Ultralytics YOLO27:
Get Started

YOLO26 مقابل YOLOv10#

يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، مدفوعًا بالطلب على نماذج أسرع وأكثر دقة وكفاءة. يقدم هذا الدليل مقارنة تقنية شاملة بين بنيتين رائدتين في مجال اكتشاف الكائنات الآني: YOLO26 وYOLOv10. ومن خلال تحليل البنى المعمارية ومقاييس الأداء وإمكانات النشر، نهدف إلى مساعدة المطورين والباحثين على اختيار النموذج الأمثل لتطبيقات الرؤية لديهم.

تطور البنى التي تستغني عن NMS#

اعتمدت عائلة YOLO (أنت ترى مرة واحدة فقط) لسنوات طويلة اعتمادًا كبيرًا على كبح غير الأعظم (NMS) لتصفية مربعات الإحاطة الزائدة أثناء المعالجة اللاحقة. ورغم فعالية NMS، فإنه يضيف زمنًا إلى الاستدلال ويعقّد النشر على الأجهزة الطرفية مثل Raspberry Pi أو وحدات المعالجة العصبية (NPU) المتخصصة.

مثّل طرح YOLOv10 تحولًا في النهج، إذ كان رائدًا في تصميم شامل من البداية إلى النهاية يستغني عن NMS. واستنادًا إلى هذا الإنجاز التأسيسي، طوّرت Ultralytics نموذج YOLO26 لبيئات الإنتاج، محققةً كفاءة غير مسبوقة وسهولة استخدام عبر نطاق أوسع من المهام.

عنق زجاجة المعالجة اللاحقة

تؤدي إزالة NMS إلى التخلص من خطوة المعالجة اللاحقة الديناميكية المعتمدة على البيانات، والتي كانت تعيق تقليديًا تحسين نماذج الرؤية الحاسوبية على مسرّعات العتاد مثل TensorRT وOpenVINO.

YOLOv10: رائد اكتشاف الكائنات دون NMS#

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 تستغني عن NMS: النموذج الرائد الأصلي في سلسلة YOLO الذي يستغني عن NMS، ما يقلل زمن الاستجابة بدرجة كبيرة في التطبيقات 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، رغم متانتها، إلى تلبية احتياجات البحث أكثر من تلبية متطلبات النشر الإنتاجي المبسط بمستوى المؤسسات.

تعرّف على المزيد حول YOLOv10

YOLO26: المعيار الجديد للأجهزة الطرفية والسحابة#

طُرح YOLO26 خلفًا لـ YOLO11، ويرتقي بمفهوم الاستغناء عن NMS إلى أقصى إمكاناته. فهو يدمج اكتشاف الكائنات الشامل من البداية إلى النهاية دمجًا أصليًا ضمن منصة Ultralytics عالية التحسين، موفرًا مجموعة أدوات متكاملة لمسار عمل تعلم الآلة الحديث.

يقدّم YOLO26 عدة ابتكارات معمارية:

  • إزالة DFL: أُزيلت خسارة البؤرة التوزيعية (DFL) بالكامل. وهذا يبسّط عملية تصدير النموذج بدرجة كبيرة ويحسّن التوافق مع الأجهزة الطرفية والأجهزة منخفضة الطاقة.
  • استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل إزالة DFL والتحسينات البنيوية، يعمل YOLO26 بسرعة أعلى بكثير على وحدات CPU، ما يجعله مثالياً لعمليات النشر على أجهزة إنترنت الأشياء والهواتف المحمولة.
  • محسّن MuSGD: استلهاماً من تقنيات تدريب النماذج اللغوية الكبيرة (LLM)، مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 مزيجاً من SGD وMuon. وهذا يوفّر استقراراً تدريبياً لا مثيل له وتقارباً أسرع في مجال الرؤية الحاسوبية.
  • ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية ومراقبة الأمن المعتمدة على الطائرات المسيّرة.
  • تحسينات خاصة بالمهام: YOLO26 ليس مجرد كاشف. فهو يتضمن خسارة التجزئة الدلالية ونموذجاً أولياً متعدد المقاييس لمهمة التجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لمهمة تقدير الوضعية، وخسارة زاوية متخصصة لمربعات الإحاطة الموجّهة (OBB) الموجّهة.

تحليل الأداء والمقاييس#

يقارن الجدول التالي أداء الكشف على COCO لنموذجي YOLO26 وYOLOv10. لاحظ كيف يحقق YOLO26 دقة أعلى مع الحفاظ على كفاءة استثنائية في عدد المعاملات.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

ميزة Ultralytics: كفاءة التدريب والذاكرة#

عند نشر النماذج في بيئة الإنتاج، لا تقل أهمية متطلبات الذاكرة وكفاءة التدريب عن سرعة الاستدلال. تتميز نماذج Ultralytics، ولا سيما YOLO26، بتحسينات كبيرة تقلل استخدام ذاكرة CUDA أثناء التدريب. وهذا يتيح للمطورين استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية، مما يقلل وقت التدريب والتكاليف الحاسوبية بدرجة كبيرة. وعلى النقيض، غالباً ما تتطلب البنى المعقدة أو نماذج Transformer الضخمة مثل RT-DETR أجهزة باهظة وعالية الأداء للتدريب بفاعلية.

التكامل المستمر والمنظومة

من أبرز فوائد اختيار YOLO26 تكامله مع منظومة Ultralytics التي تحظى بصيانة جيدة. فمن تعليق البيانات إلى تتبّع التجارب، توفر المنصة كل ما يحتاج إليه مهندس تعلم الآلة ضمن بيئة موحدة.

تطبيق عملي: مثال برمجي#

السمة المميزة لـ Ultralytics هي سهولة الاستخدام الرائدة في المجال. بفضل واجهة Python API سهلة الاستخدام، لا يتطلب الانتقال من نموذج قديم مثل YOLOv8 إلى YOLO26 المتطور سوى تعديل سطر واحد من التعليمات البرمجية.

فيما يلي مثال قابل للتشغيل بالكامل 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
# 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 تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

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#

قدّم YOLOv10 إسهامات كبيرة للمجتمع الأكاديمي من خلال طرح نهج الاستدلال دون NMS، لكن YOLO26 يرتقي بهذه التقنية إلى مستوى الجاهزية للمؤسسات. وبفضل تحسينه اللافت لسرعة CPU بنسبة 43%، ومحسّن MuSGD المبتكر، وتعدد استخداماته غير المسبوق عبر مهام الرؤية، يبرز YOLO26 بوصفه الخيار الأمثل للحوسبة الطرفية وعمليات النشر السحابية واسعة النطاق.

بالنسبة إلى الفرق التي تعطي الأولوية لمجتمع نشط ووثائق شاملة وتجربة تطوير سلسة، لا تضاهى منظومة Ultralytics. وإذا كنت تستكشف نماذج لسيناريوهات متخصصة، فقد ترغب أيضاً في دراسة YOLO-World للكشف بمفردات مفتوحة دون أمثلة تدريبية. ومع ذلك، يظل YOLO26 التوصية الحاسمة للغالبية العظمى من حالات الاستخدام الواقعية.

المساهمون
GLglenn-jocher8PDpderrenger1

التعليقات