YOLOv9 مقابل YOLOv6-3.0
كان تطور اكتشاف الأجسام الآني مدفوعًا بابتكارات متواصلة في بنى الشبكات العصبية، مع الموازنة بين سرعة الاستدلال والدقة والكفاءة الحاسوبية. ومع تنقل المطورين والباحثين في المشهد المزدحم لأطر عمل الرؤية الحاسوبية، تُعد مقارنة البنى الرائدة أمرًا أساسيًا لاختيار الأداة المناسبة للمهمة.
يقارن هذا الدليل التقني بين نموذجين كفؤين: YOLOv9، المعروف بالحفاظ على المعلومات عبر الشبكات العميقة، وYOLOv6-3.0، المصمم خصيصًا للتطبيقات الصناعية.
نظرة عامة على YOLOv9: تعظيم الاحتفاظ بالميزات#
يتصدى YOLOv9، الذي طُرح في أوائل 2024، لأحد أكثر التحديات استمرارًا في الشبكات العصبية العميقة: فقدان المعلومات أثناء التمرير الأمامي. ومن خلال الحفاظ على موثوقية التدرجات ومساعدة خرائط السمات على الاحتفاظ بالبيانات المهمة، يحسّن النموذج الدقة.
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 21 فبراير 2024
- روابط: ورقة arXiv، مستودع GitHub
البنية والمنهجيات#
يقدم YOLOv9 مفهوم معلومات التدرج القابلة للبرمجة (PGI) إلى جانب شبكة تجميع الطبقات الفعالة المعممة (GELAN). ويعالج PGI عنق الزجاجة المعلوماتي من خلال توفير إشراف مساعد يضمن تعلم الشبكة الرئيسية سمات قوية وموثوقة دون إضافة أعباء إلى الاستدلال. وفي الوقت نفسه، تحسّن GELAN استخدام المعلمات، ما يتيح للنموذج تحقيق أحدث مستويات متوسط الدقة (mAP) مع إبقاء التكلفة الحاسوبية تحت السيطرة. وهذا يجعله خيارًا قويًا لـتحليل الصور الطبية أو اكتشاف الأجسام الصغيرة للغاية، حيث تكون دقة السمات بالغة الأهمية.
نظرة عامة على YOLOv6-3.0: مصمم للنطاق الصناعي#
طوّرت Meituan نموذج YOLOv6-3.0 (ويُشار إليه أيضًا باسم v3.0) من الأساس لخدمة التطبيقات الصناعية الشاقة. وصدر في أوائل 2023، ويركز على كفاءة النشر، ويقدم مجموعة من النماذج الملائمة للتكميم التي تحقق أداءً جيدًا على الأجهزة الطرفية.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
- الجهة: Meituan
- التاريخ: 13 يناير 2023
- روابط: ورقة arXiv، مستودع GitHub
البنية والمنهجيات#
يتميز YOLOv6-3.0 باستراتيجيتي RepOptimizer والتدريب المدعوم بالمراسي (AAT). ويستخدم النموذج تصميمًا للشبكة العصبية يراعي الأجهزة، مستوحى من RepVGG، ما يتيح تشغيله بسرعة كبيرة على وحدات GPU أثناء الاستدلال من خلال دمج الطبقات. كما حسّن تحديث 3.0 البنية أكثر بإضافة وحدة الوصل ثنائية الاتجاه (BiC) لتحسين دقة تحديد المواقع. وبفضل تحسينه الشديد لتنسيقات النشر مثل TensorRT وOpenVINO، يُعتمد YOLOv6-3.0 كثيرًا في الخدمات اللوجستية وأتمتة التصنيع وبيئات الخوادم عالية الإنتاجية.
تعرّف على مزيد من المعلومات حول YOLOv6-3.0
مقارنة الأداء#
عند تقييم هذه النماذج على مجموعة بيانات COCO القياسية، تظهر مفاضلات واضحة بين الدقة وسرعة الاستدلال الخام.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
التحليل التقني#
يتصدر YOLOv6-3.0n من حيث السرعة الخام على أجهزة T4 (1.17ms)، بينما يحقق YOLOv9t قيمة mAP أعلى قليلًا (38.3%) باستخدام أقل من نصف عدد المعلمات (2.0M مقابل 4.7M) وعدد أقل بكثير من FLOPs. أما للمتطلبات المعقدة التي تتطلب دقة عالية، فيحقق أكبر النماذج، YOLOv9e، نسبة mAP تبلغ 55.6%، ما يبرز قوة بنية PGI في الشبكات العميقة.
إذا كنت تبدأ مشروعًا جديدًا في الرؤية الحاسوبية، توصي Ultralytics باستخدام YOLO26. صدر النموذج في يناير 2026، ويتميز بتصميم أصلي شامل خالٍ من NMS (nms=False) يلغي زمن استجابة المعالجة اللاحقة لـالكبت غير الأقصى (NMS)، كما يوفر YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n.
ميزة منظومة Ultralytics#
بغض النظر عن النهج المعماري للنموذج الذي تفضله، يضمن تطبيق النماذج مباشرةً عبر واجهة Ultralytics البرمجية لـPython تجربة متسقة للمطورين.
سهولة الاستخدام وكفاءة التدريب#
يتطلب تدريب نماذج التعلم العميق المعقدة تقليديًا قدرًا كبيرًا من الشيفرة النمطية. وتتولى منصة Ultralytics وحزمة Python هذه التعقيدات. سواء كنت تضبط YOLOv9 بدقة لاكتشاف العيوب أو تصدّر YOLOv6 لتطبيقات الأجهزة المحمولة، يظل سير العمل متسقًا.
تتطلب بنى Ultralytics عمومًا ذاكرة CUDA أقل أثناء التدريب مقارنةً بالنماذج الأثقل القائمة على Transformer. وهذا يتيح للمطورين استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية، ما يحسّن كفاءة التدريب.
from ultralytics import YOLO
# بدّل بين البنى بسهولة عبر تغيير سلسلة نص ملف النموذج
# model = YOLO("yolov6n.yaml") # يتوفر YOLOv6 كإعداد YAML (من دون أوزان مدرّبة مسبقًا)
model = YOLO("yolov9c.pt")
# درّب النموذج باستخدام تعزيز البيانات والتخزين المؤقت المدمجين
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# صدّر إلى ONNX أو TensorRT
model.export(format="engine", quantize=16)تعدد الاستخدامات عبر مهام الرؤية#
على الرغم من أن YOLOv6-3.0 مُحسَّن بدرجة كبيرة لإنشاء صناديق الإحاطة بسرعة، فإن مشروعات الرؤية الحاسوبية الحديثة غالبًا ما تتطلب نهجًا متعدد المهام. وتشتهر نماذج Ultralytics بتعدد استخداماتها. وباستخدام نماذج مثل Ultralytics YOLOv8 وYOLO26 الأحدث، يتولى إطار عمل واحد مهام اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، وصناديق الإحاطة الموجّهة (OBB).
تقديم YOLO26: المعيار الجديد#
يوفر YOLO26 مزيجًا قويًا من السرعة والدقة للمؤسسات التي تسعى إلى تحقيق أقصى أداء وسهولة في النشر.
استنادًا إلى نجاحات YOLO11، يقدم YOLO26 عدة ميزات جديدة:
- مُحسِّن MuSGD: هذا المزيج من SGD وMuon، المستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يوفر تدريبًا مستقرًا وتقاربًا سريعًا.
- إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية، يبسّط YOLO26 مخطط التصدير، ما يجعله أكثر توافقًا مع شرائح الحوسبة الطرفية منخفضة الطاقة.
- ProgLoss + STAL: تعمل الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) على تحسين اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية لـعمليات الطائرات المسيّرة وتطبيقات إنترنت الأشياء.
- تحسينات خاصة بالمهام: يتضمن YOLO26 وحدة أولية متعددة المقاييس للتجزئة، وتقدير احتمالية لوغاريتمية متبقية (RLE) لتقدير الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات الحدود في اكتشاف OBB.
سيناريوهات النشر المثالية#
يتوقف اختيار البنية المناسبة في نهاية المطاف على قيود بيئة الإنتاج لديك.
اختر YOLOv6-3.0 إذا كان لديك مسار معالجة راسخ في التصنيع الصناعي، وتعتمد بدرجة كبيرة على التكميم، وتستخدم مسرّعات استدلال متخصصة تحتاج معها إلى أقل زمن استجابة على الأجهزة.
اختر YOLOv9 إذا كنت تعمل على التشخيص الطبي المعقد أو المراقبة بعيدة المدى، حيث لا يمكن التغاضي عن فقدان الميزات الدقيقة على مستوى البكسل.
أما إذا كنت تبحث عن نهج متوازن يجمع بين الدقة العالية والنشر المبسط الخالي من NMS، فإن Ultralytics YOLO26 هو الخيار الموصى به للهندسة الحديثة في الرؤية الحاسوبية، بدعم من التطوير النشط والوثائق الشاملة ومساندة المجتمع.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.