YOLO11 مقابل YOLO26#

يدفع التطور السريع في مجال الرؤية الحاسوبية باستمرار حدود السرعة والدقة وكفاءة النشر. وفي مجال اكتشاف الأجسام في الزمن الحقيقي، تضع Ultralytics المعايير باستمرار. تستكشف هذه المقارنة التقنية الانتقال من YOLO11 الناجح للغاية إلى YOLO26 المتطور، مع تحليل بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية لكل منهما.

سواء أكنت تبني أنظمة توصيل بالطائرات المسيّرة أو تحسّن خط إنتاج ذكي عالميًا، فإن فهم الفروق الدقيقة بين هذين النموذجين سيساعدك على بناء حلول ذكاء اصطناعي متينة ومهيأة للمستقبل.

سلالة النماذج والمنظومة#

يستفيد كلا النموذجين من منظومة Ultralytics الشاملة، التي تتميز بواجهة API مباشرة، وصيانة مستمرة، ومجتمع نشط. ويوفران تعدد استخدامات لا يُضاهى، مع دعم أصلي لمهام اكتشاف الأجسام، وتقسيم الكائنات، وتصنيف الصور، وتقدير الوضعيات، والمربع المحيط الموجّه (OBB).

YOLO11: المعيار الراسخ#

أُطلق YOLO11 في أواخر عام 2024، وصقل إنجازات الأجيال السابقة، مما رسّخ مكانته كأداة موثوقة للعمل في بيئات الإنتاج.

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: وثائق YOLO11

YOLO26: الآفاق الجديدة#

طُرح YOLO26 في أوائل عام 2026، ويمثل تحولًا جذريًا في الحوسبة الطرفية والبنية الشاملة من البداية إلى النهاية، مع تقديم تحسينات كبيرة في سرعة المعالجة وسهولة التكامل.

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: وثائق YOLO26

الابتكارات المعمارية#

بينما يعتمد YOLO11 على أساليب المعالجة اللاحقة التقليدية التي شغّلت الرؤية الحاسوبية لسنوات، يقدم YOLO26 عدة اختراقات بنيوية مصممة للتخلص من الاختناقات.

تصميم شامل من البداية إلى النهاية وخالٍ من NMS#

تتمثل إحدى أهم ترقيات YOLO26 في بنيته الأصلية الشاملة من البداية إلى النهاية. فهو يلغي المعالجة اللاحقة لكبت غير الأعظمي (NMS)، وهو مفهوم طُوّر أولًا في YOLOv10. ويؤدي تجاوز NMS إلى تبسيط مسار النشر بدرجة كبيرة ويضمن زمن استجابة ثابتًا، وهو أمر ضروري للتطبيقات الآنية مثل خوارزميات القيادة الذاتية.

إزالة DFL لتحسين الحوسبة الطرفية#

يزيل YOLO26 خسارة البؤرة التوزيعية (DFL). وعلى الرغم من أن DFL كان مفيدًا في YOLO11 لتحديد المواقع بدقة عالية، فإن إزالته تبسّط مخطط تصدير الشبكة. ويضمن هذا التعديل توافقًا أفضل مع الأجهزة منخفضة الطاقة، مما يجعل YOLO26 قوة هائلة على الأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

محسّن MuSGD#

استلهامًا من آليات تدريب نماذج اللغة الكبيرة (LLM)، وتحديدًا Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّن MuSGD الثوري. ويجمع هذا الحل الهجين بين الانحدار المتدرج العشوائي (SGD) وMuon، مما يوفر دورات تدريب مستقرة بصورة ملحوظة، ويتقارب بسرعة أكبر بكثير من مُحسِّنات AdamW القياسية المستخدمة في البنى الأقدم.

دوال الخسارة المتقدمة#

يضمن YOLO26 دمج ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment). يحسن هذا الدمج بشكل كبير من اكتشاف الكائنات الصغيرة والمكتظة بكثافة. علاوة على ذلك، يقدم YOLO26 تحسينات خاصة بالمهام: نموذج أولي مخصص متعدد المقاييس للتجزئة الدلالية، وتقدير اللوغاريتم الاحتمالي الباقي (RLE) لتقديرات وضعية الإنسان المعقدة، وخسارة زاوية متخصصة للتخفيف من مشكلات الحدود في مهام اكتشاف OBB.

مقارنة الأداء#

عند تقييم هذه النماذج، يحدد التوازن بين عدد المعلمات والتعقيد الحسابي (FLOPs) والسرعة اختيار العتاد. ويستهدف YOLO26 تحديدًا سرعة الاستدلال على CPU، محققًا استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنة بسلفه.

وكما يتضح، يحقق YOLO26 Nano (YOLO26n) قفزة كبيرة في الدقة، مع تقليص زمن الاستدلال على CPU من 56.1ms إلى 38.9ms باستخدام ONNX Runtime.

حالات الاستخدام والتطبيقات الواقعية#

يعتمد الاختيار بين YOLO11 وYOLO26 إلى حد كبير على بنيتك التحتية وأهداف مشروعك المحددة.

الحوسبة الطرفية وإنترنت الأشياء#

بالنسبة إلى التطبيقات المقيّدة بالطاقة والعتاد، مثل مراقبة الزراعة الذكية عبر الطائرات المسيّرة أو أنظمة إنذار الأمان المحلية، فإن YOLO26 هو الخيار المتفوق بلا منازع. وتعني إزالة DFL وزيادة سرعة CPU بنسبة 43% إمكانية تشغيل نماذج رؤية معقدة على أجهزة لا تحتوي على وحدات GPU مخصصة، مع الحفاظ على معدلات إطارات عالية.

السحابة ونطاق المؤسسات#

YOLO11 يظل خياراً ممتازاً لحلول المؤسسات حيث مزارع الخوادم الهائلة مُحسّنة مسبقاً لهياكل الموتورات التنسورية الخاصة به. وهو يخدم بشكل مثالي تحليلات الفيديو القائمة على السحابة وتدفقات معالجة الوسائط واسعة النطاق المدمجة بالفعل بعمق مع تنسيقات مخرجاته المحددة.

تنفيذ مهام متعددة معقدة#

إذا كان مشروعك يتطلب دقة فائقة في الأجسام الصغيرة جدًا—مثل اكتشاف العيوب في لوحة دوائر أو تتبع المركبات البعيدة في الصور الجوية—فإن تطبيق ProgLoss + STAL في YOLO26 يوفر تحسنًا ملحوظًا في الاستدعاء والدقة لهذه الحالات الحدّية الصعبة.

كفاءة التدريب ومتطلبات الذاكرة#

تتمثل إحدى الميزات الرئيسية لإطار عمل Ultralytics في استهلاكه المنخفض بشكل لا يصدق للذاكرة أثناء التدريب. على عكس محولات الرؤية الضخمة مثل RT-DETR، والتي يمكن أن تستهلك كميات هائلة من ذاكرة CUDA، تم تحسين كل من YOLO11 وYOLO26 للتدريب بكفاءة على الأجهزة المخصصة للمستهلكين.

يعمل دمج محسن MuSGD في YOLO26 على تعزيز ذلك بشكل أكبر من خلال ضمان إيجاد النموذج للأوزان المثلى بشكل أسرع، مما يقلل من إجمالي ساعات الحوسبة لوحدة معالجة الرسومات وتكاليف الحوسبة السحابية.

إليك مثالًا بسيطًا يوضح مدى سهولة تدريب أحدث نموذج YOLO26 باستخدام واجهة Python الأصلية:

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run a quick validation to verify the mAP metrics
metrics = model.val()

# Export the trained model to ONNX for fast CPU inference
model.export(format="onnx")

استكشاف البنى البديلة#

مع أن YOLO26 يمثل ذروة الاكتشاف الآني، فقد يكون من المفيد استكشاف النماذج الأخرى ضمن وثائق Ultralytics. وبالنسبة إلى المستخدمين المرتبطين ببيئات قديمة، لا تزال البنى السابقة مثل YOLOv5 توفر أداءً متينًا. أما في حالات القدرات الصفرية اللقطات التي يتعذر فيها تحديد الفئات مسبقًا، فيوفر YOLO-World اكتشافًا بمفردات مفتوحة مدعومًا بالمطالبات النصية.

الخلاصة#

لا تمثل القفزة من YOLO11 إلى YOLO26 مجرد تحديث تدريجي؛ بل إنها إعادة تصور بنيوية لطريقة عمل نماذج اكتشاف الأجسام الآنية في الإنتاج. ومن خلال إزالة خطوات المعالجة اللاحقة المعقدة والتحسين للتنفيذ الذي يعطي الأولوية للطرفية، يبرز YOLO26 باعتباره الخيار الأول للمطورين العصريين. وبفضل منظومة Ultralytics القوية والوثائق الشاملة، يضمن الترقية إلى YOLO26 عمليات نشر أسرع، وتدريبًا مستقرًا، ودقة بمستوى SOTA لأي مهمة رؤية حاسوبية تقريبًا.