رؤية YOLO لعام 2026:

YOLO26 مقابل YOLO11#

عند بناء أنظمة رؤية حاسوبية فائقة التطور، يُعد اختيار النموذج المناسب أمراً بالغ الأهمية لتحقيق التوازن بين الدقة، وزمن الانتقال، وكفاءة الموارد. وفي مشهد الذكاء الاصطناعي سريع التطور، تواصل Ultralytics دفع حدود ما هو ممكن. يستكشف هذا المقارنة التقنية المفصلة الانتقال من YOLO11 الناجح للغاية إلى YOLO26 الجديد الثوري، مما يوفر لمهندسي وباحثي الذكاء الاصطناعي الرؤى اللازمة لاتخاذ قرارات معمارية مستنيرة.

نسابة 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:

تعرف على المزيد حول YOLO26

تفاصيل YOLO11:

تعرف على المزيد حول YOLO11

هياكل أخرى

بينما يُعد YOLO26 نموذجنا الأكثر تقدمًا للوقت الفعلي، فقد يستكشف المستخدمون الذين يتعاملون مع الأجهزة شديدة التخصص أو سعات الذاكرة الهائلة البنى القائمة على النماذج المحولة مثل RT-DETR أو الرائد الرائد الخالي من NMS، YOLOv10.

الاختلافات المعمارية والابتكارات#

تتضمن القفزة من YOLO11 إلى YOLO26 تحولات جوهرية في كل من هندسة النموذج ونظام التدريب الأساسي. وبينما أنشأ YOLO11 أساسًا قويًا لـ اكتشاف الكائنات والتعلم متعدد المهام، فإن YOLO26 يعيد إصلاح مسار النشر للحوسبة الطرفية بالكامل.

تصميم متكامل بدون NMS#

أحد أهم الترقيات في YOLO26 هي هندسته الأصلية من البداية إلى النهاية. على عكس YOLO11، الذي يعتمد على المعالجة اللاحقة لـ Non-Maximum Suppression (NMS) لتصفية صناديق الإحاطة المتداخلة، يلغي YOLO26 هذه الخطوة تمامًا. هذا المفاهيم، الذي تم ريادته لأول مرة في YOLOv10، يقلل بشكل كبير من تباين زمن الانتقال ويبسط منطق النشر عبر الأجهزة الطرفية المختلفة.

إزالة 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.

مُحسّن 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.

ProgLoss و STAL#

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

مقارنة 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.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(ms)		السرعة
T4 TensorRT10
(ms)		المعلمات
(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 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.

تعدد 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:

  • تقسيم المثيلات: يستخدم YOLO26 خسارة تجزئة دلالية محسنة ونماذج أولية متعددة المقاييس، مما يولد حدود أقنعة أكثر وضوحًا من YOLO11. تعرف على المزيد حول سير عمل التقسيم.
  • تقدير الوضع: من خلال دمج تقدير احتمالية اللوغاريتمات المتبقية (RLE)، يحسن YOLO26 بشكل كبير دقة النقاط الرئيسية في وضعيات الإنسان المعقدة. اكتشف قدرات تقدير الوضع.
  • صناديق الإحاطة الموجهة (OBB): تعمل دالة خسارة الزاوية المخصصة على حل مشكلات عدم استمرار الحدود التاريخية، مما يجعل YOLO26 موثوقًا بشكل استثنائي لاكتشاف الكائنات الدوارة في خلاصات الأقمار الصناعية. اقرأ عن مهام OBB.
  • تصنيف الصور: يتعامل كلا النموذجين مع التصنيف عالي السرعة بكفاءة، حيث يقدم YOLO26 تحسينات طفيفة في دقة أعلى-1 على ImageNet.

مثال على كود التدريب والاستدلال#

تشتهر Ultralytics بتجربة المطورين لديها. يتطلب تدريب نموذج SOTA أو تشغيل نص استدلال بضع أسطر فقط من التعليمات البرمجية، مما يقلل من النصوص المكررة ويزيد من الإنتاجية. علاوة على ذلك، يتطلب تدريب نماذج YOLO ذاكرة CUDA أقل بكثير مقارنة بشبكات التحويل 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 و YOLO11 كلياً على قيود بيئة الإنتاج الخاصة بك.

متى 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.
  • التطبيقات الحرجة لزمن الانتقال: في الروبوتات المستقلة أو مراقبة جودة التصنيع، يضمن التصميم الخالي من NMS زمن انتقال حتميًا دون ارتفاعات غير متوقعة في المعالجة اللاحقة.

متى 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.

قوة نظام Ultralytics البيئي#

بغض النظر عما إذا قمت بنشر YOLO11 أو YOLO26، فإن استخدام نماذج Ultralytics يتيح لك الوصول إلى نظام بيئي مُدار جيدًا مع تحديثات متكررة ودعم مجتمعي واسع.

بالنسبة لفرق المؤسسات، توفر منصة Ultralytics حلاً شاملاً من البداية إلى النهاية لـ تسمية البيانات، وتدريب النماذج، والنشر السحابي السلس. من تصدير أوزانك المدربة إلى CoreML أو TensorRT، إلى تكوين ضبط المعلمات الفائقة المتقدم، تضمن الأدوات المقدمة أن يكون دورة حياة الذكاء الاصطناعي الخاصة بك مبسطة قدر الإمكان.

المساهمون
GLglenn-jocher6

التعليقات