Ultralytics YOLO27: انضم إلى قائمة الانتظار.
Get Started

YOLO26 مقابل YOLO11#

عند بناء أنظمة الرؤية الحاسوبية، يعني اختيار النموذج المناسب تحقيق التوازن بين الدقة وزمن الاستجابة وكفاءة الموارد. تغطي هذه المقارنة التقنية الانتقال من Ultralytics YOLO11 إلى YOLO26 الأحدث، وتقدم لمهندسي الذكاء الاصطناعي والباحثين التفاصيل اللازمة لاتخاذ قرارات معمارية مدروسة.

تطور النماذج وبياناتها الوصفية#

طورت Ultralytics كلا النموذجين، لكنهما يمثلان توجهين مختلفين في مسار تطور نماذج اكتشاف الكائنات والرؤية متعددة المهام.

تفاصيل YOLO26:

تفاصيل YOLO11:

بنى معمارية أخرى

مع أن YOLO26 هو أحدث نماذج Ultralytics الآنية، قد يرغب المستخدمون ذوو الأجهزة المتخصصة أو ميزانيات الذاكرة الكبيرة أيضًا في استكشاف البنى القائمة على Transformer مثل RT-DETR أو أول إصدار من YOLO خالٍ من NMS، وهو YOLOv10.

الاختلافات المعمارية والابتكارات#

يغير الانتقال من YOLO11 إلى YOLO26 بنية النموذج ووصفة التدريب معًا. فبينما أرسى YOLO11 خط أساس قويًا لـاكتشاف الكائنات والتعلم متعدد المهام، يعيد YOLO26 تصميم مسار النشر للحوسبة الطرفية.

تصميم شامل من البداية إلى النهاية يستغني عن NMS#

يتمثل أحد أهم التحسينات في YOLO26 في الاستدلال الأصلي الشامل من البداية إلى النهاية. فعلى خلاف YOLO11، الذي يعتمد على المعالجة اللاحقة باستخدام القمع غير الأقصى (NMS) لتصفية مربعات الإحاطة المتداخلة، يستطيع YOLO26 تخطي هذه الخطوة بالكامل باستخدام رأسه الاختياري واحد إلى واحد (nms=False). وقد قدم YOLOv10 هذا النهج إلى عائلة YOLO، وهو يقلل تباين زمن الاستجابة ويبسط منطق النشر عبر مجموعة متنوعة من الأجهزة الطرفية.

إزالة DFL لتعزيز الكفاءة على الأجهزة الطرفية#

يستخدم YOLO11 خسارة البؤرة التوزيعية (DFL) لتحسين تقديرات مربعات الإحاطة. لكن DFL تعتمد على عمليات softmax التي غالبًا ما يكون دعمها ضعيفًا في مسرّعات الحوسبة الطرفية منخفضة الطاقة. يزيل YOLO26 خسارة DFL دون التضحية بالدقة. ويحسن هذا التبسيط التوافق مع الأنظمة المضمنة ويساعد YOLO26n على تحقيق استدلال أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـYOLO11n.

مُحسِّن MuSGD#

يقدم YOLO26 محسِّن MuSGD، وهو نهج هجين يجمع بين الانحدار المتدرج العشوائي (SGD) وMuon، مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) في Kimi K2 من Moonshot AI. وينقل استقرار تدريب نماذج اللغة إلى الرؤية الحاسوبية ويسرّع التقارب.

ProgLoss وSTAL#

يمثل اكتشاف الكائنات الصغيرة تحديًا مستمرًا للباحثين العاملين على الصور الجوية أو تطبيقات الطائرات المسيّرة. يقدم YOLO26 تقنية ProgLoss المقترنة بـSTAL (إسناد التسميات المراعي للأهداف الصغيرة)، ما يحسن التعرف على الكائنات الصغيرة مقارنةً بـYOLO11.

مقارنة الأداء والمقاييس#

يحقق YOLO26 قيمة mAP أعلى من YOLO11 عند كل حجم، من +1.4 (n) إلى +2.8 (x)، مع أعداد معلمات وعمليات FLOPs متقاربة. كما أن YOLO26n وYOLO26s أسرع على CPU، بينما تحتفظ نماذج YOLO11 الأكبر بزمن استجابة أقل على CPU.

النموذجالحجم
(بكسل)		‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
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
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

ملاحظة: زمن استجابة ONNX على CPU لـYOLO26n أقل بنحو ~31% من YOLO11n (38.9 ms مقابل 56.1 ms)، ما يعكس تصميمه الموجه أولًا للأجهزة الطرفية.

تعدد الاستخدامات عبر مهام الرؤية الحاسوبية#

يستفيد كلا النموذجين من منظومة Ultralytics التي تُصان بنشاط وواجهة Python API موحدة، ويدعم كلاهما الاكتشاف والتقسيم والتصنيف وتقدير الوضعية وOBB. ويضيف YOLO26 التقسيم الدلالي وتقدير العمق، إلى جانب عدة تحسينات خاصة بالمهام:

  • تقسيم المثيلات: يستخدم YOLO26 خسارة للتقسيم الدلالي ووحدة أولية متعددة المقاييس، ما يحسن جودة الأقنعة مقارنةً بـYOLO11. تعرّف على المزيد حول مسارات عمل التقسيم.
  • تقدير الوضعية: من خلال دمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، يحسن YOLO26 دقة النقاط المفتاحية في وضعيات الإنسان المعقدة. اكتشف إمكانات تقدير الوضعية.
  • مربعات الإحاطة الموجّهة (OBB): تعالج دالة خسارة متخصصة للزاوية مشكلات عدم الاستمرارية عند الحدود، ما يجعل YOLO26 أكثر موثوقية في اكتشاف الكائنات المدارة في الصور الملتقطة بالأقمار الصناعية. اقرأ عن مهام OBB.
  • تصنيف الصور: يتعامل كلا النموذجين بكفاءة مع التصنيف عالي السرعة، مع تحقيق YOLO26 مكاسب محدودة في دقة top-1 على ImageNet (71.4% مقابل 70.0% لنماذج n).

مثال على شيفرة التدريب والاستدلال#

لا يتطلب تدريب نموذج أو تشغيل الاستدلال باستخدام Ultralytics سوى بضعة أسطر من التعليمات البرمجية. كما يتطلب تدريب نماذج YOLO ذاكرة CUDA أقل من شبكات Transformer الكبيرة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج بكفاءة على مجموعة بيانات COCO8⁩
# ⁨يحدد optimizer="auto" مُحسِّن MuSGD لعمليات التدريب الأطول⁩
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # ⁨استخدم GPU لتسريع التدريب⁩
)

# ⁨تنفيذ الاستدلال على صورة مباشرةً دون NMS⁩
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ⁨عرض التنبؤات الفورية والواضحة⁩
results[0].show()

حالات الاستخدام المثالية واستراتيجيات النشر#

يعتمد الاختيار بين YOLO26 وYOLO11 على قيود بيئة الإنتاج لديك.

متى تنشر YOLO26#

YOLO26 هو الخيار الموصى به للمشاريع الجديدة. وقد صُمم من أجل:

  • الحوسبة الطرفية وإنترنت الأشياء: يجعل أداءه على CPU وإزالة DFL منه مناسبًا لأجهزة مثل Raspberry Pi وCoral Edge TPU والمعالجات المحمولة.
  • التحليلات الجوية وتحليلات الطائرات المسيّرة: تحسن ProgLoss + STAL اكتشاف الكائنات الصغيرة سريعة الحركة وتتبعها عبر المشاهد الواسعة.
  • التطبيقات الحساسة لزمن الاستجابة: في الروبوتات ذاتية التشغيل أو مراقبة جودة التصنيع، يحافظ الرأس الاختياري الخالي من NMS (nms=False) على ثبات زمن الاستجابة دون ارتفاعات مفاجئة بسبب المعالجة اللاحقة.

متى تحتفظ بـ YOLO11#

لا يزال YOLO11 نموذجًا قادرًا. وقد تفضّل الاستمرار باستخدام YOLO11 إذا:

  • مسارات العمل القديمة: ترتبط بنية النشر الحالية لديك بلغة C++ ارتباطًا وثيقًا بتنسيق المخرجات ومنطق NMS المحددين في YOLO11.
  • خطوط الأساس الأكاديمية: كنت تنشر بحثًا وتحتاج إلى خط أساس معروف على نطاق واسع لعام 2024 لمقارنة الخوارزميات الجديدة به.

قوة منظومة Ultralytics#

سواء نشرت YOLO11 أو YOLO26، تأتي نماذج Ultralytics مع منظومة متكاملة تُصان جيدًا وتحديثات متكررة ومجتمع كبير.

توفر منصة Ultralytics للفرق المؤسسية حلًا شاملًا من البداية إلى النهاية لـتعليق البيانات وتدريب النماذج والنشر السحابي. وتغطي حزمة ultralytics بقية دورة الحياة، بدءًا من ضبط المعلمات الفائقة ووصولًا إلى تصدير الأوزان المدرّبة إلى CoreML أو TensorRT.

المساهمون
GLglenn-jocher11PDpderrenger1

التعليقات