Ultralytics YOLO27:

YOLOv9 مقابل YOLOv6-3.0#

لقد كان تطور اكتشاف الأجسام في الوقت الفعلي مدفوعًا بابتكارات مستمرة في بنيات الشبكات العصبية، مع تحسين التوازن الدقيق بين سرعة الاستدلال والدقة والكفاءة الحاسوبية. ومع تنقّل المطورين والباحثين في المشهد المزدحم لأطر الرؤية الحاسوبية، تُعد مقارنة البنى الرائدة أمرًا أساسيًا لاختيار الأداة المناسبة للمهمة.

يقدم هذا الدليل التقني مقارنة متعمقة بين نموذجين عاليي القدرة: YOLOv9، المشهور بقدرته على الاحتفاظ بمعلومات التعلم العميق، وYOLOv6-3.0، وهو نموذج مصمم خصيصًا للتطبيقات الصناعية.

نظرة عامة على YOLOv9: تعزيز الاحتفاظ بالسمات#

طُرح YOLOv9 في أوائل عام 2024، ويتصدى لأحد أكثر التحديات استمرارًا في الشبكات العصبية العميقة: فقدان المعلومات أثناء العملية الأمامية. ومن خلال ضمان موثوقية التدرجات واحتفاظ خرائط السمات بالبيانات الحيوية، يدفع النموذج حدود الدقة النظرية.

  • المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
  • الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
  • التاريخ: 21 فبراير 2024
  • الروابط: ورقة Arxiv، مستودع GitHub

البنية والمنهجيات#

يقدم YOLOv9 مفهوم معلومات التدرج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات الفعالة المعممة (GELAN). يعالج PGI عنق زجاجة المعلومات من خلال توفير إشراف مساعد يضمن تعلّم الشبكة الرئيسية لسمات متينة وموثوقة من دون إضافة عبء إلى الاستدلال. وفي الوقت نفسه، يحسّن GELAN استخدام المعلمات، مما يتيح للنموذج تحقيق متوسط الدقة (mAP) المتطور مع الحفاظ على تكلفة حاسوبية يمكن التحكم فيها. وهذا يجعله خيارًا استثنائيًا لـتحليل الصور الطبية أو اكتشاف الأجسام الصغيرة للغاية، حيث تُعد دقة السمات أمرًا بالغ الأهمية.

تعرّف على المزيد حول YOLOv9

نظرة عامة على YOLOv6-3.0: مصمم للتوسع الصناعي#

طورت شركة Meituan نموذج YOLOv6-3.0 (المشار إليه أيضًا باسم v3.0) من الأساس لخدمة التطبيقات الصناعية الشاقة. وقد أُطلق في أوائل عام 2023، ويركز بدرجة كبيرة على كفاءة النشر، إذ يوفر مجموعة من النماذج الملائمة للتكميم والتي تتفوق على العتاد الطرفي.

  • المؤلفون: Chuyi Li، Lulu Li، Yifei Geng، Hongliang Jiang، Meng Cheng، Bo Zhang، Zaidan Ke، Xiaoming Xu، وXiangxiang Chu
  • الجهة: Meituan
  • التاريخ: 13 يناير 2023
  • الروابط: ورقة Arxiv، مستودع GitHub

البنية والمنهجيات#

يتميز YOLOv6-3.0 باستراتيجيتَي RepOptimizer والتدريب المدعوم بالمراسي (AAT). ويستخدم النموذج تصميمًا لشبكة عصبية واعيًا بالعتاد ومستوحًى من RepVGG، مما يتيح له العمل بسرعة استثنائية على وحدات GPU أثناء الاستدلال من خلال دمج الطبقات. كما حسّن تحديث 3.0 البنية بإدخال وحدة التركيب ثنائي الاتجاه (BiC) لتحسين دقة تحديد الموقع. ونظرًا إلى تحسينه بدرجة كبيرة لتنسيقات النشر مثل TensorRT وOpenVINO، يُعتمد YOLOv6-3.0 بشكل متكرر في الخدمات اللوجستية وأتمتة التصنيع وبيئات الخوادم عالية الإنتاجية.

تعرّف على المزيد حول YOLOv6-3.0

مقارنة الأداء#

عند تقييم هذه النماذج على مجموعة بيانات COCO القياسية، يمكننا ملاحظة مفاضلات واضحة بين الدقة وسرعة الاستدلال الخام.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.126.4
YOLOv9m64051.4-6.4320.076.3
YOLOv9c64053.0-7.1625.3102.1
YOLOv9e64055.6-16.7757.3189.0
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

التحليل التقني#

بينما يتصدر YOLOv6-3.0n من حيث السرعة الخام على عتاد T4 (بزمن قدره 1.17ms)، يتمكن YOLOv9t من تحقيق mAP أعلى قليلًا (38.3%) مع استخدام أقل من نصف عدد المعلمات (2.0M مقابل 4.7M) وعدد أقل بكثير من FLOPs. وبالنسبة إلى المتطلبات المعقدة وعالية الدقة، يرفع YOLOv9e الضخم الدقة إلى 55.6% mAP، موضحًا قوة بنية PGI في الشبكات العميقة.

حصّن مشروعك للمستقبل باستخدام YOLO26

إذا كنت تبدأ مبادرة جديدة في مجال الرؤية الحاسوبية، فإننا نوصي بشدة باستخدام YOLO26. وقد أُطلق في عام 2026، ويتميز بتصميم أصلي من البداية إلى النهاية خالٍ من NMS، يلغي تمامًا زمن الاستجابة للمعالجة اللاحقة، ويتيح استدلالًا على CPU أسرع بنسبة تصل إلى 43%.

ميزة منظومة Ultralytics#

بغض النظر عن الفلسفة المعمارية للنموذج التي تفضلها، فإن تنفيذ هذه النماذج أصليًا من خلال واجهة برمجة تطبيقات Ultralytics Python يوفر تجربة تطوير فائقة.

سهولة الاستخدام وكفاءة التدريب#

يتطلب تدريب نماذج التعلم العميق المعقدة تقليديًا قدرًا هائلًا من التعليمات البرمجية التمهيدية. وتجرّد منصة Ultralytics هذه التعقيدات من خلال تجريدها. وسواء كنت تضبط YOLOv9 بدقة لاكتشاف العيوب أو تصدّر YOLOv6 لتطبيقات الأجهزة المحمولة، يظل سير العمل متسقًا على نحو ملحوظ.

علاوة على ذلك، تتميز بنيات Ultralytics عمومًا بمتطلبات أقل لـذاكرة CUDA أثناء التدريب مقارنةً بالنماذج الضخمة القائمة على Transformer. ويتيح ذلك للمطورين استخدام أحجام دفعات أكبر على وحدات GPU المخصصة للمستهلكين، مما يحسن كفاءة التدريب بدرجة كبيرة.

from ultralytics import YOLO

# Easily swap architectures by changing the weights file string
# model = YOLO("yolov6n.pt")
model = YOLO("yolov9c.pt")

# Train the model with built-in data augmentation and caching
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Export to ONNX or TensorRT seamlessly
model.export(format="engine", quantize=16)

تنوع لا مثيل له عبر مهام الرؤية#

في حين أن YOLOv6-3.0 مُحسّن بدرجة كبيرة لإنشاء مربعات الإحاطة بسرعة، تتطلب مشروعات الرؤية الحاسوبية الحديثة غالبًا نهجًا متعدد المهام. وتشتهر نماذج Ultralytics بمرونتها الفائقة. وباستخدام أدوات مثل Ultralytics YOLOv8 وYOLO26 الأحدث، يتعامل إطار عمل واحد بسلاسة مع اكتشاف الأجسام وتجزئة المثيلات وتصنيف الصور وتقدير الوضعيات ومربعات الإحاطة الموجهة (OBB).

تقديم YOLO26: المعيار الجديد#

بالنسبة إلى المؤسسات التي تتطلع إلى تحقيق أقصى استفادة من الأداء وسهولة النشر، يمثل YOLO26 التقارب الأمثل بين السرعة والدقة.

استنادًا إلى نجاحات YOLO11، يقدم YOLO26 العديد من الميزات التي تُحدث تحولًا في النموذج الفكري:

  • مُحسِّن MuSGD: مستوحًى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يضمن هذا المُحسِّن الهجين تدريبًا مستقرًا للغاية وتقاربًا سريعًا.
  • إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية، يبسط YOLO26 مخطط التصدير، مما يجعله أكثر توافقًا بدرجة كبيرة مع شرائح الحوسبة الطرفية منخفضة الطاقة.
  • ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـعمليات الطائرات المسيّرة وتطبيقات إنترنت الأشياء.
  • تحسينات خاصة بالمهام: يتضمن YOLO26 إنشاء نماذج أولية أصليًا متعدد المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتتبع الهيكل العظمي، وخوارزميات متخصصة لخسارة الزاوية لمعالجة الحالات الحدية في اكتشاف OBB.

سيناريوهات النشر المثالية#

يعتمد اختيار البنية المناسبة في نهاية المطاف على قيودك الإنتاجية.

اختر YOLOv6-3.0 إذا كان لديك مسار عمل راسخ في التصنيع الصناعي، وتعتمد بدرجة كبيرة على التكميم، وتستخدم مسرّعات استدلال متخصصة تحتاج معها إلى أدنى زمن استجابة عتادي مطلق على مستوى أجزاء الميلي ثانية.

اختر YOLOv9 إذا كنت تتعامل مع تشخيصات الرعاية الصحية المعقدة أو المراقبة بعيدة المدى، حيث لا يُسمح بإغفال السمات الدقيقة على مستوى البكسل.

ومع ذلك، بالنسبة إلى نهج متوازن تمامًا يجمع بين الدقة المتطورة والنشر المبسط الخالي من NMS، يمثل Ultralytics YOLO26 التوصية الحاسمة لهندسة الرؤية الحاسوبية الحديثة. وتجعل دورة تطويره النشطة، ووثائقه الشاملة، ودعم مجتمعه الحيوي منه أداة لا غنى عنها للباحثين والمطورين على حد سواء.

المساهمون
GLglenn-jocher16

التعليقات