وL) إلى عمود CSPStackRep الفقري. وقد حُسّنت البنية بدرجة كبيرة للتنفيذ باستخدام NVIDIA TensorRT، ما يجعلها سريعة جدًا عند نشرها على الأجهزة المتوافقة. لكن هذا الارتباط الوثيق بتحسينات أجهزة بعينها قد يجعل النشر عبر المنصات أكثر تقييدًا قليلًا مقارنةً بمسارات التصدير المرنة إلى ONNX والمدمجة في Ultralytics.

مقارنة الأداء#

يحقق النموذجان أداءً قويًا عند تقييمهما على مجموعة بيانات التحقق COCO. ويسلط الجدول أدناه الضوء على المقاييس الرئيسية.

يتفوق YOLOv6-3.0 قليلًا في السرعة على T4 باستخدام TensorRT في معظم الأحجام، ويقارب YOLOv8 في mAP، بينما يستخدم YOLOv8 عددًا أقل من المعلمات في كل حجم وعمليات FLOPs أقل في الأحجام n وs وm، ما يمنحه مرونة أكبر عبر الأجهزة المتنوعة، بما فيها وحدات CPU المحمولة والمدمجة.

المنظومة وتعدد الاستخدامات#

يكمن أكبر اختلاف بين النموذجين في مدى دعم النظام البيئي.

يُعد YOLOv6 محركًا لاكتشاف مربعات الإحاطة في المقام الأول. وعلى النقيض، يُعرف YOLOv8 بـتعدد استخداماته. ويدعم YOLOv8، ضمن إطار موحد واحد، مهام تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات واكتشاف مربعات الإحاطة الموجّهة (OBB) دعمًا أصيلًا.

كما صُمم نظام Ultralytics البيئي لتوفير سهولة الاستخدام. فمن خلال واجهة Python API بسيطة، يستطيع الباحثون بدء التدريب والتحقق من النتائج وتصدير النماذج إلى تنسيقات عديدة دون كتابة شيفرات نمطية معقدة. ويُصان النظام البيئي بنشاط، مع تحديثات متكررة وتكاملات مع أدوات تتبّع 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,  # ⁨استخدم GPU لتدريب فعّال⁩
    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:

• النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة 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 الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
• 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.

نظرة إلى المستقبل: الترقية إلى YOLO26#

مع أن YOLOv8 وYOLOv6-3.0 خياران قويان، ينبغي للمطورين الذين يبدأون مشاريع جديدة استكشاف نموذج Ultralytics من الجيل التالي YOLO26. صدر YOLO26 في يناير 2026، وصُمم خصيصًا لـذكاء اصطناعي للرؤية يبدأ من الأجهزة الطرفية.

يقدم YOLO26 تصميمًا اختياريًا شاملًا من البداية إلى النهاية وخاليًا من NMS (nms=False)، يلغي الحاجة إلى كبت غير الأعظميات أثناء المعالجة اللاحقة. ويتيح هذا النهج الشامل الأصلي من البداية إلى النهاية منطق نشر أسرع وأبسط، لا سيما في البيئات الطرفية. ومع إزالة DFL (خسارة البؤرة التوزيعية)، يصبح رأس النموذج أخف أيضًا، ويحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n.

كما تتحسن استقرارية التدريب وسرعة التقارب بفضل محسّن MuSGD، وهو مزيج هجين من SGD وMuon مستوحى من منهجيات تدريب نماذج اللغة الكبيرة. ويحسّن ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المدرك للأهداف الصغيرة) اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية لصور الطائرات 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 كفؤًا لبيئات TensorRT الصارمة التي تكون فيها سرعة GPU الخام أولوية قصوى. لكن Ultralytics YOLOv8 هو الخيار العملي أكثر لمعظم الفرق؛ إذ تقلل متطلبات ذاكرته التدريبية، وتعدد مهامه، ونظام Ultralytics Platform البيئي الوقت اللازم لطرح المنتج في السوق.

للمشاريع الجديدة، يضيف YOLO26 استدلالًا خاليًا من NMS وأداءً أسرع على CPU لتطبيقات الرؤية الحاسوبية الحديثة.