Link to this sectionYOLO26 مقابل YOLO11#

عند بناء أنظمة رؤية حاسوبية متطورة، يعد اختيار النموذج المناسب أمراً بالغ الأهمية لتحقيق التوازن بين الدقة، وزمن الوصول، وكفاءة الموارد. في المشهد المتطور بسرعة للذكاء الاصطناعي، تواصل Ultralytics دفع حدود ما هو ممكن. تستكشف هذه المقارنة الفنية التفصيلية الانتقال من نموذج YOLO11 الناجح للغاية إلى نموذج YOLO26 الجديد والثوري، مما يزود مهندسي وباحثي الذكاء الاصطناعي بالرؤى اللازمة لاتخاذ قرارات معمارية مستنيرة.

Link to this sectionنسابة النموذج والبيانات الوصفية#

كلا النموذجين تم تطويرهما بواسطة Ultralytics، لكنهما يمثلان نماذج فكرية مختلفة في الجدول الزمني لنماذج اكتشاف الكائنات والرؤية متعددة المهام.

تفاصيل YOLO26:

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: مستودع Ultralytics
• المستندات: وثائق YOLO26 الرسمية

تعرف على المزيد حول YOLO26

تفاصيل YOLO11:

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: مستودع Ultralytics
• الوثائق: وثائق YOLO11 الرسمية

تعرف على المزيد حول YOLO11

Link to this sectionالاختلافات المعمارية والابتكارات#

تتضمن القفزة من YOLO11 إلى YOLO26 تحولات جوهرية في كل من بنية النموذج ونظام التدريب الأساسي. في حين أسس YOLO11 أساساً قوياً لـ اكتشاف الكائنات والتعلم متعدد المهام، يقوم YOLO26 بتجديد خط أنابيب النشر بالكامل من أجل الحوسبة الطرفية.

Link to this sectionتصميم متكامل بدون NMS#

واحدة من أهم الترقيات في YOLO26 هي بنيته المتكاملة أصلياً. على عكس YOLO11، الذي يعتمد على معالجة Non-Maximum Suppression (NMS) لتصفية صناديق التحديد المتداخلة، يلغي YOLO26 هذه الخطوة تماماً. هذا المفهوم، الذي تم طرحه لأول مرة في YOLOv10، يقلل بشكل كبير من تباين زمن الوصول ويبسط منطق النشر عبر أجهزة طرفية متنوعة.

Link to this sectionإزالة DFL لكفاءة الأجهزة الطرفية#

يستخدم YOLO11 توزيع خسارة البؤرة (DFL) لتحسين تقديرات صناديق التحديد. ومع ذلك، يعتمد DFL على عمليات softmax معقدة غالباً ما تكون غير مدعومة بشكل جيد من قبل مسرعات الحافة منخفضة الطاقة. ينجح YOLO26 في إزالة DFL دون التضحية بالدقة. يؤدي هذا التبسيط المعماري إلى تحسين التوافق بشكل كبير مع الأنظمة المدمجة ويسمح لـ YOLO26 بتحقيق استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU) مقارنة بسلفه.

Link to this sectionمُحسّن MuSGD#

استقرار وسرعة التدريب أمران أساسيان. يقدم YOLO26 مُحسّن MuSGD، وهو مزيج من الانحدار العشوائي (SGD) وMuon، مستوحى بشكل كبير من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) من Moonshot AI's Kimi K2. يجلب هذا المُحسّن استقرار تدريب النماذج اللغوية إلى الرؤية الحاسوبية، مما يضمن تقارباً أسرع ويقلل من بصمة الذاكرة أثناء التدريب مقارنة ببدائل Transformer الثقيلة.

Link to this sectionProgLoss و STAL#

بالنسبة للباحثين الذين يعملون مع الصور الجوية أو تطبيقات الطائرات بدون طيار، يعد اكتشاف الميزات الصغيرة تحدياً تاريخياً. يقدم YOLO26 تقنية ProgLoss مدمجة مع STAL (Scale-Targeted Attention Loss)، مما يوفر تحسينات ملحوظة في التعرف على الكائنات الصغيرة مقارنة بـ YOLO11.

Link to this sectionمقارنة الأداء والمقاييس#

عند مقارنة النماذج جنباً إلى جنب، يُظهر YOLO26 تفوقاً واضحاً في الدقة وكفاءة جهاز الحافة، مع الحفاظ على متطلبات الذاكرة المنخفضة للغاية التي تميز نظام Ultralytics البيئي.

ملاحظة: يُظهر نموذج YOLO26 نانو (YOLO26n) تحسناً بنسبة ~31% في سرعة وحدة المعالجة المركزية مقارنة بـ YOLO11n (38.9 مللي ثانية مقابل 56.1 مللي ثانية)، مما يسلط الضوء على فلسفة التصميم التي تضع الأجهزة الطرفية في المقام الأول.

Link to this sectionتعدد الاستخدامات عبر مهام الرؤية الحاسوبية#

يستفيد كلا النموذجين من نظام Ultralytics البيئي المدار بشكل كبير، مما يوفر سهولة استخدام لا مثيل لها من خلال واجهة برمجة تطبيقات Python موحدة. إنها ليست مجرد كاشفات للكائنات؛ بل هي قوى عاملة متعددة المهام. ومع ذلك، يتضمن YOLO26 العديد من التطورات الخاصة بالمهام:

• تجزئة الكائنات (Instance Segmentation): يستخدم YOLO26 خسارة تجزئة دلالية محسنة ونمذجة أولية متعددة المقاييس، مما يولد حدود قناع أكثر وضوحاً من YOLO11. تعرف على المزيد حول سير عمل التجزئة.
• تقدير الوضع (Pose Estimation): من خلال دمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، يحسن YOLO26 دقة النقاط الرئيسية بشكل كبير في الأوضاع البشرية المعقدة. اكتشف قدرات تقدير الوضع.
• صناديق التحديد الموجهة (OBB): تعمل دالة خسارة الزاوية المتخصصة على حل مشكلات عدم استمرارية الحدود التاريخية، مما يجعل YOLO26 موثوقاً بشكل استثنائي لاكتشاف الكائنات الدوارة في خلاصات الأقمار الصناعية. اقرأ عن مهام OBB.
• تصنيف الصور: يتعامل كلا النموذجين مع التصنيف عالي السرعة بكفاءة، مع تقديم YOLO26 تحسينات هامشية في دقة top-1 على ImageNet.

Link to this sectionمثال على كود التدريب والاستدلال#

تشتهر Ultralytics بتجربة المطورين. يستغرق تدريب نموذج SOTA أو تشغيل نص استدلال بضعة أسطر فقط من الكود، مما يقلل من الغلاية البرمجية ويزيد من الإنتاجية. علاوة على ذلك، يتطلب تدريب نماذج YOLO ذاكرة CUDA أقل بكثير من شبكات 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()

Link to this sectionحالات الاستخدام المثالية واستراتيجيات النشر#

يعتمد الاختيار بين YOLO26 و YOLO11 كلياً على قيود بيئة الإنتاج الخاصة بك.

Link to this sectionمتى يتم نشر YOLO26#

YOLO26 هو الخيار النهائي للمشاريع الحديثة والجديدة. تم بناؤه خصيصاً من أجل:

• الحوسبة الطرفية وإنترنت الأشياء: إن أداء وحدة المعالجة المركزية المذهل وإزالة DFL يجعلانه ملك الأجهزة مثل Raspberry Pi و Coral NPUs ومعالجات الهواتف المحمولة.
• تحليلات الطائرات بدون طيار والتحليلات الجوية: إن دمج ProgLoss + STAL يجعله قادراً بشكل فريد على تتبع الكائنات الصغيرة وسريعة الحركة عبر مساحات شاسعة.
• Latency-Critical Applications: In autonomous robotics or manufacturing quality control, the NMS-free design ensures deterministic latency without unexpected post-processing spikes.

Link to this sectionمتى يتم الاحتفاظ بـ YOLO11#

بينما يعد YOLO26 متفوقاً، يظل YOLO11 نموذجاً قادراً بشكل لا يصدق. قد تلتزم بـ YOLO11 إذا:

• خطوط الأنابيب القديمة (Legacy Pipelines): بنيتك التحتية الحالية للنشر بـ C++ مرتبطة بإحكام بمخرجات معينة تعتمد على المرساة ومنطق NMS للبنيات القديمة.
• الأسس الأكاديمية: أنت تنشر بحثاً وتحتاج إلى معيار عام 2024 معترف به للغاية لتقييم خوارزمياتك الجديدة ضده.

Link to this sectionقوة نظام Ultralytics البيئي#

بغض النظر عما إذا كنت تنشر YOLO11 أو YOLO26، فإن استخدام نماذج Ultralytics يعني الاستفادة من نظام بيئي جيد الصيانة مع تحديثات متكررة ودعم مجتمعي واسع.

بالنسبة لفرق المؤسسات، توفر منصة Ultralytics حلاً متكاملاً لـ تعليق البيانات، وتدريب النماذج، والنشر السحابي السلس. من تصدير أوزانك المدربة إلى CoreML أو TensorRT، إلى تكوين ضبط المعاملات الفائقة المتقدم، تضمن الأدوات المقدمة تبسيط دورة حياة الذكاء الاصطناعي الخاصة بك قدر الإمكان.