Link to this sectionYOLO11 مقابل YOLO26#

يدفع التطور السريع لرؤية الحاسوب حدود السرعة والدقة وكفاءة النشر باستمرار. في مشهد اكتشاف الكائنات في الوقت الفعلي، تضع Ultralytics المعيار باستمرار. تستكشف هذه المقارنة التقنية الانتقال من YOLO11 الناجح للغاية إلى YOLO26 المتطور، مع تحليل بنيتها ومقاييس الأداء وسيناريوهات النشر المثالية.

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

Link to this sectionنسل النموذج والنظام البيئي#

يستفيد كلا النموذجين من النظام البيئي Ultralytics الشامل، والذي يتميز بواجهة برمجة تطبيقات API مباشرة، وصيانة مستمرة، ومجتمع نابض بالحياة. فهي توفر تنوعاً لا مثيل له، وتدعم بشكل طبيعي مهام اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضع، ومربع الإحاطة الموجه (OBB) بشكل جاهز.

Link to this sectionYOLO11: 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
• المستندات: توثيق YOLO11

تعرف على المزيد حول YOLO11

Link to this sectionYOLO26: 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
• التوثيق: توثيق YOLO26

تعرف على المزيد حول YOLO26

Link to this sectionالابتكارات المعمارية#

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

Link to this sectionتصميم متكامل بدون NMS#

واحدة من أهم الترقيات في YOLO26 هي بنيتها المتكاملة أصلياً. فهي تلغي المعالجة اللاحقة لـ Non-Maximum Suppression (NMS)، وهو مفهوم تم طرحه لأول مرة في YOLOv10. يؤدي تجاوز NMS إلى تبسيط خط أنابيب النشر بشكل كبير ويضمن زمن انتقال ثابت، وهو أمر ضروري للتطبيقات في الوقت الفعلي مثل خوارزميات القيادة الذاتية.

Link to this sectionإزالة DFL لتحسين الحافة#

تزيل YOLO26 خاصية Distribution Focal Loss (DFL). في حين أن DFL كانت مفيدة في YOLO11 لتحديد المواقع بدقة، فإن إزالتها تبسط رسم بياني التصدير للشبكة. يضمن هذا التعديل توافقاً محسناً مع الأجهزة منخفضة الطاقة، مما يجعل YOLO26 قوة مطلقة على الأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

Link to this sectionمُحسن MuSGD#

استلهاماً من آليات تدريب نماذج اللغات الكبيرة (LLM)، وتحديداً Kimi K2 من Moonshot AI، تستخدم YOLO26 المحسن الثوري MuSGD Optimizer. يوفر هذا الهجين من Stochastic Gradient Descent (SGD) وMuon عمليات تدريب مستقرة بشكل ملحوظ، وتتقارب بشكل أسرع بكثير من محسنات AdamW القياسية المستخدمة في البنى القديمة.

Link to this sectionدوال 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.

Link to this sectionمقارنة 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 تم توضيحه، تقفز YOLO26 Nano (YOLO26n) بشكل كبير في الدقة مع تقليص وقت الاستدلال على وحدة المعالجة المركزية من 56.1 مللي ثانية إلى 38.9 مللي ثانية باستخدام ONNX Runtime.

Link to this sectionحالات الاستخدام والتطبيقات الواقعية#

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

Link to this sectionالحوسبة الطرفية وإنترنت الأشياء (IoT)#

بالنسبة للتطبيقات المقيدة بالطاقة والأجهزة، مثل مراقبة الزراعة الذكية عبر الطائرات بدون طيار أو أنظمة إنذار أمنية محلية، فإن YOLO26 هي البطل بلا منازع. تعني إزالة DFL وزيادة 43% في سرعة وحدة المعالجة المركزية أنه يمكنك تشغيل نماذج رؤية معقدة على الأجهزة دون GPUs مخصصة مع الحفاظ على معدلات إطارات عالية.

Link to this sectionنطاق السحابة والمؤسسات#

YOLO11 تظل خياراً ممتازاً لحلول المؤسسات حيث يتم تحسين مزارع الخوادم الضخمة بالفعل لهياكل الموتر (tensor structures) الخاصة بها. إنها تعمل بشكل مثالي لـ تحليلات الفيديو المستندة إلى السحابة وخطوط أنابيب معالجة الوسائط واسعة النطاق المدمجة بالفعل بعمق مع تنسيقات الإخراج الخاصة بها.

Link to this sectionتعدد المهام المعقد#

إذا كان مشروعك يتطلب دقة متناهية في الكائنات الصغيرة—مثل اكتشاف العيوب على لوحة الدوائر المطبوعة أو تتبع المركبات البعيدة في التصوير الجوي—فإن تنفيذ ProgLoss + STAL في YOLO26 يوفر تحسناً ملحوظاً في الاسترجاع والدقة لتلك الحالات الصعبة.

Link to this sectionكفاءة التدريب ومتطلبات الذاكرة#

ميزة رئيسية لإطار عمل Ultralytics هي بصمة الذاكرة المنخفضة للغاية أثناء التدريب. على عكس محولات الرؤية الضخمة مثل RT-DETR أو YOLOv8 الأقدم والتي يمكن أن تستهلك كميات هائلة من ذاكرة CUDA، تم تحسين كل من YOLO11 وYOLO26 للتدريب بكفاءة على الأجهزة الاستهلاكية.

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

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")

Link to this sectionاستكشاف بنى بديلة#

بينما تمثل YOLO26 قمة 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 يكون تحديد الفئات مسبقاً ممكناً، توفر YOLO-World اكتشافاً مفتوح المفردات مدعوماً بمطالبات نصية.

Link to this sectionالخلاصة#

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