YOLO11 YOLO26: تطور الجيل التالي من الذكاء الاصطناعي للرؤية

التطور السريع للرؤية الحاسوبية يدفع باستمرار حدود السرعة والدقة وكفاءة النشر. في مجال الكشف عن الأجسام في الوقت الفعلي، Ultralytics تضع المعايير باستمرار. تستكشف هذه المقارنة التقنية الانتقال من YOLO11 إلى YOLO26 المتطورة، وتحليل هياكلها ومقاييس أدائها وسيناريوهات النشر المثالية.

سواء كنت تعمل على بناء أنظمة توصيل بالطائرات بدون طيار أو تحسين خط إنتاج عالمي ذكي، فإن فهم الاختلافات الدقيقة بين هذين النموذجين سيساعدك على بناء حلول ذكاء اصطناعي قوية ومستقبلية.

سلالة النموذج والنظام البيئي

يستفيد كلا النموذجين من Ultralytics الشامل، الذي يتميز بواجهة برمجة تطبيقات (API) سهلة الاستخدام وصيانة مستمرة ومجتمع نشط. ويوفران تنوعًا لا مثيل له، حيث يدعمان بشكل طبيعي مهام الكشف عن الكائنات وتجزئة المثيلات وتصنيف الصور وتقدير الوضع ومهام Oriented Bounding Box (OBB) بشكل فوري.

YOLO11: المعيار المعمول به

صدر YOLO11 في أواخر عام 2024، YOLO11 التطورات التي حققتها الأجيال السابقة، مما عزز مكانته كأداة موثوقة في بيئات الإنتاج.

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2024-09-27
• GitHub:https://github.com/ultralytics/ultralytics
• المستندات:توثيق YOLO11

تعرف على المزيد حول YOLO11

YOLO26: الحدود الجديدة

تم طرح YOLO26 في أوائل عام 2026، وهو يمثل تحولًا جذريًا في الحوسبة الطرفية والبنية الشاملة، حيث يوفر تحسينات كبيرة في سرعة المعالجة وسهولة التكامل.

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2026-01-14
• GitHub:https://github.com/ultralytics/ultralytics
• الوثائق:وثائق YOLO26

تعرف على المزيد حول YOLO26

الابتكارات المعمارية

بينما YOLO11 على طرق المعالجة اللاحقة التقليدية التي دعمت الرؤية الحاسوبية لسنوات، يقدم YOLO26 العديد من الاختراقات الهيكلية المصممة للقضاء على الاختناقات.

تصميم شامل خالٍ من NMS

أحد أهم التحسينات في YOLO26 هو بنيته الأصلية الشاملة. فهو يلغي المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، وهو مفهوم تم ابتكاره لأول مرة في YOLOv10. إن تجاوز NMS يبسط NMS خط أنابيب النشر ويضمن زمن انتقال ثابت، وهو أمر ضروري للتطبيقات في الوقت الفعلي مثل خوارزميات القيادة الذاتية.

إزالة DFL لتحسين الحواف

يزيل YOLO26 فقدان التركيز التوزيعي (DFL). على الرغم من أن DFL كان مفيدًا في YOLO11 المواقع بدقة، إلا أن إزالته يبسط الرسم البياني للتصدير للشبكة. يضمن هذا التعديل تحسين التوافق مع الأجهزة منخفضة الطاقة، مما يجعل YOLO26 قوة مطلقة على الأجهزة المتطورة مثل Raspberry Pi أو NVIDIA .

مُحسِّن MuSGD

مستوحاة من آليات تدريب نموذج اللغة الكبيرة (LLM)، وتحديداً Kimi K2 من Moonshot AI، تستخدم YOLO26 مُحسّن MuSGD الثوري. يوفر هذا المزيج من Stochastic Gradient Descent (SGD) و Muon عمليات تدريب مستقرة بشكل ملحوظ، تتقارب بشكل أسرع بكثير من AdamW القياسية المستخدمة في البنى القديمة.

وظائف الخسارة المتقدمة

يضم YOLO26 ProgLoss + STAL (التعلم التدريجي للخسارة ومحاذاة المهام مع مراعاة الحجم). يعمل هذا المزيج على تحسين اكتشاف الأجسام الصغيرة والمتراصة بشكل كبير. علاوة على ذلك، يقدم YOLO26 تحسينات خاصة بالمهام: نموذج أولي متعدد المقاييس مخصص للتقسيم الدلالي، وتقدير احتمالية السجل المتبقي (RLE) لتقديرات الوضع البشري المعقدة، وفقدان زاوية متخصص للتخفيف من مشاكل الحدود في مهام الكشف عن OBB.

مقارنة الأداء

عند تقييم هذه النماذج، فإن التوازن بين عدد المعلمات والتعقيد الحسابي (FLOPs) والسرعة هو الذي يحدد اختيار الأجهزة. يستهدف YOLO26 على وجه التحديد سرعة CPU CPU ، حيث يحقق CPU أسرع بنسبة تصل إلى 43٪ مقارنة بسابقه.

كما هو موضح، فإن YOLO26 Nano (YOLO26n) يقفز بشكل كبير في الدقة مع تقليل وقت CPU من 56.1 مللي ثانية إلى 38.9 مللي ثانية باستخدام ONNX .

حالات الاستخدام والتطبيقات الواقعية

يعتمد الاختيار بين YOLO11 YOLO26 إلى حد كبير على البنية التحتية الخاصة بك وأهداف المشروع.

الحوسبة الطرفية وIoT

بالنسبة للتطبيقات المقيدة بالطاقة والأجهزة، مثل مراقبة الزراعة الذكية عبر الطائرات بدون طيار أو أنظمة الإنذار الأمنية المحلية، فإن YOLO26 هو البطل بلا منازع. إن إزالة DFL وزيادة CPU بنسبة 43٪ يعني أنه يمكنك تشغيل نماذج رؤية معقدة على أجهزة بدون وحدات معالجة رسومات مخصصة مع الحفاظ على معدلات إطارات عالية.

السحابة وحجم المؤسسة

YOLO11 لا يزال خيارًا ممتازًا لحلول المؤسسات حيث تم بالفعل تحسين مزارع الخوادم الضخمة لتلائم tensor . وهو مثالي لتحليلات الفيديو المستندة إلى السحابة وخطوط أنابيب معالجة الوسائط واسعة النطاق التي تم دمجها بالفعل بشكل عميق مع تنسيقات الإخراج المحددة الخاصة به.

تعدد المهام المعقدة

إذا كان مشروعك يتطلب دقة متناهية في التعامل مع الأجسام الصغيرة — مثل اكتشاف العيوب في لوحات الدوائر الكهربائية أو تتبع المركبات البعيدة في الصور الجوية— فإن تطبيق ProgLoss + STAL في YOLO26 يوفر تحسناً ملحوظاً في الاسترجاع والدقة في تلك الحالات الصعبة.

كفاءة التدريب ومتطلبات الذاكرة

من المزايا الرئيسية Ultralytics استهلاكه المنخفض للغاية للذاكرة أثناء التدريب. على عكس محولات الرؤية الضخمة مثل RT-DETR أو YOLOv8 التي يمكن أن تستهلك كميات هائلة من CUDA تم تحسين كل من YOLO11 YOLO26 للتدريب بكفاءة على الأجهزة الاستهلاكية.

إن دمج مُحسّن MuSGD في YOLO26 يعزز ذلك بشكل أكبر من خلال ضمان أن يجد النموذج الأوزان المثلى بشكل أسرع، مما يقلل من إجمالي ساعات GPU وتكاليف الحوسبة السحابية.

فيما يلي مثال بسيط يوضح مدى سهولة تدريب أحدث نموذج YOLO26 باستخدام 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 الهياكل البديلة

في حين أن YOLO26 يمثل قمة الكشف في الوقت الفعلي، فإن استكشاف نماذج أخرى ضمن Ultralytics يمكن أن يكون مفيدًا. بالنسبة للمستخدمين المرتبطين ببيئات قديمة، فإن البنى السابقة مثل YOLOv5 لا تزال توفر أداءً قويًا. بالنسبة لقدرات zero-shot حيث لا يمكن تحديد الفئات مسبقًا، يوفر YOLO اكتشافًا مفتوحًا للمفردات مدعومًا بمطالبات نصية.

الخلاصة

الانتقال من YOLO11 YOLO26 ليس مجرد تحديث تدريجي؛ بل هو إعادة تصور هيكلي لكيفية عمل نماذج الكشف عن الكائنات في الوقت الفعلي في الإنتاج. من خلال التخلي عن خطوات المعالجة اللاحقة المعقدة والتحسين من أجل التنفيذ السريع، يبرز YOLO26 كخيار متميز للمطورين المعاصرين. مدعومًا Ultralytics القوي والوثائق الشاملة، يضمن الترقية إلى YOLO26 عمليات نشر أسرع وتدريبًا مستقرًا ودقة SOTA لأي مهمة رؤية حاسوبية تقريبًا.

تعليقات