YOLO11 مقابل YOLO26: تطور الجيل القادم من الذكاء الاصطناعي للرؤية

يدفع التطور السريع لرؤية الحاسوب باستمرار حدود السرعة والدقة وكفاءة النشر. في مجال اكتشاف الأشياء في الوقت الفعلي، تضع Ultralytics المعيار باستمرار. يستكشف هذا التقييم التقني الانتقال من YOLO11 الناجح للغاية إلى YOLO26 المتطور، مع تحليل بنياتها ومقاييس أدائها وسيناريوهات النشر المثالية لها.

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

نسب النموذج والنظام البيئي

يستفيد كلا النموذجين من النظام البيئي لـ Ultralytics الشامل، الذي يتميز بـ API المباشر، والصيانة المستمرة، والمجتمع النابض بالحياة. فهي توفر تنوعاً لا مثيل له، وتدعم بشكل طبيعي مهام اكتشاف الأشياء، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، وصندوق التحديد الموجه (OBB) فور إخراجها من الصندوق.

YOLO11: المعيار الراسخ

تم إصدار YOLO11 في أواخر عام 2024، وقد قام بتحسين التطورات في الأجيال السابقة، مما عزز مكانته كحل موثوق لبيئات الإنتاج.

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

اعرف المزيد عن YOLO11

YOLO26: الحدود الجديدة

تم تقديم YOLO26 في أوائل عام 2026، وهو يمثل تحولاً جذرياً في الحوسبة الطرفية والبنية الشاملة، 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
• التوثيق: توثيق YOLO26

اعرف المزيد عن YOLO26

الابتكارات المعمارية

بينما يعتمد YOLO11 على طرق المعالجة اللاحقة التقليدية التي دعمت رؤية الحاسوب لسنوات، يقدم YOLO26 العديد من الاختراقات الهيكلية المصممة للتخلص من الاختناقات.

تصميم شامل وخالٍ من NMS

واحدة من أهم الترقيات في YOLO26 هي بنيته الأصلية الشاملة (end-to-end). فهي تلغي معالجة NMS اللاحقة، وهو مفهوم تم ريادته لأول مرة في YOLOv10. يؤدي تجاوز NMS إلى تبسيط خط أنابيب النشر بشكل كبير وضمان زمن انتقال ثابت، وهو أمر ضروري للتطبيقات في الوقت الفعلي مثل خوارزميات القيادة الذاتية.

إزالة DFL لتحسين الحافة

يزيل YOLO26 خسارة التوزيع البؤري (DFL). بينما كان DFL مفيداً في YOLO11 للتوطين الدقيق، فإن إزالته تبسط رسم بياني تصدير الشبكة. يضمن هذا التعديل توافقاً محسناً مع الأجهزة منخفضة الطاقة، مما يجعل YOLO26 قوة مطلقة على أجهزة الحافة مثل Raspberry Pi أو NVIDIA Jetson.

محسِّن MuSGD

مستلهماً من آليات تدريب نماذج اللغات الكبيرة (LLM)، وتحديداً Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّن MuSGD الثوري. يوفر هذا الهجين من الانحدار العشوائي (SGD) وMuon عمليات تدريب مستقرة بشكل ملحوظ، حيث تتقارب بشكل أسرع بكثير من مُحسِّنات AdamW القياسية المستخدمة في البنى القديمة.

دوال خسارة متقدمة

يدمج YOLO26 ProgLoss + STAL (تعلم محاذاة المهام المدرك للحجم والخسارة التدريجية). هذا المزيج يحسن بشكل كبير من اكتشاف الأشياء الصغيرة والمكدسة بكثافة. علاوة على ذلك، يقدم YOLO26 تحسينات خاصة بالمهام: نموذج أولي متعدد المقاييس للتجزئة الدلالية، وتقدير احتمالية السجل المتبقي (RLE) لتقديرات وضعية الإنسان المعقدة، وخسارة زاوية متخصصة للتخفيف من مشاكل الحدود في مهام اكتشاف OBB.

مقارنة الأداء

عند تقييم هذه النماذج، فإن التوازن بين عدد المعلمات، والتعقيد الحسابي (FLOPs)، والسرعة يملي اختيار الأجهزة. يستهدف YOLO26 سرعة استدلال وحدة المعالجة المركزية (CPU) بشكل خاص، محققاً سرعة استدلال CPU أسرع بنسبة تصل إلى 43% مقارنة بسابقه.

كما تم توضيحه، يقفز YOLO26 Nano (YOLO26n) بشكل كبير في الدقة مع تقليل وقت استدلال CPU من 56.1ms إلى 38.9ms باستخدام ONNX Runtime.

حالات الاستخدام والتطبيقات في العالم الحقيقي

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

الحوسبة الطرفية وإنترنت الأشياء

بالنسبة للتطبيقات المقيدة بالطاقة والأجهزة، مثل مراقبة الزراعة الذكية عبر الطائرات بدون طيار أو أنظمة إنذار أمنية محلية، فإن YOLO26 هو البطل بلا منازع. إن إزالة DFL والزيادة بنسبة 43% في سرعة CPU تعني أنه يمكنك تشغيل نماذج رؤية معقدة على أجهزة بدون GPUs مخصصة مع الحفاظ على معدلات إطارات عالية.

السحابة ونطاق المؤسسات

يظل YOLO11 خياراً ممتازاً لحلول المؤسسات حيث تم بالفعل تحسين مزارع الخوادم الضخمة لهياكل الموتر الخاصة به. وهو مثالي لـ تحليلات الفيديو المستندة إلى السحابة وخطوط أنابيب معالجة الوسائط واسعة النطاق التي تم دمجها بالفعل بعمق مع تنسيقات الإخراج الخاصة بها.

تعدد المهام المعقد

إذا كان مشروعك يتطلب دقة متناهية في الأشياء الصغيرة - مثل اكتشاف العيوب في لوحة الدوائر المطبوعة أو تتبع المركبات البعيدة في الصور الجوية - فإن تنفيذ ProgLoss + STAL في YOLO26 يوفر ارتفاعاً ملحوظاً في الاسترجاع والدقة لحالات الحافة الصعبة تلك.

كفاءة التدريب ومتطلبات الذاكرة

إحدى المزايا الرئيسية لإطار عمل Ultralytics هي بصمة الذاكرة المنخفضة بشكل لا يصدق أثناء التدريب. على عكس محولات الرؤية الضخمة مثل RT-DETR أو YOLOv8 الأقدم التي يمكن أن تستهلك كميات هائلة من ذاكرة CUDA، تم تحسين كل من YOLO11 وYOLO26 للتدريب بكفاءة على الأجهزة الاستهلاكية.

يعمل دمج مُحسِّن MuSGD في YOLO26 على تعزيز ذلك بشكل أكبر من خلال ضمان عثور النموذج على الأوزان المثلى بشكل أسرع، مما يقلل من إجمالي ساعات حساب GPU وتكاليف الحوسبة السحابية.

فيما يلي 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 البنى البديلة

بينما يمثل YOLO26 ذروة الاكتشاف في الوقت الفعلي، يمكن أن يكون استكشاف نماذج أخرى ضمن توثيق Ultralytics مفيداً. بالنسبة للمستخدمين المرتبطين ببيئات قديمة، لا تزال البنى السابقة مثل YOLOv5 توفر أداءً قوياً. بالنسبة لقدرات zero-shot حيث لا يمكن تحديد الفئات مسبقاً، يوفر YOLO-World اكتشافاً مفتوح المفردات مدعوماً بمطالبات نصية.

خاتمة

القفزة من YOLO11 إلى YOLO26 ليست مجرد تحديث تدريجي؛ إنها إعادة تصور هيكلية لكيفية عمل نماذج اكتشاف الأشياء في الوقت الفعلي في الإنتاج. من خلال إسقاط خطوات المعالجة اللاحقة المعقدة والتحسين للتنفيذ الذي يركز على الحافة، يبرز YOLO26 كخيار رئيسي للمطورين المعاصرين. مدعوماً بـ النظام البيئي لـ Ultralytics القوي والتوثيق الشامل، تضمن الترقية إلى YOLO26 عمليات نشر أسرع، وتدريباً مستقراً، ودقة SOTA لأي مهمة رؤية حاسوبية تقريباً.