YOLO11 مقابل YOLO26#

يدفع التطور السريع للرؤية الحاسوبية باستمرار حدود السرعة والدقة وكفاءة النشر. وفي مجال اكتشاف الأجسام في الزمن الحقيقي، ترسي Ultralytics المعايير باستمرار. تستكشف هذه المقارنة التقنية الانتقال من YOLO11 الذي حقق نجاحًا كبيرًا إلى YOLO26 المتطور، وتحلل بنيتيهما ومقاييس الأداء وسيناريوهات النشر المثلى.

سواء أكنت تبني أنظمة توصيل بالطائرات المسيّرة أم تحسّن خط معالجة عالميًا للتصنيع الذكي، فإن فهم الفروق الدقيقة بين هذين النموذجين سيساعدك على بناء حلول AI قوية ومواكبة للمستقبل.

سلالة النماذج والمنظومة#

يستفيد كلا النموذجين من منظومة Ultralytics الشاملة، التي تتميز بواجهة API بسيطة وصيانة مستمرة ومجتمع نشط. ويوفر النموذجان تعدد استخدامات لا يُضاهى، إذ يدعمان بطبيعتهما مهام اكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB) دون إعداد إضافي.

YOLO11: المعيار الراسخ#

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

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: وثائق YOLO11

YOLO26: آفاق جديدة#

طُرح YOLO26 في مطلع عام 2026، ويمثل تحولًا جذريًا في الحوسبة الطرفية والبنية الشاملة من البداية إلى النهاية، إذ يقدم تحسينات كبيرة في سرعة المعالجة وسهولة التكامل.

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: وثائق YOLO26

ابتكارات البنية#

يعتمد YOLO11 على أساليب المعالجة اللاحقة التقليدية التي دعمت الرؤية الحاسوبية لسنوات، بينما يقدم YOLO26 عدة اختراقات بنيوية تهدف إلى إزالة الاختناقات.

تصميم شامل من البداية إلى النهاية يستغني عن NMS#

من أهم ترقيات YOLO26 بنيته الأصلية الشاملة من البداية إلى النهاية. إذ تلغي آلية الرأس الاختيارية واحد لواحد (nms=False) المعالجة اللاحقة لكبت الصناديق غير القصوى (NMS)، وهو مفهوم طُرح للمرة الأولى في YOLOv10. ويؤدي تجاوز NMS إلى تبسيط خط النشر بدرجة كبيرة وضمان زمن استجابة ثابت، وهو أمر أساسي للتطبيقات الآنية مثل خوارزميات القيادة الذاتية.

إزالة DFL لتحسين الأداء على الأجهزة الطرفية#

يزيل YOLO26 خسارة البؤرة التوزيعية (DFL). ورغم أن DFL كانت مفيدة في YOLO11 لتحديد المواقع بدقة عالية، فإن إزالتها تبسط مخطط تصدير الشبكة. ويضمن هذا التعديل توافقًا أفضل مع العتاد منخفض الطاقة، ما يجعل YOLO26 خيارًا قويًا للغاية على الأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

مُحسِّن MuSGD#

استلهامًا من آليات تدريب نماذج اللغة الكبيرة (LLM)، وتحديدًا Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD الثوري. ويجمع هذا المحسّن بين نزول التدرج العشوائي (SGD) وMuon، ليقدم عمليات تدريب مستقرة على نحو ملحوظ، ويتقارب بسرعة أكبر بكثير من محسّنات AdamW القياسية المستخدمة في البنى الأقدم.

دوال خسارة متقدمة#

يضم YOLO26 ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة). ويحسن هذا المزيج اكتشاف الأجسام الصغيرة والمتكدسة بكثافة بدرجة كبيرة. كما يقدم YOLO26 تحسينات خاصة بالمهام: خسارة التجزئة الدلالية ووحدة أولية متعددة المقاييس لتجزئة الكائنات، وتقدير الاحتمال اللوغاريتمي المتبقي (RLE) لتقدير وضعيات البشر المعقدة، وخسارة زاوية متخصصة للحد من مشكلات الحدود في مهام اكتشاف OBB.

مقارنة الأداء#

عند تقييم هذه النماذج، يحدد التوازن بين عدد المعلمات والتعقيد الحسابي (FLOPs) والسرعة اختيار العتاد. ويستهدف YOLO26 تحديدًا سرعة الاستدلال على CPU، محققًا استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنة بسلفه.

كما يتضح، يحقق YOLO26 Nano (YOLO26n) قفزة كبيرة في الدقة، مع تقليص زمن استدلال CPU من 56.1ms إلى 38.9ms باستخدام ONNX Runtime.

حالات الاستخدام والتطبيقات الواقعية#

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

الحوسبة الطرفية وإنترنت الأشياء#

بالنسبة إلى التطبيقات المقيدة بالطاقة والعتاد، مثل مراقبة الزراعة الذكية باستخدام الطائرات المسيّرة أو أنظمة الإنذار الأمني المحلية، فإن YOLO26 هو الخيار الأفضل بلا منازع. وتعني إزالة DFL وزيادة سرعة CPU بنسبة 43% إمكانية تشغيل نماذج رؤية معقدة على أجهزة لا تحتوي على GPU مخصص، مع الحفاظ على معدلات إطارات مرتفعة.

السحابة ونطاق المؤسسات#

يظل YOLO11 خيارًا ممتازًا للحلول المؤسسية التي حُسّنت فيها مزارع الخوادم الضخمة بالفعل لتناسب بنيات الموترات الخاصة به. وهو ملائم تمامًا لتحليلات الفيديو السحابية وخطوط معالجة الوسائط واسعة النطاق المدمجة أصلًا بعمق مع تنسيقات مخرجاته المحددة.

تعدد المهام المعقد#

إذا كان مشروعك يتطلب دقة فائقة في الأجسام الصغيرة، مثل اكتشاف العيوب في لوحة دوائر أو تتبع المركبات البعيدة في الصور الجوية، فإن تطبيق ProgLoss + STAL في YOLO26 يوفر تحسنًا ملحوظًا في الاستدعاء والدقة لهذه الحالات الطرفية الصعبة.

كفاءة التدريب ومتطلبات الذاكرة#

من المزايا الرئيسية لإطار عمل Ultralytics انخفاض استهلاك الذاكرة بدرجة كبيرة أثناء التدريب. وعلى خلاف محولات الرؤية الضخمة مثل RT-DETR، التي قد تستهلك كميات هائلة من ذاكرة CUDA، جرى تحسين كل من YOLO11 وYOLO26 للتدريب بكفاءة على العتاد الاستهلاكي.

يعزز دمج محسّن MuSGD في YOLO26 هذه الميزة أكثر، إذ يضمن وصول النموذج إلى الأوزان المثلى بسرعة أكبر، ما يقلل إجمالي ساعات الحوسبة على GPU وتكاليف الحوسبة السحابية.

إليك مثالًا بسيطًا يوضح مدى سهولة تدريب أحدث نموذج YOLO26 باستخدام واجهة Python الأصلية:

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#

مع أن YOLO26 يمثل ذروة أداء الاكتشاف الآني، فقد يكون من المفيد استكشاف نماذج أخرى ضمن وثائق Ultralytics. وبالنسبة إلى المستخدمين المرتبطين ببيئات قديمة، لا تزال البنى الأسبق مثل YOLOv5 تقدم أداءً قويًا. أما للقدرات التي لا تتطلب أمثلة تدريبية، حين يتعذر تحديد الفئات مسبقًا، فيقدم YOLO-World اكتشافًا بمفردات مفتوحة يعتمد على المطالبات النصية.

الخلاصة#

إن الانتقال من YOLO11 إلى YOLO26 ليس تحديثًا تدريجيًا فحسب، بل هو إعادة تصور بنيوية لطريقة عمل نماذج اكتشاف الأجسام الآنية في بيئات الإنتاج. ومن خلال الاستغناء عن خطوات المعالجة اللاحقة المعقدة والتحسين للتنفيذ على الأجهزة الطرفية أولًا، يبرز YOLO26 بوصفه الخيار الأمثل للمطورين المعاصرين. وبفضل منظومة Ultralytics القوية ووثائقها الشاملة، يضمن الانتقال إلى YOLO26 عمليات نشر أسرع وتدريبًا مستقرًا ودقة متطورة (SOTA) لأي مهمة رؤية حاسوبية تقريبًا.