YOLO26 مقابل YOLOv10
تتطلب تطبيقات الرؤية الحاسوبية باستمرار نماذج أسرع وأكثر دقة وكفاءة. يقارن هذا الدليل بين بنيتين مؤثرتين لاكتشاف الكائنات في الزمن الحقيقي، هما YOLO26 وYOLOv10، من حيث البنية ومقاييس الأداء وإمكانات النشر، لمساعدة المطورين والباحثين على اختيار النموذج المناسب لتطبيقات الرؤية لديهم.
تطور البنى التي تستغني عن NMS#
اعتمدت عائلة YOLO (أنت تنظر مرة واحدة فقط) لسنوات على القمع غير الأقصى (NMS) لتصفية مربعات الإحاطة المكررة أثناء المعالجة اللاحقة. وعلى الرغم من فعاليته، يضيف NMS زمن استجابة إلى الاستدلال ويعقّد النشر على الأجهزة الطرفية مثل Raspberry Pi أو وحدات معالجة عصبية (NPUs) متخصصة.
قدّم YOLOv10 تصميمًا شاملًا من البداية إلى النهاية بلا NMS إلى عائلة YOLO. وطوّرت Ultralytics YOLO26 هذا النهج لبيئات الإنتاج بوصفه رأسًا اختياريًا واحدًا لواحد، ووسّعته ليشمل نطاقًا أوسع من المهام.
YOLOv10: كشف آني بلا NMS#
- التاريخ: 2024-05-23
- المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
- الجهة: جامعة تسينغهوا
- المصادر: ورقة arXiv | مستودع GitHub
قدم باحثون في جامعة تسينغهوا YOLOv10، واستحدثوا استراتيجية إسناد مزدوج متسقة للاستغناء عن الحاجة إلى NMS. ومن خلال تصميم شامل للنموذج يوازن بين الكفاءة والدقة، قلل النموذج التكرار الحسابي مع الحفاظ على متوسط الدقة (mAP) بمستوى قوي.
نقاط القوة:
- بنية خالية من NMS: أول تصميم خالٍ من NMS في سلسلة YOLO، ما يقلل زمن الاستجابة للتطبيقات الآنية.
- الكفاءة: يقدم توازنًا جيدًا بين عدد المعلمات وسرعة الاستدلال مقارنةً بنماذج الأجيال السابقة.
نقاط الضعف:
- دعم محدود للمهام: يركز أساسًا على اكتشاف الكائنات القياسي، ولا يوفر دعمًا أصليًا جاهزًا لمهام متقدمة مثل التجزئة أو تقدير الوضعية.
- تركيز أكاديمي: تميل قاعدة الشيفرة إلى البحث بدلًا من النشر في بيئات الإنتاج المؤسسية.
YOLO26: المعيار الجديد للأجهزة الطرفية والسحابة#
- التاريخ: 2026-01-14
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- الموارد: مستودع GitHub | منصة Ultralytics
صدر YOLO26 خلفًا لـYOLO11، ويبني على مفهوم الاستغناء عن NMS باستخدام رأس اختياري واحد إلى واحد (nms=False). ويتكامل مع منصة Ultralytics التي توفر أدوات للتعليق والتدريب والنشر عبر مسار تعلم الآلة.
يقدم YOLO26 عدة تغييرات معمارية:
- إزالة DFL: أُزيلت خسارة البؤرة التوزيعية. وهذا يبسط عملية تصدير النموذج ويحسن التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات البنيوية، تصل سرعة YOLO26n إلى 43% أكثر على CPU مقارنةً بـYOLO11n، ما يجعله مناسبًا تمامًا لعمليات النشر في إنترنت الأشياء والأجهزة المحمولة.
- محسِّن MuSGD: يستخدم YOLO26 مزيجًا من SGD وMuon، مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM) مثل Kimi K2 من Moonshot AI. ويوفر ذلك تدريبًا أكثر استقرارًا وتقاربًا أسرع للرؤية الحاسوبية.
- ProgLoss + STAL: يُحسِّن كلٌّ من الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) التعرّف على الأجسام الصغيرة، وهو أمر مهم لـالتصوير الجوي ومراقبة الأمن باستخدام الطائرات المسيّرة.
- تحسينات خاصة بالمهام: يدعم YOLO26 أيضًا التقسيم والتقسيم الدلالي وتقدير العمق والتصنيف وتقدير الوضعية وOBB. ويضيف خسارة للتقسيم الدلالي ووحدة أولية متعددة المقاييس لـالتقسيم، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـتقدير الوضعية، وخسارة زاوية متخصصة لـمربعات الإحاطة الموجّهة (OBB).
تحليل الأداء والمقاييس#
يقارن الجدول التالي أداء اكتشاف COCO لنماذج YOLO26 وYOLOv10. ويحقق YOLO26 دقة أعلى عند كل حجم، من +2.4 mAP لنماذج n إلى +3.1 لنماذج x، بينما يستخدم YOLOv10 عددًا أقل من المعلمات وعمليات FLOPs عند مقياس x (29.5M مقابل 55.7M معلمة، و160.4B مقابل 194.4B عملية FLOPs).
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
ميزة Ultralytics: كفاءة التدريب والذاكرة#
عند نشر النماذج في بيئة الإنتاج، لا تقل أهمية متطلبات الذاكرة وكفاءة التدريب عن سرعة الاستدلال. وقد حُسّنت نماذج Ultralytics، ولا سيما YOLO26، لتقليل استخدام ذاكرة CUDA أثناء التدريب. ويتيح ذلك للمطورين استخدام أحجام دفعات أكبر على وحدات GPU المخصصة للمستهلكين، ما يقلل زمن التدريب والتكاليف الحسابية. وفي المقابل، تتطلب نماذج Transformer الثقيلة مثل RT-DETR غالبًا أجهزة مرتفعة التكلفة وعالية الأداء للتدريب بفعالية.
من أبرز فوائد اختيار YOLO26 تكامله مع منظومة Ultralytics المتكاملة التي تُصان جيدًا، والتي تغطي سير العمل بدءًا من تعليق البيانات ووصولًا إلى تتبع التجارب.
تطبيق عملي: مثال برمجي#
باستخدام واجهة Python API من Ultralytics، لا يتطلب الانتقال من نموذج أقدم مثل YOLOv8 إلى YOLO26 سوى تغيير سطر واحد من التعليمات البرمجية.
فيما يلي مثال على التدريب وتشغيل الاستدلال والتصدير باستخدام YOLO26:
from ultralytics import YOLO
# 1. Load the YOLO26 nano model
model = YOLO("yolo26n.pt")
# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
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", nms=False)
# 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}")حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO26 وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLO26#
يُعد YOLO26 خياراً مناسباً في الحالات التالية:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.
متى تختار YOLOv10#
يوصى بـ YOLOv10 في الحالات التالية:
- الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
- موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
- التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.
الخلاصة#
قدم YOLOv10 إسهامًا مهمًا لمجتمع البحث عبر إدخال اكتشاف YOLO الخالي من NMS، وينقل YOLO26 هذا النهج إلى بيئات الإنتاج. وبفضل استدلال أسرع على CPU بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ومحسِّن MuSGD، ودعم سبع مهام للرؤية، يُعد YOLO26 الخيار الموصى به للحوسبة الطرفية وعمليات النشر السحابية واسعة النطاق.
بالنسبة إلى الفرق التي تعطي الأولوية لمجتمع نشط، ووثائق شاملة، وتجربة تطوير سلسة، تُعد منظومة Ultralytics خيارًا ملائمًا جدًا. وفي السيناريوهات المتخصصة، قد ترغب أيضًا في استكشاف YOLO-World للكشف عن الأجسام بمفردات مفتوحة دون أمثلة مسبقة. وفي معظم حالات الاستخدام الواقعية، يُعد YOLO26 الخيار الموصى به.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.