YOLO26 مقابل YOLO11: عصر جديد من الذكاء الاصطناعي للرؤية الشاملة

تميز تطور اكتشاف الأجسام بالسعي الدؤوب لتحقيق السرعة والدقة والكفاءة. ومن أهم المعالم في هذه الرحلة YOLO26 و YOLO11. ورغم أن كلا النموذجين ينبعان من الأبحاث المبتكرة في Ultralytics، إلا أنهما يمثلان جيلين مختلفين من فلسفة الهندسة المعمارية. تتعمق هذه المقارنة في الفروق الفنية الدقيقة بين هاتين الهندستين المعماريتين، مما يساعد المطورين والباحثين على اختيار الأداة المناسبة لتطبيقات الرؤية الحاسوبية الخاصة بهم.

مقارنة مقاييس الأداء

يوضح الجدول التالي الفروق في الأداء بين عائلتي النماذج على COCO . لاحظ القفزة الكبيرة في سرعة CPU لـ YOLO26، وهي نتيجة مباشرة لتحسينات هندستها المعمارية.

التطور المعماري

YOLO26: الثورة NMS

صدر YOLO26 في يناير 2026، وهو يمثل تحولًا جذريًا نحو الكشف الأصلي عن الكائنات من البداية إلى النهاية. على عكس أجهزة الكشف التقليدية التي تعتمد على خطوات المعالجة اللاحقة الاستدلالية مثل Non-Maximum Suppression (NMS) لتصفية المربعات المحددة المكررة، يدمج YOLO26 هذا المنطق مباشرة في بنية الشبكة. هذا المفهوم، الذي تم ابتكاره في الأصل في أبحاث مثل YOLOv10، تم تحسينه لتحقيق استقرار الإنتاج في YOLO26.

تشمل الابتكارات المعمارية الرئيسية ما يلي:

• تصميم NMS من البداية إلى النهاية: من خلال التخلص من NMS، يبسط YOLO26 عملية النشر. وهذا مفيد بشكل خاص لسيناريوهات الحوسبة الطرفية حيث يمكن أن يتسبب التباين في NMS في حدوث تذبذب في التطبيقات في الوقت الفعلي.
• إزالة DFL: تؤدي إزالة Distribution Focal Loss (DFL) إلى تبسيط طبقات إخراج النموذج. يعزز هذا التغيير بشكل كبير التوافق مع الأجهزة منخفضة الطاقة ويبسط تصدير النموذج إلى تنسيقات مثل ONNX CoreML حيث يتطلب عدد أقل من المشغلات المخصصة.
• مُحسِّن MuSGD: مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (LLM) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّنًا هجينًا يجمع بين SGD Muon. وهذا يوفر استقرارًا فائقًا لعمليات التدريب، مما يتيح تقاربًا أسرع حتى مع مجموعات البيانات المعقدة.
• ProgLoss + STAL: أدى إدخال Progressive Loss (ProgLoss) و Self-Training Anchor Loss (STAL) إلى تحسينات ملحوظة في اكتشاف الأجسام الصغيرة. تعمل وظائف الخسارة هذه على ضبط التركيز ديناميكيًا أثناء التدريب، مما يضمن تعلم الأمثلة الصعبة — غالبًا الأجسام الصغيرة أو المحجوبة — بشكل أكثر فعالية.

تعرف على المزيد حول YOLO26

YOLO11: المعيار القوي

YOLO11، الذي تم إصداره في سبتمبر 2024، مبني على إرث YOLOv8 إدخال كتلة C3k2 وتحسينات على وحدة SPPF (Spatial Pyramid Pooling - Fast). على الرغم من أنه لا يزال نموذجًا قويًا وعالي الكفاءة، إلا أنه يعتمد على رأس الكشف التقليدي الخالي من المراسي الذي يتطلب NMS .

YOLO11 في السيناريوهات التي تتطلب دعمًا مكثفًا للأنظمة القديمة، أو التي تعتمد على خصائص معمارية محددة للأجيال السابقة. ومع ذلك، مقارنةً بالبنية المبسطة لـ YOLO26، فإنه يتحمل عبئًا حسابيًا أكبر قليلاً خلال مرحلة ما بعد المعالجة، مما قد يشكل عائقًا في البيئات عالية الإنتاجية.

تعرف على المزيد حول YOLO11

حالات الاستخدام المثالية

متى تختار YOLO26

YOLO26 هو الخيار الموصى به لجميع المشاريع الجديدة تقريبًا، لا سيما تلك التي تعطي الأولوية للكفاءة وسهولة النشر.

1. Edge AI و IoT: بفضل CPU الهائلة وتصميمها NMS، تعد YOLO26 مثالية لأجهزة مثل Raspberry Pi أو NVIDIA . يعد انخفاض تباين زمن الاستجابة أمرًا بالغ الأهمية في مجال الروبوتات حيث يتطلب الأمر توقيتًا ثابتًا لدورات التحكم.
2. مهام الرؤية المعقدة: بالإضافة إلى الكشف، يقدم YOLO26 تحسينات خاصة بالمهام. على سبيل المثال، يعزز تقدير الاحتمالية المتبقية (RLE) الدقة بشكل كبير في تقدير الوضع، بينما تعمل وظائف فقدان الزاوية المتخصصة على تحسين دقة الصندوق المحيط الموجه (OBB) للصور الجوية.
3. التطبيقات منخفضة الطاقة: إزالة DFL والهندسة المعمارية المحسّنة تعني أن YOLO26 يستهلك طاقة أقل لكل استدلال، مما يطيل عمر البطارية في التطبيقات المحمولة.

متى تختار YOLO11

YOLO11 خيارًا صالحًا في الحالات التالية:

• الأنظمة القديمة: إذا كان لديك خط أنابيب موجود تم ضبطه بشكل كبير لتنسيق الإخراج المحدد YOLO11 ولا يمكنك تحمل الوقت الهندسي اللازم لتحديث منطق المعالجة اللاحقة (على الرغم من أن الانتقال إلى YOLO26 يكون سلسًا بشكل عام مع Ultralytics).
• معايير القياس المرجعية: غالبًا ما يستخدم الباحثون نماذج معتمدة على نطاق واسع مثل YOLO11 YOLOv8 كأساسيات للمقارنة مع البنى الجديدة.

ميزة Ultralytics

سواء اخترت YOLO26 أو YOLO11 فإن الاستفادة من نظام Ultralytics يوفر مزايا واضحة مقارنة بالأطر المنافسة.

سهولة الاستخدام وتعدد الاستخدامات

تم تصميم Ultralytics لتوفير تجربة "من الصفر إلى القمة". تدعم Python واحدة الكشف والتجزئة والتصنيف والتتبع. تتيح هذه المرونة لفرق الهندسة التنقل بين المهام دون الحاجة إلى تعلم قواعد برمجة جديدة.

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimization automatically handled
results = model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for simplified edge deployment
path = model.export(format="onnx")

كفاءة التدريب والذاكرة

تم تحسين كلا النموذجين من أجل كفاءة التدريب، ولكن مُحسِّن MuSGD في YOLO26 يزيد من استقرار هذه العملية. على عكس النماذج الضخمة القائمة على المحولات التي تتطلب ذاكرة VRAM كبيرة، يمكن في كثير من الأحيان ضبطYOLO Ultralytics YOLO على وحدات معالجة الرسومات (GPU) المخصصة للمستهلكين، مما يتيح الوصول إلى أحدث تقنيات الذكاء الاصطناعي للجميع.

نظام بيئي مُدار جيدًا

تضمن Ultralytics والمكتبة مفتوحة المصدر أن مشاريعك ستكون جاهزة للمستقبل. بفضل التحديثات المتكررة والوثائق الشاملة والأدوات لإدارة مجموعات البيانات والتدريب على السحابة، ستحظى بدعم مجتمع قوي وفريق تطوير نشط.

بيانات تعريف النموذج

YOLO26

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2026-01-14
• GitHub:https://github.com/ultralytics/ultralytics
• المستندات:ultralytics

YOLO11

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2024-09-27
• GitHub:https://github.com/ultralytics/ultralytics
• الوثائق:https://docs.ultralytics.com/models/yolo11/

الخلاصة

بينما YOLO11 يظل نموذجًا قويًا وفعالًا، فإن YOLO26 يضع معيارًا جديدًا للكفاءة والسرعة. إن تصميمه الشامل NMS، جنبًا إلى جنب مع تحسينات كبيرة CPU ووظائف الخسارة المتقدمة، يجعله الخيار الأفضل لتطبيقات الرؤية الحاسوبية الحديثة. من خلال اعتماد YOLO26، يمكن للمطورين تحقيق دقة أعلى وأداء أسرع مع تعقيد أقل، كل ذلك مع البقاء ضمن Ultralytics سهل الاستخدام.

تعليقات