YOLO Vision 2026:

مقارنات النماذج#

يعد اختيار بنية الشبكة العصبية المناسبة حجر الأساس لأي مشروع ناجح في مجال computer vision. أهلاً بك في Ultralytics Model Comparison Hub! توحد هذه الصفحة التحليلات التقنية المفصلة ومعايير الأداء، مع تفكيك المفاضلات بين أحدث إصدار Ultralytics YOLO26 والبنى الرائدة الأخرى مثل YOLO11 و YOLOv10 و RT-DETR و EfficientDet.

سواء كان تطبيقك يتطلب زمن الانتقال بالميلي ثانية لتقنية edge AI أو الدقة العالية المطلوبة للتصوير الطبي، يوفر هذا الدليل الرؤى المستندة إلى البيانات اللازمة لاتخاذ خيار مستنير. نحن نقيم النماذج بناءً على mean Average Precision (mAP)، وinference speed، وكفاءة المعلمات، وسولة النشر.

معايير أداء تفاعلية#

يعد تصور العلاقة بين السرعة والدقة أمراً ضروريًا لتحديد "منحنى باريتو" لاكتشاف الكائنات—أي النماذج التي توفر أفضل دقة لقيد سرعة معينة. يوضح الرسم البياني أدناه المقاييس الرئيسية على datasets like COCO القياسية.

يعرض هذا الرسم البياني performance metrics الرئيسية مما يتيح لك تقييم المفاضلات بسرعة بين النماذج المختلفة. يُعد فهم هذه المقاييس أمراً أساسياً لاختيار نموذج يتماشى مع قيود النشر المحددة الخاصة بك.

دليل 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]:::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. بينما تظل النماذج القديمة ذات صلة بدعم الأنظمة القديمة، فإن البنيات الجديدة تدفع حدود ما هو ممكن.

Ultralytics 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.

Ultralytics 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.

نماذج 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

مقارنات 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:

YOLO26 مقابل#

YOLO26 هو أحدث نموذج من Ultralytics يضم اكتشافاً شاملاً خابياً من NMS، ومحسن MuSGD، وسرعة استدلال على وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43%. إنه محسّن لنشر الحافة مع تحقيق دقة متطورة.

YOLO11 مقابل#

YOLO11 يبني على نجاح سابقيه من خلال البحث المتطور. ويتميز ببنية هيكل وعنق محسنة استخراج الميزات بشكل أفضل وكفاءة محسنة.

YOLOv10 مقابل#

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

Ultralytics YOLOv8 يظل خيارًا شائعًا للغاية، حيث يضم هياكل هيكل وعنق متقدمة ورأس تقسيم خالٍ من المراسي للحصول على مفاضلات مثلى بين الدقة والسرعة.

YOLOv7 مقابل#

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

YOLOv6 مقابل#

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

YOLOv5 مقابل#

يُحظى Ultralytics YOLOv5 بشهرة واسعة بفضل سهولة استخدامه واستقراره وسرعته. ولا يزال خياراً قوياً للمشاريع التي تتطلب توافقاً واسعاً مع الأجهزة.

RT-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.

PP-YOLOE+ مقابل#

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

DAMO-YOLO مقابل#

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

YOLOX مقابل#

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

EfficientDet 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 إطلاق نماذج جديدة وتحسين المعايير القياسية. نشجعك على استكشاف هذه الموارد للعثور على الخيار المثالي لمشروع الرؤية الحاسوبية القادم الخاص بك. إذا كنت تبحث عن حلول بمستوى المؤسسات مع ترخيص خاص، يرجى زيارة صفحة التراخيص الخاصة بنا. نتمنى لك مقارنة موفقة!

المساهمون
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

التعليقات