YOLO11 مقابل YOLO26#

الطور السريع للرؤية الحاسوبية يدفع باستمرار حدود السرعة والدقة وكفاءة نشر النماذج. في مشهد كشف الأشياء في الوقت الفعلي، تضع Ultralytics المعيار باستمرار. تستكشف هذه المقارنة التقنية الانتقال من نموذج YOLO11 الناجح للغاية إلى نموذج YOLO26 المتطور، مع تحليل هياكلها ومقاييس الأداء وس السيناريوهات المثالية للنشر.

سواء كنت تبني systems delivery systems أو تحسن smart manufacturing pipeline عالمياً، فإن فهم الاختلافات الدقيقة بين هذين النموذجين سيساعدك في بناء حلول ذكاء اصطناعي قوية ومقاومة للمستقبل.

نسل النموذج والنظام البيئي#

يستفيد كلا النموذجين من Ultralytics ecosystem الشامل، والذي يتميز بواجهة برمجية (API) بسيطة، والصيانة المستمرة، والمجتمع النابض بالحياة. فهي توفر تنوعاً لا يضاهى، حيث تدعم بشكل طبيعي مهام object detection وinstance segmentation وimage classification وpose estimation وOriented Bounding Box (OBB) بشكل جاهز.

YOLO11: المعيار الراسخ#

تم إصدار YOLO11 في أواخر عام 2024، وقد صقلت تقدم الأجيال السابقة، مما عزز مكانتها كأداة عمل موثوقة لبيئات الإنتاج.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Docs: YOLO11 Documentation

تعرف على المزيد حول YOLO11

YOLO26: الحدود الجديدة#

تم تقديم YOLO26 في أوائل عام 2026، وهي تمثل تحولاً نموذجياً في الحوسبة الطرفية والبنية المتكاملة، مما يوفر تحسينات كبيرة في سرعة المعالجة وسهولة التكامل.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• المستندات: توثيق YOLO26

تعرف على المزيد حول YOLO26

الابتكارات المعمارية#

بينما تعتمد YOLO11 على طرق المعالجة اللاحقة التقليدية التي غذت رؤية الحاسوب لسنوات، تقدم YOLO26 العديد من الاختراقات الهيكلية المصممة للقضاء على الاختناقات.

تصميم متكامل بدون NMS#

أحد أهم التحديثات في YOLO26 هو هيكله المتكامل تماماً من البداية إلى النهاية (end-to-end). فهو يلغي المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، وهو مفهوم تم تقديمه لأول مرة في YOLOv10. إن تخطي NMS يسهل بشكل جذري خط أنابيب النشر ويضمن استجابة متسقة وثابتة، وهو أمر ضروري للتطبيقات في الوقت الفعلي مثل autonomous driving algorithms.

إزالة DFL لتحسين الحافة#

يزيل YOLO26 تقنية Distribution Focal Loss (DFL). بينما كانت DFL مفيدة في YOLO11 للتوطين الدقيق، فإن إزالتها يبسط رسم بياني التصدير الخاص بالشبكة. يضمن هذا التعديل تحسين التوافق مع الأجهزة منخفضة الطاقة، مما يجعل YOLO26 قوة مطلقة على الأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

مُحسن MuSGD#

مستوحى من آليات تدريب نماذج اللغات الكبيرة (LLM)، وتحديداً Moonshot AI's Kimi K2، يستخدم YOLO26 مُحسِّن MuSGD Optimizer الثوري. هذا المزيج الهجين من Stochastic Gradient Descent (SGD) وMuon يوفر عمليات تدريب مستقرة بشكل ملحوظ، حيث يتقارب بشكل أسرع بكثير من مُحسِّنات AdamW القياسية المستخدمة في الهياكل القديمة.

دوال خسارة متقدمة#

تتضمن YOLO26 خاصية ProgLoss + STAL (خسارة تدريجية ومحاذاة المهام المدركة للمقياس). هذا المزيج يحسن بشكل كبير من اكتشاف الكائنات الصغيرة والمكدسة بكثافة. علاوة على ذلك، تقدم YOLO26 تحسينات خاصة بالمهام: نموذج أولي متعدد المقاييس مخصص للتجزئة الدلالية، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقديرات وضع الإنسان المعقدة، وخسارة زاوية متخصصة للتخفيف من مشاكل الحدود في مهام اكتشاف OBB.

مقارنة الأداء#

عند تقييم هذه النماذج، يحدد التوازن بين عدد المعلمات والتعقيد الحسابي (FLOPs) والسرعة اختيار الأجهزة. تستهدف YOLO26 على وجه التحديد سرعة الاستدلال على وحدة المعالجة المركزية (CPU)، مما يحقق استدلالاً أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43% مقارنة بسابقتها.

كما هو موضح، يشهد YOLO26 Nano (YOLO26n) قفزة كبيرة في الدقة بينما يقلل وقت الاستدلال على وحدة المعالجة المركزية (CPU) من 56.1 ميلي ثانية إلى 38.9 ميلي ثانية باستخدام ONNX Runtime.

حالات الاستخدام والتطبيقات الواقعية#

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

الحوسبة الطرفية وإنترنت الأشياء (IoT)#

بالنسبة للتطبيقات المقيدة بالطاقة والأجهزة، مثل مراقبة الزراعة الذكية عبر الطائرات بدون طيار أو security alarm systems المحلية، فإن YOLO26 هو البطل بلا منازع. إن إزالة DFL والزيادة بنسبة 43% في سرعة وحدة المعالجة المركزية تعني أنه يمكنك تشغيل نماذج رؤية معقدة على أجهزة بدون GPUs مخصصة مع الحفاظ على معدلات إطارات عالية.

نطاق السحابة والمؤسسات#

YOLO11 يظل خياراً ممتازاً للحلول المؤسسية حيث تكون المزارع الخوادم الضخمة محسنة بالفعل لهياكل التنسور (tensor) الخاصة به. وهو مثالي لـ cloud-based video analytics وخطوط معالجة الوسائط واسعة النطاق المدمجة بعمق بالفعل مع تنسيقات الإخراج الخاصة بها.

تعدد المهام المعقد#

إذا كان مشروعك يتطلب دقة متناهية على الكائنات الصغيرة - مثل اكتشاف العيوب على لوحة الدوائر الكهربائية أو تتبع المركبات البعيدة في aerial imagery - فإن تنفيذ ProgLoss + STAL في YOLO26 يوفر ارتفاعاً ملحوظاً في الاسترجاع والدقة لتلك الحالات الحدية الصعبة.

كفاءة التدريب ومتطلبات الذاكرة#

تتمثل الميزة الرئيسية لإطار عمل Ultralytics في بصمة الذاكرة المنخفضة بشكل لا يصدق أثناء التدريب. على عكس محولات الرؤية الضخمة مثل RT-DETR أو YOLOv8 القديم والتي يمكن أن تستهلك كميات هائلة من ذاكرة CUDA، فإن كل من YOLO11 وYOLO26 محوَّلان للتدريب بكفاءة على الأجهزة الاستهلاكية.

يعزز دمج مُحسِّن MuSGD في YOLO26 هذا بشكل أكبر من خلال ضمان إيجاد النموذج للأوزان المثلى بشكل أسرع، مما يقلل من ساعات الحوسبة الإجمالية لوحدة معالجة الرسومات (GPU) وتكاليف cloud computing costs.

إليك مثال بسيط يوضح مدى سهولة تدريب أحدث نموذج YOLO26 باستخدام واجهة Python API 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 بنى بديلة#

بينما يمثل YOLO26 قمة الكشف في الوقت الفعلي، فإن استكشاف نماذج أخرى داخل توثيق Ultralytics يمكن أن يكون مفيداً. بالنسبة للمستخدمين المرتبطين بالبيئات القديمة، لا تزال الهياكل السابقة مثل YOLOv5 توفر أداءً قوياً. بالنسبة لقدرات التعرف الفوري (zero-shot) حيث لا يكون تحديد الفئات مسبقاً ممكناً، يقدم YOLO-World كشفاً مفتوح المفردات مدعوماً بالنصوص الموجهة (prompts).

الخلاصة#

القفزة من YOLO11 إلى YOLO26 ليست مجرد تحديث تدريجي؛ بل هي إعادة تصور هيكلية لكيفية عمل نماذج كشف الأشياء في الوقت الفعلي في الإنتاج. من خلال التخلي عن خطوات المعالجة اللاحقة المعقدة والتحسين للتنفيذ الطرفي أولاً، يبرز YOLO26 باعتباره الخيار الأبرز للمطورين المعاصرين. مدعوماً بـ Ultralytics ecosystem القوي والتوثيق الشامل، فإن الترقية إلى YOLO26 تضمن عمليات نشر أسرع، وتدريباً مستقراً، ودقة بمستوى SOTA لأي مهمة رؤية حاسوبية تقريباً.