Ultralytics YOLO27:

مقارنات النماذج#

يُعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لأي مشروع ناجح في الرؤية الحاسوبية. مرحبًا بكم في مركز Ultralytics لمقارنة النماذج! تجمع هذه الصفحة تحليلات تقنية مفصلة ومعايير أداء، وتفكك المفاضلات بين أحدث Ultralytics YOLO26 والبنى الرائدة الأخرى مثل YOLO11 وYOLOv10 وRT-DETR وEfficientDet.

سواء كان تطبيقك يتطلب زمن الاستجابة بالمللي ثانية في الذكاء الاصطناعي الطرفي أو الدقة العالية اللازمة للتصوير الطبي، يوفر هذا الدليل الرؤى المستندة إلى البيانات المطلوبة لاتخاذ قرار مستنير. نقيّم النماذج استنادًا إلى متوسط الدقة (mAP)، وسرعة الاستدلال، وكفاءة المعلمات، وسهولة النشر.

معايير الأداء التفاعلية#

يُعد تصور العلاقة بين السرعة والدقة أمرًا أساسيًا لتحديد «جبهة باريتو» لاكتشاف الأجسام—أي النماذج التي توفر أفضل دقة ضمن قيد سرعة معين. يقارن المخطط أدناه المقاييس الرئيسية على مجموعات بيانات معيارية مثل COCO.

يعرض هذا المخطط مقاييس الأداء الرئيسية، مما يتيح لك تقييم المفاضلات بين النماذج المختلفة بسرعة. ويُعد فهم هذه المقاييس أمرًا أساسيًا لاختيار نموذج يتوافق مع قيود النشر الخاصة بك.

دليل اتخاذ القرار السريع#

ألست متأكدًا من نقطة البداية؟ استخدم شجرة القرار هذه لتضييق نطاق البنية التي تلائم متطلبات الأجهزة والأداء لديك على أفضل نحو.

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

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

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

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

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

المشهد الحالي: YOLO26 وما بعده#

يتطور مجال اكتشاف الأجسام بسرعة. وبينما تظل النماذج الأقدم ملائمة لدعم الأنظمة القديمة، تدفع البنى الجديدة حدود ما هو ممكن.

Ultralytics YOLO26#

أُطلق YOLO26 في يناير 2026، وهو أحدث نموذج متطور، ونقطة البداية الموصى بها لجميع المشاريع الجديدة. ويقدم ابتكارات معمارية رائدة، منها تصميم شامل من البداية إلى النهاية خالٍ من NMS يلغي الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression، مما يؤدي إلى أزمنة استدلال أسرع وأكثر قابلية للتنبؤ. ويصل YOLO26 إلى سرعة أعلى بنسبة 43% على وحدات CPU مقارنة بالأجيال السابقة، مما يجعله مثاليًا للنشر الطرفي.

تشمل الابتكارات الرئيسية ما يلي:

  • من البداية إلى النهاية وخالٍ من NMS: نشر مبسط دون الحاجة إلى المعالجة اللاحقة
  • إزالة DFL: عمليات تصدير مبسطة إلى ONNX وTensorRT وCoreML
  • مُحسِّن MuSGD: مُحسِّن هجين من SGD/Muon مستوحى من تدريب LLM لتحقيق تقارب مستقر
  • ProgLoss + STAL: تحسين أداء اكتشاف الأجسام الصغيرة
لماذا تختار YOLO26؟

يمثل YOLO26 ذروة هندسة Ultralytics، إذ يجمع بين أفضل ما توفره كفاءة CNN وقدرات شاملة من البداية إلى النهاية شبيهة بـ Transformer. وهو يدعم جميع المهام—الاكتشاف، والتجزئة، وتقدير الوضعية، والتصنيف، وOBB—مع كونه أصغر حجمًا وأسرع وأسهل في النشر من أي وقت مضى.

Ultralytics YOLO11#

لا يزال YOLO11 نموذجًا عالي الكفاءة، إذ يوفر انخفاضًا بنسبة 22% في عدد المعلمات مقارنةً بـ YOLOv8، مع تحسين دقة الاكتشاف. وهو مدعوم بالكامل وموصى به للمستخدمين الذين يحتاجون إلى استقرار مُثبت أو لديهم مسارات معالجة قائمة على YOLO11.

نماذج المجتمع: ملاحظة حول YOLO12 وYOLO13#

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

تنبيه بشأن الاستخدام في الإنتاج

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

  • YOLO12: يستخدم طبقات الانتباه التي غالبًا ما تتسبب في عدم استقرار التدريب، واستهلاك مفرط للذاكرة، وسرعات استدلال على CPU أبطأ بكثير.
  • YOLO13: تشير المعايير إلى مكاسب هامشية فقط في الدقة مقارنةً بـ YOLO11، مع كونه أكبر حجمًا وأبطأ. وقد أظهرت النتائج المُبلغ عنها مشكلات في قابلية إعادة الإنتاج.


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

مقارنات مفصلة للنماذج#

استكشف مقارناتنا التقنية المتعمقة لفهم الاختلافات المعمارية المحددة، مثل اختيار العمود الفقري، وتصميم الرأس، ودوال الخسارة. وقد نظمناها حسب النموذج لتسهيل الوصول إليها:

YOLO26 مقابل#

يُعد YOLO26 أحدث نماذج Ultralytics، إذ يتميز باكتشاف شامل من البداية إلى النهاية خالٍ من NMS، ومُحسِّن MuSGD، واستدلال على CPU أسرع بنسبة تصل إلى 43%. وقد حُسّن للنشر الطرفي مع تحقيق دقة متطورة.

YOLO11 مقابل#

يبني YOLO11 على نجاح أسلافه مستفيدًا من أحدث الأبحاث. وهو يتميز ببنية محسنة للعمود الفقري والعنق لاستخراج سمات أفضل وكفاءة محسنة.

YOLOv10 مقابل#

طوّرت جامعة تسينغهوا YOLOv10، الذي يركز على إزالة خطوة Non-Maximum Suppression (NMS) لتقليل تباين زمن الاستجابة، مع توفير أداء متطور وتقليل العبء الحسابي.

YOLOv9 مقابل#

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

YOLOv8 مقابل#

لا يزال Ultralytics YOLOv8 خيارًا شائعًا للغاية، إذ يتميز ببنى متقدمة للعمود الفقري والعنق ورأس مقسم خالٍ من المراسي لتحقيق أفضل مفاضلة بين الدقة والسرعة.

YOLOv7 مقابل#

قدّم YOLOv7 مفهوم «مجموعة المزايا المجانية القابلة للتدريب» وإعادة تشكيل النموذج، مع التركيز على تحسين عملية التدريب من دون زيادة تكاليف الاستدلال.

YOLOv6 مقابل#

صُمّم YOLOv6 من Meituan للتطبيقات الصناعية، ويتميز بوحدات الربط ثنائي الاتجاه (BiC) واستراتيجيات التدريب المعزَّزة بالمراسي.

YOLOv5 مقابل#

يشتهر Ultralytics YOLOv5 بسهولة استخدامه واستقراره وسرعته. ولا يزال خيارًا متينًا للمشروعات التي تتطلب توافقًا واسعًا مع الأجهزة.

RT-DETR مقابل#

يستفيد RT-DETR (محوّل الكشف في الوقت الفعلي) من المحوّلات البصرية لتحقيق دقة عالية مع أداء آني، ويتفوق في فهم السياق الشامل.

PP-YOLOE+ مقابل#

يستخدم PP-YOLOE+، الذي طوّرته Baidu، تعلّم محاذاة المهام (TAL) ورأسًا مفككًا لتحقيق التوازن بين الكفاءة والدقة.

DAMO-YOLO مقابل#

طوّرت Alibaba Group نموذج DAMO-YOLO، الذي يستخدم البحث عن البنية العصبية (NAS) وRepGFPN الفعّال لتعظيم الدقة في المعايير المرجعية الثابتة.

YOLOX مقابل#

طوّرت Megvii نموذج YOLOX، وهو تطور لا يعتمد على المراسي، ويُعرف برأسه المفكك واستراتيجية SimOTA لإسناد التسميات.

EfficientDet مقابل#

يستخدم EfficientDet من Google Brain التحجيم المركب وBiFPN لتحسين كفاءة المعلمات، موفّرًا مجموعة من النماذج (D0-D7) لمتطلبات مختلفة.

يُحدَّث هذا الفهرس باستمرار مع إصدار نماذج جديدة وتحسين المعايير المرجعية. نشجّعك على استكشاف هذه الموارد للعثور على الخيار المثالي لمشروعك التالي في مجال الرؤية الحاسوبية. إذا كنت تبحث عن حلول بمستوى المؤسسات مع ترخيص خاص، يُرجى زيارة صفحة التراخيص. نتمنى لك مقارنة موفّقة!

المساهمون
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

التعليقات