YOLO26 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.

تطور البنيات الخالية من NMS#

لسنوات عديدة، اعتمدت عائلة YOLO (You Only Look Once) بشكل كبير على Non-Maximum Suppression (NMS) لتصفية صناديق الإحاطة الزائدة أثناء المعالجة اللاحقة. على الرغم من فاعليتها، إلا أن تقنية NMS تُدخل تأخيراً في الاستدلال وتعقد عملية نشر النماذج على الأجهزة الطرفية مثل Raspberry Pi أو وحدات معالجة الشبكات العصبية المتخصصة (NPUs).

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.

YOLOv10: ريادة الاكتشاف الخالي من NMS#

التاريخ: 2024-05-23
المؤلفون: Ao Wang، وHui Chen، وLihao Liu، وآخرون
المؤسسة: Tsinghua University
الموارد: ArXiv Paper | GitHub Repository

قدمت YOLOv10، التي طورها باحثون في جامعة تسينغهوا، استراتيجية تعيين ثنائية متسقة للقضاء على الحاجة إلى NMS. ومن خلال توظيف تصميم نموذج مدفوع بالكفاءة والدقة الشاملة، فقد قللت من التكرار الحسابي مع الحفاظ على mAP (mean Average Precision) قوي.

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

YOLO26: المعيار الجديد للحوسبة الطرفية والسحابية#

التاريخ: 2026-01-14
المؤلفون: Glenn Jocher وJing Qiu
المؤسسة: Ultralytics
الموارد: GitHub Repository | Ultralytics Platform

باعتبارها الإصدار الخلف لـ YOLO11، تأخذ YOLO26 مفهوم خلوها من NMS إلى أقصى درجات تطبيقه. فهي تدمج بجهد ذاتي الكشف من النهاية إلى النهاية داخل Ultralytics Platform عالي التحسين، مما يوفر مجموعة كاملة من الأدوات لمسار التعلم الآلي 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: تنتج دالة الفقد المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـ aerial imagery وsecurity monitoring القائم على الطائرات بدون طيار.
• تحسينات خاصة بالمهام: إن YOLO26 ليست مجرد كاشف فحسب. فهي تتميز بفقد التجزئة الدلالية (Semantic Segmentation loss) والنماذج الأولية متعددة المقاييس لـ Segmentation، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـ Pose Estimation، وفقد الزاوية المتخصص لـ Oriented Bounding Boxes (OBB).

تعرف على المزيد حول YOLO26

تحليل 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.

ميزة Ultralytics: كفاءة التدريب والذاكرة#

عند نشر النماذج في الإنتاج، تعتبر متطلبات الذاكرة وكفاءة التدريب بنفس أهمية سرعة الاستدلال. نماذج Ultralytics، وخاصة YOLO26، مُحسّنة للغاية لتقليل استهلاك ذاكرة CUDA أثناء التدريب. يتيح ذلك للمطورين استخدام batch sizes أكبر على وحدات معالجة الرسوميات الاستهلاكية، مما يقلل بشكل جذري من وقت التدريب والتكاليف الحسابية. في المقابل، تتطلب البنى المعقدة أو نماذج المحولات الثقيلة مثل RT-DETR غالباً أجهزة باهظة الثمن وعالية الأداء للتدرب بفاعلية.

التنفيذ العملي: مثال برمجي#

السمة المميزة لـ Ultralytics هي سهولة الاستخدام الرائدة في الصناعة. مع واجهة برمجة تطبيقات بايثون بديهية، فإن الانتقال من نموذج قديم مثل YOLOv8 إلى YOLO26 المتطور يتطلب تحديث سطر واحد فقط 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}")

حالات الاستخدام والتوصيات#

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

متى 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.
• الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

متى 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.
• تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.

الخلاصة#

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، وdocumentation شاملة، وخبرة مطور خالية من الاحتكاك، فإن نظام Ultralytics البيئي لا مثيل له. إذا كنت تستكشف نماذج لسيناريوهات متخصصة، فقد ترغب أيضاً في التحقيق في YOLO-World للكشف المفتوح المفردات بدون تدريب مسبق. ومع ذلك، بالنسبة الغالبية العظمى من حالات الاستخدام في العالم الحقيقي، فإن YOLO26 هي التوصية النهائية.