Ultralytics YOLO27:

مقارنة YOLO26 وYOLO11#

عند بناء أنظمة رؤية حاسوبية متطورة، يُعد اختيار النموذج المناسب أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وزمن الاستجابة وكفاءة الموارد. وفي مشهد الذكاء الاصطناعي سريع التطور، تواصل Ultralytics توسيع حدود الإمكانات. تستكشف هذه المقارنة التقنية التفصيلية الانتقال من YOLO11 ذي النجاح الكبير إلى YOLO26 الثوري الجديد، وتوفر لمهندسي الذكاء الاصطناعي والباحثين الرؤى اللازمة لاتخاذ قرارات معمارية مستنيرة.

سلالة النماذج وبياناتها الوصفية#

طوّرت Ultralytics كلا النموذجين، لكنهما يمثلان نمطين مختلفين في المسار الزمني لكشف الأجسام ونماذج الرؤية متعددة المهام.

تفاصيل YOLO26:

تفاصيل YOLO11:

بُنى أخرى

مع أن YOLO26 هو نموذجنا الأكثر تقدمًا للعمل في الوقت الفعلي، فقد يستكشف المستخدمون الذين يتعاملون مع عتاد متخصص للغاية أو سعات ذاكرة هائلة بُنى قائمة على Transformer مثل RT-DETR، أو الرائد المبتكر الذي لا يستخدم NMS، YOLOv10.

الاختلافات والابتكارات المعمارية#

ينطوي الانتقال من YOLO11 إلى YOLO26 على تحولات جوهرية في كل من بنية النموذج ومنهجية التدريب الأساسية. فبينما أرسى YOLO11 أساسًا متينًا لـ كشف الأجسام والتعلم متعدد المهام، يعيد YOLO26 بناء مسار النشر للحوسبة الطرفية بالكامل.

تصميم شامل من البداية إلى النهاية وخالٍ من NMS#

تتمثل إحدى أهم ترقيات YOLO26 في بنيته الأصلية الشاملة من البداية إلى النهاية. فعلى خلاف YOLO11، الذي يعتمد على المعالجة اللاحقة لـ قمع غير الأعظم (NMS) لتصفية مربعات الإحاطة المتداخلة، يلغي YOLO26 هذه الخطوة بالكامل. وقد طُرح هذا المفهوم لأول مرة في YOLOv10، وهو يقلل بدرجة كبيرة من تباين زمن الاستجابة ويبسط منطق النشر عبر مجموعة متنوعة من الأجهزة الطرفية.

إزالة DFL لتحقيق كفاءة طرفية#

يستخدم YOLO11 ‏خسارة التركيز التوزيعية (DFL) لتحسين تقديرات مربعات الإحاطة. إلا أن DFL يعتمد على عمليات softmax معقدة لا تدعمها غالبًا مسرّعات الحافة منخفضة الطاقة دعمًا جيدًا. وقد أزال YOLO26 ‏DFL بنجاح من دون التضحية بالدقة. وينتج عن هذا التبسيط المعماري توافق محسّن بدرجة كبيرة مع الأنظمة المضمنة، كما يتيح لـ YOLO26 تحقيق استدلال أسرع بنسبة تصل إلى 43% على CPU مقارنةً بسلفه.

مُحسِّن MuSGD#

تُعدّ استقرارية التدريب وسرعته أمرين بالغي الأهمية. يقدم YOLO26 مُحسِّن MuSGD، وهو مزيج هجين من الانحدار المتدرج العشوائي (SGD) وMuon، وقد استُلهم بدرجة كبيرة من ابتكارات تدريب نماذج اللغة الكبيرة من Kimi K2 التابعة لـ Moonshot AI. ينقل هذا المُحسِّن استقرارية تدريب نماذج اللغة إلى مجال الرؤية الحاسوبية، بما يضمن تقاربًا أسرع ويقلل من البصمة الذاكرية أثناء التدريب مقارنةً ببدائل Transformer الثقيلة.

ProgLoss وSTAL#

بالنسبة للباحثين الذين يعملون مع الصور الجوية أو تطبيقات الطائرات بدون طيار، فإن اكتشاف الميزات الدقيقة يمثل تحدياً تاريخياً. يقدم نموذج YOLO26 دالة الفقد ProgLoss مجتمعة مع تعيين التسميات المدركة للأهداف الصغيرة (STAL)، مما يوفر تحسينات ملحوظة في التعرف على الأجسام الصغيرة مقارنة بـ YOLO11.

مقارنة الأداء والمقاييس#

عند مقارنة النموذجين مباشرةً، يُظهر YOLO26 تفوقًا واضحًا في الدقة وكفاءة الأجهزة الطرفية، مع الحفاظ على متطلبات الذاكرة المنخفضة للغاية التي تميز منظومة Ultralytics.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		المعاملات
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

ملاحظة: يُظهر نموذج YOLO26 النانوي (YOLO26n) تحسنًا بنحو ~31% في سرعة CPU مقارنةً بـ YOLO11n ‏(38.9ms مقابل 56.1ms)، مما يبرز فلسفة تصميمه التي تضع الأجهزة الطرفية أولًا.

تعدد الاستخدامات عبر مهام الرؤية الحاسوبية#

يستفيد كلا النموذجين من منظومة Ultralytics التي تحظى بصيانة مكثفة، إذ يقدمان سهولة استخدام لا مثيل لها من خلال واجهة Python API موحّدة. فهما ليسا مجرد كاشفين للأجسام، بل منظومتان قويتان للمهام المتعددة. ومع ذلك، يدمج YOLO26 عدة تحسينات خاصة بالمهام:

  • تجزئة الكيانات: يستخدم YOLO26 خسارة تجزئة دلالية محسّنة وإنشاء نماذج أولية متعدد المقاييس، ما ينتج حدود أقنعة أوضح من YOLO11. تعرّف على المزيد حول سير عمل التجزئة.
  • تقدير الوضعيات: من خلال دمج تقدير اللوغاريتم الاحتمالي المتبقي (RLE)، يحسّن YOLO26 دقة النقاط المفتاحية بدرجة كبيرة في الوضعيات البشرية المعقدة. اكتشف إمكانات تقدير الوضعيات.
  • مربعات الإحاطة الموجّهة (OBB): تعالج دالة خسارة متخصصة للزوايا مشكلات انقطاع الحدود التاريخية، مما يجعل YOLO26 موثوقًا بدرجة استثنائية في كشف الأجسام المستديرة في صور الأقمار الصناعية. اقرأ عن مهام OBB.
  • تصنيف الصور: يتعامل كلا النموذجين بكفاءة مع التصنيف عالي السرعة، مع تقديم YOLO26 تحسينات طفيفة في دقة أفضل تنبؤ أول على ImageNet.

مثال على شيفرة التدريب والاستدلال#

تشتهر Ultralytics بتجربة المطورين التي توفرها. فلا يتطلب تدريب نموذج SOTA أو تشغيل نص استدلال سوى بضعة أسطر من الشيفرة، مما يقلل الشيفرة التمهيدية ويعزز الإنتاجية. علاوةً على ذلك، يتطلب تدريب نماذج YOLO قدرًا أقل بكثير من ذاكرة CUDA مقارنةً بشبكات Transformer الكبيرة.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilize GPU for accelerated training
)

# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the clean, instant predictions
results[0].show()

حالات الاستخدام المثالية واستراتيجيات النشر#

يعتمد الاختيار بين YOLO26 وYOLO11 بالكامل على قيود بيئة الإنتاج لديك.

متى تنشر YOLO26#

يُعد YOLO26 الخيار الحاسم للمشروعات الحديثة المنشأة من الصفر. وقد بُني خصيصًا من أجل:

  • الحوسبة الطرفية وإنترنت الأشياء: تجعل أداءه المذهل على CPU وإزالة DFL منه الخيار الأفضل لأجهزة مثل Raspberry Pi ووحدات NPU الخاصة بـ Coral والمعالجات المحمولة.
  • تحليلات الطائرات المسيّرة والصور الجوية: يجعل دمج ProgLoss + STAL النموذج قادرًا بشكل فريد على تتبع الأجسام الصغيرة سريعة الحركة عبر المناظر الطبيعية الشاسعة.
  • التطبيقات الحساسة لزمن الاستجابة: في الروبوتات الذاتية أو مراقبة جودة التصنيع، يضمن التصميم الخالي من NMS زمن استجابة حتميًا من دون ارتفاعات مفاجئة في المعالجة اللاحقة.

متى تُبقي على YOLO11#

مع أن YOLO26 متفوق، يظل YOLO11 نموذجًا بالغ القدرة. وقد تواصل استخدام YOLO11 إذا:

  • مسارات العمل القديمة: كانت بنية النشر الحالية لديك بلغة C++ مرتبطة ارتباطًا وثيقًا بالمخرجات المحددة القائمة على المراسي ومنطق NMS الخاص بالبُنى الأقدم.
  • الخطوط الأساسية الأكاديمية: كنت تنشر بحثًا وتحتاج إلى معيار معروف على نطاق واسع من عام 2024 لمقارنة خوارزمياتك المبتكرة به.

قوة منظومة Ultralytics#

بغض النظر عن نشر YOLO11 أو YOLO26، فإن استخدام نماذج Ultralytics يعني الاستفادة من منظومة تحظى بصيانة جيدة مع تحديثات متكررة ودعم مجتمعي واسع.

بالنسبة إلى فرق المؤسسات، توفر منصة Ultralytics حلًا شاملًا من البداية إلى النهاية لـ وسم البيانات وتدريب النماذج والنشر السحابي السلس. بدءًا من تصدير الأوزان المدرّبة إلى CoreML أو TensorRT، ووصولًا إلى ضبط تحسين المعلمات الفائقة المتقدم، تضمن الأدوات المقدمة أن تكون دورة حياة الذكاء الاصطناعي لديك سلسة قدر الإمكان.

المساهمون
GLglenn-jocher7PDpderrenger1

التعليقات