YOLO26 مقابل YOLOv10#

يتطور مشهد الرؤية الحاسوبية باستمرار، مدفوعًا بالطلب على نماذج أسرع وأكثر دقة وكفاءة. يقدم هذا الدليل مقارنة تقنية شاملة بين معماريتين رائدتين في مجال اكتشاف الأجسام في الوقت الفعلي: YOLO26 وYOLOv10. ومن خلال تحليل معماريتهما ومقاييس أدائهما وقدرات نشرهما، نهدف إلى مساعدة المطورين والباحثين على اختيار النموذج الأمثل لتطبيقات الرؤية لديهم.

تطور المعماريات الخالية من NMS#

لسنوات، اعتمدت عائلة YOLO (ترى مرة واحدة فقط) اعتمادًا كبيرًا على كبت القيم غير العظمى (NMS) لتصفية مربعات الإحاطة المتكررة أثناء المعالجة اللاحقة. وعلى الرغم من فعاليته، يضيف NMS زمن انتقال إلى الاستدلال ويعقّد النشر على الأجهزة الطرفية مثل Raspberry Pi أو وحدات المعالجة العصبية المتخصصة (NPUs).

مثّل طرح YOLOv10 تحولًا جذريًا، إذ ابتكر تصميمًا شاملًا خاليًا من NMS. وبناءً على هذا الإنجاز الأساسي، حسّنت Ultralytics YOLO26 المعمارية لبيئات الإنتاج، محققةً كفاءة وسهولة استخدام غير مسبوقتين عبر مجموعة أوسع من المهام.

YOLOv10: ريادة الاكتشاف الخالي من NMS#

• التاريخ: 2024-05-23
• المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
• الجهة: جامعة تسينغهوا
• الموارد: ورقة ArXiv | مستودع GitHub

طوّر باحثون في جامعة تسينغهوا YOLOv10، الذي قدّم استراتيجية متسقة للتعيين المزدوج لإلغاء الحاجة إلى NMS. ومن خلال توظيف تصميم شامل للنموذج تقوده الكفاءة والدقة، قلّل النموذج التكرار الحسابي مع الحفاظ على mAP (متوسط الدقة) قوي.

نقاط القوة:

• المعمارية الخالية من NMS: الرائد الأصلي في التصميم الخالي من NMS ضمن سلسلة YOLO، ما يقلل زمن الانتقال بدرجة كبيرة لتطبيقات الوقت الفعلي.
• الكفاءة: يوفّر مفاضلة قوية بين عدد المعاملات وسرعة الاستدلال مقارنةً بنماذج الأجيال السابقة.

نقاط الضعف:

• دعم محدود للمهام: يركّز أساسًا على اكتشاف الأجسام القياسي، ويفتقر إلى الدعم الأصلي الجاهز للاستخدام لمهام متقدمة مثل التجزئة أو تقدير الوضعية.
• التركيز الأكاديمي: تميل قاعدة الشيفرة، رغم متانتها، إلى البحث أكثر من النشر الإنتاجي المبسّط على مستوى المؤسسات.

Learn more about YOLOv10

YOLO26: المعيار الجديد للحوسبة الطرفية والسحابية#

• التاريخ: 2026-01-14
• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• الموارد: مستودع GitHub | منصة Ultralytics

طُرح YOLO26 خلفًا لـ YOLO11، وينقل مفهوم الخلو من NMS إلى أقصى درجات تحققه. فهو يدمج اكتشافًا شاملًا من الطرف إلى الطرف بصورة أصلية ضمن منصة Ultralytics عالية التحسين، موفرًا مجموعة أدوات متكاملة لمسار تعلّم الآلة الحديث.

يقدّم YOLO26 عدة اختراقات معمارية:

• إزالة DFL: أُزيلت خسارة البؤرة التوزيعية بالكامل. ويبسّط ذلك بدرجة كبيرة عملية تصدير النموذج ويحسّن التوافق مع الأجهزة الطرفية ومنخفضة الطاقة.
• استدلال CPU أسرع بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات الهيكلية، أصبح YOLO26 أسرع بدرجة كبيرة على وحدات CPU، ما يجعله مثاليًا لعمليات النشر في إنترنت الأشياء والأجهزة المحمولة.
• مُحسِّن MuSGD: مستلهَمًا من تقنيات تدريب نماذج اللغة الكبيرة (LLM) (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مزيجًا من SGD وMuon. ويحقق ذلك استقرارًا تدريبيًا وتقاربًا أسرع لا مثيل لهما في الرؤية الحاسوبية.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالصور الجوية ومراقبة الأمن القائمة على الطائرات المسيّرة.
• تحسينات خاصة بالمهام: لا يقتصر YOLO26 على كونه كاشفًا. فهو يتضمن خسارة التجزئة الدلالية وproto متعدد المقاييس لـالتجزئة، 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. لاحظ كيف يحقق YOLO26 دقة أعلى مع الحفاظ على كفاءة استثنائية في استخدام المعاملات.

ميزة Ultralytics: كفاءة التدريب والذاكرة#

عند نشر النماذج في بيئة الإنتاج، تكون متطلبات الذاكرة وكفاءة التدريب على القدر نفسه من الأهمية الذي تتمتع به سرعة الاستدلال. وتحسَّن نماذج Ultralytics، ولا سيما YOLO26، بدرجة كبيرة لتقليل استخدام ذاكرة CUDA أثناء التدريب. ويسمح ذلك للمطورين باستخدام أحجام دفعات أكبر على وحدات GPU المخصصة للمستهلكين، ما يقلل وقت التدريب والتكاليف الحسابية بدرجة كبيرة. وعلى النقيض، تتطلب المعماريات المعقدة أو نماذج Transformer الثقيلة مثل RT-DETR غالبًا أجهزة متطورة ومكلفة للتدريب بفعالية.

التنفيذ العملي: مثال على الشيفرة#

تتمثل السمة المميزة لـUltralytics في سهولة الاستخدام الرائدة على مستوى المجال. وبفضل واجهة Python البرمجية البديهية، لا تتطلب الترقية من نموذج قديم مثل YOLOv8 إلى YOLO26 المتطور سوى تحديث سطر واحد من الشيفرة.

إليك مثال قابل للتنفيذ بنسبة 100% يوضّح 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 وYOLOv10 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLO26#

يُعد YOLO26 خيارًا قويًا من أجل:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

متى تختار YOLOv10#

يوصى باستخدام YOLOv10 من أجل:

• الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
• المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
• التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

الخلاصة#

مع أن YOLOv10 قدّم إسهامات مهمة إلى المجتمع الأكاديمي من خلال طرح النموذج الخالي من NMS، فإن YOLO26 يرتقي بهذه التقنية إلى مستوى الجاهزية للمؤسسات. وبفضل الزيادة اللافتة البالغة 43% في سرعة CPU، ومُحسِّن MuSGD المبتكر، وتعدد الاستخدامات الذي لا يُضاهى عبر مهام الرؤية، يبرز YOLO26 بوصفه الخيار الأمثل لكل من الحوسبة الطرفية وعمليات النشر السحابية واسعة النطاق.

بالنسبة إلى الفرق التي تعطي الأولوية لمجتمع نشط، وتوثيق شامل، وتجربة مطورين سلسة، لا تضاهي منظومة Ultralytics أي منظومة أخرى. وإذا كنت تستكشف نماذج لسيناريوهات متخصصة، فقد ترغب أيضًا في دراسة YOLO-World لاكتشاف المفردات المفتوحة دون تدريب مسبق. ومع ذلك، بالنسبة إلى الغالبية العظمى من حالات الاستخدام الواقعية، فإن YOLO26 هو التوصية الحاسمة.