YOLO26 مقابل YOLOv10: تطور الكشف عن الكائنات من البداية إلى النهاية

يتغير مشهد الكشف عن الأجسام في الوقت الفعلي بسرعة. في عام 2024، YOLOv10 عناوين الأخبار بريادتها في نهج التدريب الخالي من القمع غير الأقصى (NMS)، مما أدى إلى إزالة عقبة كبيرة في خطوط الاستدلال. وبالانتقال سريعًا إلى عام 2026، قامت Ultralytics بتحسين وتوسيع هذه المفاهيم، لتقدم بنية أصلية شاملة أسرع وأكثر دقة ومتكاملة بعمق في Ultralytics .

يقدم هذا الدليل مقارنة تقنية بين هذين النموذجين المؤثرين، مما يساعد المطورين والباحثين والمهندسين على اختيار الأداة المناسبة لتطبيقات الرؤية الحاسوبية الخاصة بهم.

مقارنة مقاييس الأداء

عند تقييم أجهزة الكشف الحديثة، فإن التوازن بين السرعة والدقة أمر بالغ الأهمية. يقدم YOLO26 تحسينات كبيرة تستهدف بشكل خاص الأجهزة الطرفية CPU ، مما يحقق زيادة في السرعة تصل إلى 43٪ على وحدات المعالجة المركزية مقارنة بالأجيال السابقة. في حين أن YOLOv10 نموذجًا عالي الكفاءة، فإن YOLO26 يوسع حدود ما هو ممكن باستخدام موارد حاسوبية أخف.

الابتكارات المعمارية

Ultralytics : المعيار الجديد

المؤلفون: جلين جوشر، جينغ تشيو
المنظمة:Ultralytics
التاريخ: 14 يناير 2026

يمثل YOLO26 تتويجًا للبحوث في مجال الكفاءة وسهولة الاستخدام. وهو يعتمد تصميمًا شاملاً NMS على غرار YOLOv10 ولكنه يعززه بعدة تغييرات هندسية أساسية مصممة لضمان المتانة ومرونة النشر.

1. إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، يتم تبسيط بنية النموذج. هذا التغيير مهم جدًا لتوافق التصدير، مما يجعل النموذج أسهل في النشر على الأجهزة المحدودة مثل Raspberry Pi أو الأجهزة المحمولة حيث يمكن أن تسبب طبقات الإخراج المعقدة تأخيرًا.
2. مُحسّن MuSGD: مستوحى من استقرار تدريب نماذج اللغة الكبيرة (LLMs)، يستخدم YOLO26 مُحسّنًا هجينًا يجمع بين SGD Muon. تضمن هذه الابتكار، المقتبس من Kimi K2 من Moonshot AI، تقاربًا أسرع وتدريبًا مستقرًا، مما يقلل من تكلفة الحوسبة.
3. ProgLoss + STAL: أدى إدخال Progressive Loss (ProgLoss) و Soft-Target Anchor Loss (STAL) إلى تحسين الأداء بشكل كبير على الأجسام الصغيرة. وهذا يجعل YOLO26 مناسبًا بشكل خاص لمهام مثل تحليل الصور الجوية أو اكتشاف العيوب في التصنيع.

تعرف على المزيد حول YOLO26

YOLOv10: الرائد NMS

المؤلفون: آو وانغ وآخرون.
المنظمة: جامعة تسينغهوا
التاريخ: 23 مايو 2024

YOLOv10 إصدارًا بارزًا عالج تكرار NMS . وكان ابتكاره الأساسي هو استخدام التعيينات المزدوجة المتسقة للتدريب NMS.

• المهام المزدوجة: أثناء التدريب، يستخدم النموذج كلاً من مهام التسمية "واحد إلى كثير" و"واحد إلى واحد". وهذا يسمح للنموذج بتعلم تمثيلات غنية مع ضمان إجراء تنبؤ واحد فقط لكل كائن أثناء الاستدلال، مما يلغي الحاجة إلى NMS.
• تصميم الكفاءة الشاملة: قدم المؤلفون رؤوس تصنيف خفيفة الوزن وتقنية تقليل الدقة المكانية المنفصلة عن القناة لتقليل الحمل الحسابي، وهو ما ينعكس في انخفاض عدد FLOPs.

تعرف على المزيد حول YOLOv10

التكامل والنظام البيئي

يكمن أحد أهم الاختلافات في النظام البيئي المحيط. Ultralytics هو النموذج الرئيسي Ultralytics ويضمن الدعم الفوري لجميع المهام والأوضاع.

ميزة Ultralytics

• تعدد الاستخدامات: بينما YOLOv10 بشكل أساسي على الكشف، يوفر YOLO26 دعمًا أصليًا لتقسيم المثيلات وتقدير الوضع و OBB والتصنيف.
• Ultralytics : YOLO26 مدمج بالكامل مع Ultralytics (المعروفة سابقًا باسم HUB)، مما يتيح إدارة سلسة لمجموعات البيانات، وتدريبًا سحابيًا بنقرة واحدة، ونشرًا بتنسيقات مثل TFLite و OpenVINO.
• الصيانة: باعتباره منتجًا أساسيًا، يتلقى YOLO26 تحديثات متكررة وإصلاحات للأخطاء ودعمًا من المجتمع عبر GitHub و Discord.

مقارنة التعليمات البرمجية

يمكن تشغيل كلا النموذجين باستخدام ultralytics Python ، مما يبرز مرونة المكتبة. ومع ذلك، تستفيد YOLO26 من أحدث وظائف المرافق والتحسينات.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

حالات الاستخدام والتوصيات

يعتمد الاختيار بين هذه النماذج على قيود النشر الخاصة بك وأهداف المشروع.

السيناريوهات المثالية لـ YOLO26

• Edge AI على CPU: إذا كان تطبيقك يعمل على أجهزة لا تحتوي على GPU مخصصة GPU مثل أجهزة الكمبيوتر المحمولة القياسية وبوابات إنترنت الأشياء منخفضة الطاقة)، فإن CPU الأسرع بنسبة 43٪ في YOLO26 يجعله الخيار الأمثل بلا منازع.
• الحلول التجارية: بالنسبة للتطبيقات المؤسسية التي تتطلب قابلية صيانة طويلة الأمد ووضوحًا صارمًا في الترخيص (ترخيص مؤسسي) ودعمًا موثوقًا، تم تصميم YOLO26 للإنتاج.
• المهام المعقدة: ستستفيد المشاريع التي تتطلب مربعات حدودية موجهة للمسح الجوي أو تقدير الوضع لتحليلات الرياضة من قدرات YOLO26 المتعددة المهام.

السيناريوهات المثالية لـ YOLOv10

• البحث الأكاديمي: سيجد الباحثون الذين يدرسون الأسس النظرية للتدريب NMS أو استراتيجيات تعيين التسميات أن ورقة arXiv YOLOv10 وبنيتها المعمارية مرجعًا قيمًا.
• مقارنة الأداء القديم: للمقارنة مع خطوط الأساس لعام 2024، YOLOv10 معيارًا ممتازًا للبنى المركزة على الكفاءة.

الخلاصة

لعبت كلتا البنيتين دورًا محوريًا في تطوير الرؤية الحاسوبية. YOLOv10 تحديت بنجاح ضرورة NMS، وأثبتت أن الكشف الشامل كان قابلاً للتطبيق في التطبيقات في الوقت الفعلي.

تستفيد Ultralytics من هذا الإنجاز وتطوره إلى أقصى حد. من خلال الجمع بين التصميم NMS واستقرار مُحسّن MuSGD وإزالة DFL الملائمة للحافة والدعم المتعدد الاستخدامات Ultralytics توفر YOLO26 الحل الأكثر توازناً وعالية الأداء للمطورين اليوم. سواء كنت تبني نظام مرور ذكي للمدينة أو ماسح ضوئي للوثائق المحمول، توفر YOLO26 السرعة والدقة اللازمتين للنجاح.

مزيد من القراءة

• وثائق YOLO26
• دليل مهمة اكتشاف الكائنات
• شرح مقاييس YOLO
• Ultralytics لتدريب النماذج
• دليل أنماط تصدير النماذج

تعليقات