Meet YOLO26: next-gen vision AI.

Link to this sectionمقارنات النماذج: اختر أفضل نموذج لاكتشاف الأجسام لمشروعك#

يُعد اختيار بنية الشبكة العصبية المناسبة حجر الزاوية لأي مشروع ناجح في مجال رؤية الحاسوب. مرحبًا بكم في مركز مقارنة نماذج Ultralytics! تعمل هذه الصفحة على تجميع التحليلات التقنية التفصيلية ومعايير الأداء، حيث نقوم بتحليل المقايضات بين أحدث نموذج Ultralytics YOLO26 والبنيات الرائدة الأخرى مثل YOLO11 وYOLOv10 وRT-DETR وEfficientDet.

سواء كان تطبيقك يتطلب زمن انتقال بالملي ثانية في الذكاء الاصطناعي عند الحافة أو الدقة العالية المطلوبة للتصوير الطبي، فإن هذا الدليل يوفر الرؤى المستندة إلى البيانات اللازمة لاتخاذ خيار مستنير. نحن نقيم النماذج بناءً على متوسط دقة متوسط (mAP)، وسرعة الاستنتاج، وكفاءة المعلمات، وسهولة النشر.

Link to this sectionمعايير أداء تفاعلية#

Visualizing the relationship between speed and accuracy is essential for identifying the "Pareto frontier" of object detection—models that offer the best accuracy for a given speed constraint. The chart below contrasts key metrics on standard datasets like COCO.

This chart visualizes key performance metrics enabling you to quickly assess the trade-offs between different models. Understanding these metrics is fundamental to selecting a model that aligns with your specific deployment constraints.

Link to this sectionدليل القرار السريع#

هل أنت غير متأكد من أين تبدأ؟ استخدم شجرة القرار هذه لتضييق نطاق البنية التي تناسب متطلبات الأجهزة والأداء لديك بشكل أفضل.

graph TD
    A[Start: Define Project Needs] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]
    I -- "Video Analytics" --> L[YOLO26 + Tracking]

Link to this sectionالمشهد الحالي: YOLO26 وما بعده#

يتطور مجال اكتشاف الأجسام بسرعة. بينما تظل النماذج القديمة ذات صلة بدعم الأنظمة القديمة، فإن البنيات الجديدة تدفع حدود ما هو ممكن.

Link to this sectionUltralytics YOLO26#

تم إطلاق YOLO26 في يناير 2026، وهو أحدث نموذج متطور ونقطة البداية الموصى بها لجميع المشاريع الجديدة. يقدم ابتكارات معمارية رائدة بما في ذلك تصميم شامل خالٍ من NMS يلغي الحاجة إلى معالجة لاحقة عبر Non-Maximum Suppression، مما يؤدي إلى أوقات استنتاج أسرع وأكثر قابلية للتنبؤ. يعد YOLO26 أسرع بنسبة تصل إلى 43% على وحدات المعالجة المركزية (CPUs) مقارنة بالأجيال السابقة، مما يجعله مثاليًا للنشر عند الحافة.

تشمل الابتكارات الرئيسية:

  • شامل خالٍ من NMS: نشر مبسط بدون الحاجة إلى معالجة لاحقة
  • إزالة DFL: عمليات تصدير مبسطة إلى ONNX وTensorRT وCoreML
  • محسن MuSGD: محسن هجين بين SGD وMuon مستوحى من تدريب النماذج اللغوية الكبيرة (LLM) لتحقيق استقرار في التقارب
  • ProgLoss + STAL: أداء محسن لاكتشاف الأجسام الصغيرة
لماذا تختار YOLO26؟

يمثل YOLO26 ذروة الهندسة في Ultralytics، حيث يجمع بين أفضل كفاءة لشبكات CNN وقدرات شاملة تشبه المحولات (Transformers). وهو يدعم جميع المهام—الاكتشاف، والتجزئة، وتقدير الوضع، والتصنيف، وOBB—مع كونه أصغر وأسرع وأسهل في النشر من أي وقت مضى.

Link to this sectionUltralytics YOLO11#

لا يزال YOLO11 نموذجًا عالي الكفاءة، حيث يوفر تقليلًا بنسبة 22% في المعلمات مقارنة بـ YOLOv8 مع تحسين دقة الاكتشاف. إنه مدعوم بالكامل وموصى به للمستخدمين الذين يحتاجون إلى استقرار مثبت أو لديهم خطوط أنابيب YOLO11 حالية.

Link to this sectionنماذج المجتمع: ملاحظة حول YOLO12 وYOLO13#

قد تواجه إشارات إلى YOLO12 أو YOLO13 في مناقشات المجتمع أو المستودعات.

تحذير الإنتاج

نحن حاليًا لا نوصي باستخدام YOLO12 أو YOLO13 في بيئات الإنتاج.

  • YOLO12: يستخدم طبقات انتباه غالبًا ما تسبب عدم استقرار في التدريب، واستهلاكًا مفرطًا للذاكرة، وسرعات استنتاج أبطأ بكثير على وحدة المعالجة المركزية (CPU).
  • YOLO13: تشير المعايير إلى مكاسب طفيفة فقط في الدقة مقارنة بـ YOLO11 مع كونه أكبر وأبطأ. أظهرت النتائج المُبلغ عنها مشكلات في قابلية التكرار.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Link to this sectionمقارنات مفصلة للنماذج#

استكشف مقارناتنا التقنية المتعمقة لفهم الاختلافات المعمارية المحددة، مثل اختيار العمود الفقري (backbone)، وتصميم الرأس (head)، ووظائف الخسارة. لقد قمنا بتنظيمها حسب النموذج لسهولة الوصول:

Link to this sectionYOLO26 مقابل#

YOLO26 هو أحدث نموذج من Ultralytics يتميز باكتشاف شامل خالٍ من NMS، ومحسن MuSGD، وسرعة استنتاج على CPU أسرع بنسبة تصل إلى 43%. إنه مُحسّن للنشر عند الحافة مع تحقيق دقة متطورة.

Link to this sectionYOLO11 مقابل#

يعتمد YOLO11 على نجاح أسلافه بأبحاث متطورة. ويتميز ببنية عمود فقري وعنق محسنة لاستخراج ميزات أفضل وكفاءة محسنة.

Link to this sectionYOLOv10 مقابل#

تم تطوير YOLOv10 بواسطة جامعة تسينغهوا، ويركز على إزالة خطوة Non-Maximum Suppression (NMS) لتقليل تباين زمن الانتقال، مما يوفر أداءً متطورًا مع تقليل النفقات الحسابية.

Link to this sectionYOLOv9 مقابل#

يقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN) لمعالجة فقدان المعلومات في الشبكات العصبية العميقة.

Link to this sectionYOLOv8 مقابل#

لا يزال Ultralytics YOLOv8 خيارًا شائعًا للغاية، حيث يتميز ببنى عمود فقري وعنق متقدمة ورأس تقسيم خالٍ من المرساة (anchor-free) لتحقيق أفضل مقايضات بين الدقة والسرعة.

Link to this sectionYOLOv7 مقابل#

قدم YOLOv7 "مجموعة أدوات مجانية قابلة للتدريب" وإعادة ضبط معلمات النموذج، مع التركيز على تحسين عملية التدريب دون زيادة تكاليف الاستدلال.

Link to this sectionYOLOv6 مقابل#

صُمم YOLOv6 من Meituan للتطبيقات الصناعية، ويتميز بوحدات الربط ثنائي الاتجاه (BiC) واستراتيجيات التدريب المدعومة بالمرساة (anchor-aided).

Link to this sectionYOLOv5 مقابل#

يُعرف Ultralytics YOLOv5 بسهولة الاستخدام والاستقرار والسرعة. وهو يظل خياراً قوياً للمشاريع التي تتطلب توافقاً واسع النطاق مع الأجهزة.

Link to this sectionRT-DETR مقابل#

يستفيد RT-DETR (محول الكشف في الوقت الفعلي) من محولات الرؤية لتحقيق دقة عالية مع أداء في الوقت الفعلي، ويتفوق في فهم السياق العالمي.

Link to this sectionPP-YOLOE+ مقابل#

يستخدم PP-YOLOE+، الذي طورته Baidu، تعلم مواءمة المهام (TAL) ورأس مفكك لتحقيق التوازن بين الكفاءة والدقة.

Link to this sectionDAMO-YOLO مقابل#

يستخدم DAMO-YOLO من مجموعة Alibaba البحث عن بنية الشبكة العصبية (NAS) وRepGFPN الفعال لزيادة الدقة في المعايير الثابتة.

Link to this sectionYOLOX مقابل#

يعد YOLOX، الذي طورته Megvii، تطوراً خالياً من المرساة ويشتهر برأسه المفكك واستراتيجية تخصيص الملصقات SimOTA.

Link to this sectionEfficientDet مقابل#

يستخدم EfficientDet من Google Brain القياس المركب وBiFPN لتحسين كفاءة المعلمات، مما يوفر مجموعة من النماذج (D0-D7) لقيود مختلفة.

يتم تحديث هذا الفهرس باستمرار مع إصدار نماذج جديدة وتحسين المعايير. نشجعك على استكشاف هذه الموارد للعثور على النموذج المثالي لمشروع رؤية الحاسوب التالي. إذا كنت تبحث عن حلول على مستوى المؤسسات مع ترخيص خاص، يرجى زيارة صفحة الترخيص الخاصة بنا. مقارنة سعيدة!

المساهمون
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

التعليقات