Link to this sectionYOLO26 مقابل YOLOv10#

يشهد مجال الرؤية الحاسوبية تطوراً مستمراً، مدفوعاً بالطلب على نماذج أسرع وأكثر دقة وكفاءة. يقدم هذا الدليل مقارنة تقنية شاملة بين بنيتين رائدتين في مجال اكتشاف الكائنات في الوقت الفعلي: YOLO26 و YOLOv10. من خلال تحليل بنيتهما ومقاييس الأداء وإمكانيات النشر، نهدف إلى مساعدة المطورين والباحثين في اختيار النموذج الأمثل لتطبيقات الرؤية الخاصة بهم.

Link to this sectionتطور البنيات الخالية من NMS#

لسنوات عديدة، اعتمدت عائلة YOLO (You Only Look Once) بشكل كبير على Non-Maximum Suppression (NMS) لتصفية مربعات الإحاطة الزائدة أثناء المعالجة اللاحقة. ومع أن هذه العملية فعالة، إلا أن NMS تؤدي إلى تأخير في الاستدلال وتجعل النشر على الأجهزة الطرفية مثل Raspberry Pi أو وحدات المعالجة العصبية المتخصصة (NPUs) أكثر تعقيداً.

مثل تقديم YOLOv10 تحولاً نموذجياً من خلال الريادة في تصميم شامل وخالٍ من NMS. وبالبناء على هذا الإنجاز الأساسي، قامت Ultralytics YOLO26 بتنقيح البنية لبيئات الإنتاج، مما حقق كفاءة غير مسبوقة وسهولة في الاستخدام عبر مجموعة واسعة من المهام.

Link to this sectionYOLOv10: ريادة الاكتشاف الخالي من NMS#

التاريخ: 2024-05-23
المؤلفون: Ao Wang, Hui Chen, Lihao Liu, وآخرون
المنظمة: Tsinghua University
الموارد: ArXiv Paper | GitHub Repository

قدم YOLOv10، الذي طوره باحثون في جامعة تسينغهوا، استراتيجية تخصيص مزدوجة متسقة لإلغاء الحاجة إلى NMS. ومن خلال توظيف تصميم نموذج يركز على الكفاءة والدقة بشكل كلي، قلل النموذج من التكرار الحسابي مع الحفاظ على مستوى قوي من mAP (mean Average Precision).

نقاط القوة:

• بنية خالية من NMS: الرائد الأصلي للتصميم الخالي من NMS في سلسلة YOLO، مما يقلل بشكل كبير من التأخير في التطبيقات ذات الوقت الفعلي.
• الكفاءة: يوفر توازناً قوياً بين عدد المعلمات وسرعة الاستدلال مقارنة بنماذج الجيل السابق.

نقاط الضعف:

• دعم محدود للمهام: يركز بشكل أساسي على اكتشاف الكائنات القياسي، ويفتقر إلى دعم أصلي جاهز للمهام المتقدمة مثل التجزئة أو تقدير الوضعية.
• تركيز أكاديمي: قاعدة الكود، رغم قوتها، تميل نحو البحث أكثر من كونها موجهة لنشر الإنتاج المؤسسي المبسط.

تعرف على المزيد حول YOLOv10

Link to this sectionYOLO26: المعيار الجديد للحوسبة الطرفية والسحابية#

التاريخ: 2026-01-14
المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
الموارد: GitHub Repository | Ultralytics Platform

صدر YOLO26 كخليفة لـ YOLO11، ويأخذ مفهوم الخلو من NMS إلى أقصى مستوياته. فهو يدمج الاكتشاف الشامل (end-to-end) أصلياً في Ultralytics Platform المحسنة للغاية، مما يوفر مجموعة كاملة من الأدوات لخط أنابيب تعلم الآلة الحديث.

يقدم YOLO26 العديد من الإنجازات المعمارية:

• إزالة DFL: تمت إزالة Distribution Focal Loss تماماً. هذا يبسط عملية تصدير النموذج بشكل كبير ويحسن التوافق مع الأجهزة الطرفية والأجهزة منخفضة الطاقة.
• سرعة استدلال على وحدة المعالجة المركزية (CPU) أعلى بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات الهيكلية، أصبح YOLO26 أسرع بشكل ملحوظ على وحدات المعالجة المركزية، مما يجعله مثالياً لنشر إنترنت الأشياء (IoT) والأجهزة المحمولة.
• محسن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 هجيناً من SGD و Muon. وهذا يجلب استقراراً لا مثيل له في التدريب وتقارباً أسرع للرؤية الحاسوبية.
• ProgLoss + STAL: تحقق وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ الصور الجوية و المراقبة الأمنية القائمة على الطائرات بدون طيار.
• تحسينات خاصة بالمهام: YOLO26 ليس مجرد كاشف. فهو يتميز بخسارة التجزئة الدلالية (Semantic Segmentation loss) و multi-scale proto لـ التجزئة، و Residual Log-Likelihood Estimation (RLE) لـ تقدير الوضعية، وخسارة زاوية متخصصة لـ مربعات الإحاطة الموجهة (OBB).

تعرف على المزيد حول YOLO26

Link to this sectionتحليل الأداء والمقاييس#

يقارن الجدول التالي أداء اكتشاف COCO بين نموذجي YOLO26 و YOLOv10. لاحظ كيف يحقق YOLO26 دقة متفوقة مع الحفاظ على كفاءة استثنائية في المعلمات.

Link to this sectionميزة Ultralytics: كفاءة التدريب والذاكرة#

عند نشر النماذج في بيئة الإنتاج، تكون متطلبات الذاكرة وكفاءة التدريب حاسمة بقدر سرعة الاستدلال. نماذج Ultralytics، وخاصة YOLO26، محسنة للغاية لتقليل استخدام ذاكرة CUDA أثناء التدريب. وهذا يسمح للمطورين باستخدام أحجام دفعات (batch sizes) أكبر على وحدات معالجة الرسومات (GPUs) الموجهة للمستهلكين، مما يقلل بشكل كبير من وقت التدريب والتكاليف الحسابية. وعلى العكس من ذلك، غالباً ما تتطلب البنيات المعقدة أو نماذج المحولات الثقيلة مثل RT-DETR أجهزة باهظة الثمن وعالية الأداء للتدريب بفعالية.

Link to this sectionالتنفيذ العملي: مثال برمجي#

العلامة المميزة لـ Ultralytics هي سهولة الاستخدام الرائدة في الصناعة. بفضل واجهة Python البرمجية البديهية، فإن الترحيل من نموذج قديم مثل YOLOv8 إلى نموذج YOLO26 المتطور يتطلب فقط تحديث سطر واحد من الكود.

إليك مثال قابل للتشغيل بنسبة 100% يوضح كيفية التدريب والاستدلال باستخدام YOLO26:

from ultralytics import YOLO

# 1. Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# 2. Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO26 و YOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار YOLO26#

YOLO26 هو خيار قوي لـ:

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionمتى تختار YOLOv10#

يوصى باستخدام YOLOv10 في الحالات التالية:

• الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
• الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
• تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال القابلة للتنبؤ أمراً بالغ الأهمية، مثل الروبوتات أو الأنظمة ذاتية القيادة.

Link to this sectionالخلاصة#

بينما قدم YOLOv10 مساهمات كبيرة للمجتمع الأكاديمي من خلال تقديم نموذج العمل الخالي من NMS، فإن YOLO26 يرتقي بهذه التكنولوجيا إلى مستوى جاهزية المؤسسات. بفضل تعزيزه الملحوظ بنسبة 43% في سرعة وحدة المعالجة المركزية، ومحسن MuSGD المبتكر، وتعدد الاستخدامات الذي لا مثيل له عبر مهام الرؤية، يبرز YOLO26 كخيار نهائي لكل من الحوسبة الطرفية وعمليات النشر السحابية واسعة النطاق.

بالنسبة للفرق التي تعطي الأولوية لمجتمع نشط، ووثائق شاملة، وتجربة مطور سلسة، فإن نظام Ultralytics البيئي لا مثيل له. إذا كنت تستكشف نماذج لسيناريوهات متخصصة، فقد ترغب أيضاً في التحقيق في YOLO-World للاكتشاف مفتوح المفردات بدون تدريب مسبق (zero-shot). ومع ذلك، بالنسبة للغالبية العظمى من حالات الاستخدام الواقعية، فإن YOLO26 هو التوصية النهائية.