Ultralytics YOLO27:
Get Started

YOLO26 مقابل YOLO11#

عند بناء أنظمة متطورة للرؤية الحاسوبية، يُعد اختيار النموذج المناسب أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة ووقت الاستجابة وكفاءة استخدام الموارد. وفي ظل التطور السريع لمجال الذكاء الاصطناعي، تواصل Ultralytics دفع حدود الإمكانات. تستعرض هذه المقارنة التقنية المفصلة الانتقال من YOLO11 الذي حقق نجاحًا كبيرًا إلى YOLO26 الجديد والثوري، وتوفر لمهندسي الذكاء الاصطناعي والباحثين الرؤى اللازمة لاتخاذ قرارات معمارية مستنيرة.

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 نماذجنا الآنية، يمكن للمستخدمين الذين يعملون على عتاد متخصص للغاية أو يحتاجون إلى سعات ذاكرة ضخمة استكشاف البنى القائمة على Transformer مثل RT-DETR، أو النموذج الرائد الذي أحدث نقلة نوعية في الاستغناء عن NMS، YOLOv10.

الاختلافات المعمارية والابتكارات#

يتضمن الانتقال من YOLO11 إلى YOLO26 تغييرات جوهرية في كل من بنية النموذج ومنهجية تدريبه الأساسية. وقد أرسى YOLO11 أساسًا متينًا لـاكتشاف الكائنات والتعلم متعدد المهام، بينما يعيد YOLO26 تصميم مسار النشر للحوسبة الطرفية بالكامل.

تصميم شامل من البداية إلى النهاية يستغني عن NMS#

من أبرز ترقيات YOLO26 بنيته الأصلية الشاملة من البداية إلى النهاية. فعلى خلاف YOLO11، الذي يعتمد على المعالجة اللاحقة باستخدام كبح غير الأعظم (NMS) لتصفية مربعات الإحاطة المتداخلة، يستطيع YOLO26 تجاوز هذه الخطوة تمامًا باستخدام رأسه الاختياري أحادي المطابقة (nms=False). وقد طُرح هذا المفهوم لأول مرة في YOLOv10، وهو يقلل بدرجة كبيرة من تباين زمن الاستجابة ويبسّط 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 يعتمد على عمليات softmax معقدة لا تدعمها غالبًا مسرّعات الحوسبة الطرفية منخفضة الطاقة جيدًا. وقد أزال YOLO26‏ DFL بنجاح دون التضحية بالدقة. ويؤدي هذا التبسيط المعماري إلى توافق أفضل بكثير مع الأنظمة المضمنة، كما يتيح لـ YOLO26 تحقيق استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنةً بسابقه.

مُحسِّن MuSGD#

تُعد استقرارية التدريب وسرعته من الأولويات القصوى. يقدم YOLO26 مُحسِّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي (SGD) وMuon، وقد استُلهم بدرجة كبيرة من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) التي طورتها Moonshot AI ضمن Kimi K2. ينقل هذا المُحسِّن استقرارية تدريب نماذج اللغة إلى مجال الرؤية الحاسوبية، مما يضمن تقاربًا أسرع ويقلل استهلاك الذاكرة أثناء التدريب مقارنةً ببدائل Transformer الضخمة.

ProgLoss وSTAL#

يمثل اكتشاف السمات الصغيرة تحديًا قديمًا للباحثين العاملين على الصور الجوية أو تطبيقات الطائرات المسيّرة. يقدم YOLO26‏ ProgLoss مقترنًا بـ STAL (إسناد التسميات المُراعي للأهداف الصغيرة)، محققًا تحسينات ملحوظة في التعرف على الكائنات الصغيرة مقارنةً 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)		mAPالتحقق
50-95		السرعة
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: يحقق نموذج YOLO26 nano (YOLO26n) تحسنًا في سرعة CPU بنحو ~31% مقارنةً بـ YOLO11n (38.9ms مقابل 56.1ms)، مما يبرز فلسفة تصميمه التي تضع الأجهزة الطرفية في المقام الأول.

تعدد الاستخدامات عبر مهام الرؤية الحاسوبية#

يستفيد كلا النموذجين من منظومة Ultralytics التي تحظى بصيانة مستمرة، ويوفران سهولة استخدام لا مثيل لها عبر واجهة Python API موحدة. وهما ليسا مجرد كاشفين للكائنات، بل نظامان قويان متعددَا المهام. ومع ذلك، يضم YOLO26 عدة تحسينات مخصصة لمهام بعينها:

  • تجزئة المثيلات: يستخدم YOLO26 دالة خسارة محسّنة للتجزئة الدلالية وإنشاء نماذج أولية متعددة المقاييس، ما ينتج حدود أقنعة أوضح من YOLO11. تعرّف على المزيد حول سير عمل التجزئة.
  • تقدير الوضعية: من خلال دمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، يحسّن YOLO26 بدرجة كبيرة دقة النقاط المفتاحية في وضعيات الإنسان المعقدة. اكتشف إمكانات تقدير الوضعية.
  • مربعات الإحاطة الموجّهة (OBB): تعالج دالة خسارة متخصصة للزوايا مشكلات انقطاع الحدود المعروفة، ما يجعل YOLO26 موثوقًا للغاية في اكتشاف الكائنات المدارة ضمن صور الأقمار الصناعية. اقرأ عن مهام OBB.
  • تصنيف الصور: يتعامل كلا النموذجين بكفاءة مع التصنيف عالي السرعة، ويحقق YOLO26 تحسينات طفيفة في دقة المركز الأول على ImageNet.

مثال على شيفرة التدريب والاستدلال#

تشتهر Ultralytics بتجربة المطورين المتميزة. لا يتطلب تدريب نموذج متطور أو تشغيل برنامج استدلال سوى بضعة أسطر من الشيفرة، مما يقلل الشيفرة النمطية ويعزز الإنتاجية. علاوة على ذلك، يتطلب تدريب نماذج YOLO ذاكرة CUDA أقل بكثير من شبكات Transformer الكبيرة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano المتطور⁩
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",  # ⁨استخدام 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 بالكامل على قيود بيئة الإنتاج لديك.

متى تنشر YOLO26#

YOLO26 هو الخيار الأمثل للمشروعات الحديثة الجديدة كليًا. وقد صُمم خصيصًا لما يلي:

  • الحوسبة الطرفية وإنترنت الأشياء: تجعله قدرته الاستثنائية على CPU وإزالة DFL الخيار الأفضل لأجهزة مثل Raspberry Pi ووحدات NPU من Coral والمعالجات المحمولة.
  • تحليلات الطائرات المسيّرة والصور الجوية: يجعل دمج ProgLoss وSTAL النموذج قادرًا على نحو فريد على تتبع الأجسام الصغيرة سريعة الحركة عبر مساحات شاسعة.
  • التطبيقات الحساسة لزمن الاستجابة: في الروبوتات ذاتية التشغيل أو مراقبة جودة التصنيع، يضمن التصميم الذي يستغني عن NMS زمن استجابة حتميًا دون ارتفاعات مفاجئة بسبب المعالجة اللاحقة.

متى تحتفظ بـ YOLO11#

مع أن YOLO26 يتفوق عليه، يظل YOLO11 نموذجًا قادرًا للغاية. قد يكون من الأفضل الاستمرار في استخدام YOLO11 في الحالات التالية:

  • مسارات العمل القديمة: ترتبط بنية النشر الحالية لديك بلغة C++ ارتباطًا وثيقًا بتنسيق المخرجات ومنطق NMS المحددين في YOLO11.
  • المعايير الأكاديمية: تنشر بحثًا وتحتاج إلى معيار مرجعي معتمد على نطاق واسع من عام 2024 لمقارنة خوارزمياتك الجديدة به.

قوة منظومة Ultralytics#

بغض النظر عما إذا كنت تنشر YOLO11 أو YOLO26، فإن استخدام نماذج Ultralytics يتيح لك الاستفادة من منظومة تحظى بصيانة جيدة وتوفر تحديثات متكررة ودعمًا واسعًا من المجتمع.

لفرق المؤسسات، توفر منصة Ultralytics حلًا متكاملًا يشمل تعليق البيانات وتدريب النماذج والنشر السحابي السلس. بدءًا من تصدير الأوزان التي درّبتها إلى CoreML أو TensorRT، وصولًا إلى إعداد ضبط المعلمات الفائقة المتقدم، تضمن الأدوات المتاحة أن تكون دورة حياة الذكاء الاصطناعي لديك أكثر سلاسة قدر الإمكان.

المساهمون
GLglenn-jocher8PDpderrenger1

التعليقات