ابدأ

YOLO11 مقابل YOLO26

تهدف كل أجيال Ultralytics YOLO إلى تحسين السرعة والدقة وكفاءة النشر في كشف الكائنات الآني. تتناول هذه المقارنة التقنية الانتقال من YOLO11 واسع الاستخدام إلى YOLO26 الحالي، وتحلل بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثالية.

سواء أكنت تبني أنظمة توصيل بالطائرات المسيّرة أم تحسّن خط معالجة عالميًا للتصنيع الذكي، فإن فهم الاختلافات بين هذين النموذجين يساعدك على اختيار الأنسب.

سلالة النماذج والمنظومة#

يستفيد كلا النموذجين من منظومة Ultralytics، بما توفره من API سهلة الاستخدام وصيانة مستمرة ومجتمع نشط. ويدعم كلاهما مهام كشف الكائنات، وتجزئة الكائنات الفردية، وتصنيف الصور، وتقدير الوضعية، والصناديق المحيطة الموجّهة (OBB) مباشرةً، فيما يضيف YOLO26 التجزئة الدلالية وتقدير العمق.

YOLO11: المعيار الراسخ#

صدر YOLO11 في أواخر عام 2024، وصقل التطورات التي حققتها الأجيال السابقة، مرسخًا مكانته كخيار موثوق لبيئات الإنتاج.

YOLO26: الجيل التالي#

طُرح YOLO26 في يناير 2026، ويركز على النشر الطرفي والاستدلال الشامل من البداية إلى النهاية الاختياري، مع تحسين سرعة CPU وسهولة التكامل.

إدارة البيانات وعمليات النشر

يتكامل كل من YOLO11 وYOLO26 بالكامل مع منصة Ultralytics، التي توفر مسارات عمل دون كتابة تعليمات برمجية لوسم مجموعات البيانات والتدريب السحابي ومراقبة النشر.

ابتكارات البنية#

يعتمد YOLO11 على أساليب المعالجة اللاحقة التقليدية التي خدمت الرؤية الحاسوبية لسنوات، بينما يقدم YOLO26 عدة تغييرات بنيوية تزيل اختناقات النشر.

تصميم شامل من البداية إلى النهاية يستغني عن NMS#

من أبرز الترقيات في YOLO26 بنيته الأصلية الشاملة من البداية إلى النهاية. إذ يلغي رأسه الاختياري واحد لواحد (nms=False) المعالجة اللاحقة باستخدام كبح الصناديق غير القصوى (NMS)، وهو مفهوم أدخله YOLOv10 إلى نماذج YOLO. ويبسّط تجاوز NMS مسار النشر ويحافظ على اتساق زمن الاستجابة، وهو أمر أساسي للتطبيقات الآنية مثل خوارزميات القيادة الذاتية.

إزالة DFL لتحسين الأداء على الأجهزة الطرفية#

يزيل YOLO26 خسارة البؤرة التوزيعية (DFL). ورغم فائدة DFL في YOLO11 لتحديد المواقع بدقة، فإن إزالتها تبسّط رسم التصدير للشبكة. ويحسّن ذلك التوافق مع العتاد منخفض الطاقة، ما يجعل YOLO26 مناسبًا للأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

مُحسِّن MuSGD#

استلهامًا من أساليب تدريب نماذج اللغة الكبيرة (LLM)، وتحديدًا Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّن MuSGD. ويتيح هذا المزيج الهجين من الانحدار المتدرج العشوائي (SGD) وMuon تدريبًا أكثر استقرارًا وتقاربًا أسرع؛ ومع optimizer=auto، تختار Ultralytics مُحسِّن MuSGD للتدريبات الأطول.

الخسارة وتعيين التسميات#

يضم YOLO26 ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة). ويحسّن هذا المزيج كشف الكائنات الصغيرة والمتراصة. وإضافة إلى ذلك، يقدم YOLO26 تحسينات خاصة بالمهام: خسارة التجزئة الدلالية ووحدة proto متعددة المقاييس لتجزئة الكائنات الفردية، وتقدير لوغاريتم الاحتمالية المتبقي (RLE) لتقدير الوضعية، وخسارة زاوية متخصصة للحد من مشكلات الحدود في مهام كشف OBB.

مقارنة الأداء#

تحدد الموازنة بين الدقة (mAP) وعدد المعلمات والتعقيد الحاسوبي (FLOPs) والسرعة اختيار العتاد. ويستهدف YOLO26 استدلال CPU على وجه الخصوص، إذ يحقق YOLO26n سرعة استدلال على CPU أعلى بنسبة تصل إلى 43% من YOLO11n.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

يتفوق YOLO26n على YOLO11n بمقدار 1.4 mAP (40.9 مقابل 39.5)، مع خفض زمن استدلال CPU من 56.1 مللي ثانية إلى 38.9 مللي ثانية باستخدام ONNX Runtime. ويحقق YOLO26 دقة أعلى عند كل الأحجام؛ أما عند المقاييس m وl وx، فيظل YOLO11 أسرع على CPU، بينما يتقارب زمن الاستجابة على T4 TensorRT بين العائلتين.

التصدير لتحقيق أقصى سرعة

لتحقيق أقصى أداء، صدّر هذه النماذج إلى TensorRT على عتاد NVIDIA أو إلى OpenVINO لوحدات CPU من Intel. كما يبسّط الرأس الاختياري الخالي من NMS في YOLO26 (nms=False) خط أنابيب التصدير أكثر.

حالات الاستخدام والتطبيقات الواقعية#

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

الحوسبة الطرفية وإنترنت الأشياء#

للتطبيقات المقيّدة بالطاقة والعتاد، مثل مراقبة الزراعة الذكية بالطائرات المسيّرة أو أنظمة الإنذار الأمني المحلية، يُعد YOLO26 الأنسب. إذ تتيح إزالة DFL وتسريع استدلال CPU بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n) تشغيل نماذج رؤية معقدة على الأجهزة دون وحدات GPU مخصصة، مع الحفاظ على معدلات إطارات عالية.

السحابة ونطاق المؤسسات#

يظل YOLO11 خيارًا جيدًا لعمليات النشر المؤسسية القائمة التي بُنيت عليه، مثل تحليلات الفيديو السحابية وخطوط معالجة الوسائط واسعة النطاق المتكاملة بالفعل مع تنسيقات مخرجاته.

كشف الأجسام الصغيرة#

إذا كان مشروعك يتطلب دقة عالية في رصد الكائنات الصغيرة، مثل كشف العيوب في لوحة دوائر كهربائية أو تتبّع المركبات البعيدة في الصور الجوية، فإن تطبيق ProgLoss + STAL في YOLO26 يحسّن الاستدعاء والدقة في هذه الحالات الصعبة.

كفاءة التدريب ومتطلبات الذاكرة#

من أبرز مزايا إطار عمل Ultralytics انخفاض استهلاك الذاكرة أثناء التدريب. فعلى عكس كواشف المحولات مثل RT-DETR، التي قد تستهلك كميات كبيرة من ذاكرة CUDA، حُسّن كل من YOLO11 وYOLO26 للتدريب بكفاءة على العتاد الاستهلاكي.

يساعد دمج مُحسِّن MuSGD في YOLO26 على تقارب أسرع، ما يقلل إجمالي ساعات الحوسبة على GPU وتكاليف الحوسبة السحابية.

إليك مثالًا بسيطًا على تدريب YOLO26 باستخدام واجهة API الخاصة بـ Python:

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLO26 Nano⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج على مجموعة بيانات COCO8⁩
# ⁨تُدار تلقائيًا عملية اختيار المحسّن (MuSGD لعمليات التدريب الأطول) وإدارة الذاكرة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# ⁨إجراء تحقق سريع للتأكد من مقاييس mAP⁩
metrics = model.val()

# ⁨تصدير النموذج المدرّب إلى ONNX لاستدلال CPU سريع⁩
model.export(format="onnx")

استكشاف بنيات بديلة#

يُعد YOLO26 نقطة بداية موصى بها، لكن نماذج أخرى في وثائق Ultralytics قد تلائم احتياجات محددة. للمستخدمين المقيّدين ببيئات قديمة، لا تزال البنيات الأسبق مثل YOLOv5 تؤدي أداءً موثوقًا. أما عند الحاجة إلى إمكانات التصنيف دون أمثلة، بحيث يتعذر تحديد الفئات مسبقًا، فيوفر YOLO-World كشفًا بمفردات مفتوحة يعتمد على المطالبات النصية.

الخلاصة#

إن الانتقال من YOLO11 إلى YOLO26 يتجاوز كونه تحديثًا تدريجيًا؛ فهو يغيّر طريقة تشغيل نماذج الكشف الآني في بيئة الإنتاج. وبفضل الاستدلال الاختياري الخالي من NMS والتحسينات التي تعطي الأولوية للأجهزة الطرفية، يُوصى بـ YOLO26 للمشاريع الجديدة. وبالاستناد إلى وثائق Ultralytics، يحقق الترقّي إلى YOLO26 نشرًا أبسط وتدريبًا مستقرًا ودقة أعلى عبر مهام الرؤية المدعومة.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.