YOLO26 مقابل YOLOv5#

يُعد اختيار البنية المناسبة أمرًا بالغ الأهمية لنجاح أي مشروع للرؤية الحاسوبية. يقارن هذا الدليل بين إصدارين رئيسيين من Ultralytics: YOLOv5 واسع الاستخدام وYOLO26 الحالي. وقد أسهم كلاهما في تشكيل اكتشاف الأجسام الآني، لكن تصميمهما الأساسي يعكس أكثر من خمس سنوات من التقدم في معالجة الشبكات العصبية للبيانات المرئية.

نظرة عامة على النماذج#

فيما يلي ملخص لأهم تفاصيل كلا النموذجين.

تفاصيل YOLO26:

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: وثائق YOLO26

تفاصيل YOLOv5:

• المؤلف: Glenn Jocher
• الجهة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• الوثائق: وثائق YOLOv5

ابتكارات البنية#

تعكس الفجوة التي تتجاوز خمس سنوات بين YOLOv5 وYOLO26 تطورات رئيسية في أبحاث التعلّم العميق. وأسهم YOLOv5 في انتشار تدريب YOLO القائم على PyTorch، إذ قدّم آلية اكتشاف محسّنة قائمة على المراسي أصبحت معيارًا في القطاع. لكنه اعتمد على قمع غير الأعظميات (NMS) أثناء المعالجة اللاحقة، ما قد يؤدي إلى اختناقات في زمن الاستجابة على الأجهزة محدودة الموارد.

يعيد YOLO26 تصميم مسار الاستدلال بتصميم شامل من البداية إلى النهاية بلا NMS. ويزيل رأسه الاختياري واحد لواحد (nms=False) الحاجة إلى المعالجة اللاحقة باستخدام NMS، ما يتيح منطق نشر أسرع وأبسط؛ وهو مفهوم أدخله YOLOv10 إلى نماذج YOLO. كما يتضمن YOLO26 إزالة DFL (خسارة التركيز التوزيعي)، ما يبسّط رأس المخرجات. ويجعل ذلك تصدير النموذج إلى تنسيقات مثل ONNX وTensorRT أكثر سهولة، ويحسّن التوافق مع الأجهزة الطرفية ومنخفضة الطاقة.

أثناء التدريب، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من SGD وMuon مستوحى من Kimi K2 من Moonshot AI. وينقل هذا أفكار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، موفرًا تدريبًا أكثر استقرارًا وتقاربًا أسرع من محسّن SGD العادي الذي يستخدمه YOLOv5 افتراضيًا.

الأداء والمقاييس#

عند تقييم النماذج، يحدد التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال مدى جدواها في التطبيقات الواقعية. وقد حُسّن YOLO26 للعمل على وحدات GPU المتطورة ووحدات CPU الطرفية.

تُظهر المعايير زيادة كبيرة في الدقة. فعلى سبيل المثال، يحقق YOLO26n مقدار mAP يبلغ 40.9 مقارنةً بـ 28.0 لـ YOLOv5n، ويوفر YOLO26n استدلالًا أسرع على CPU بنسبة تصل إلى 43% من YOLO11n. وهذا يجعل YOLO26 أنسب لعمليات النشر المضمّنة مثل Raspberry Pi أو الأجهزة المحمولة. ويكون YOLOv5 أسرع باستخدام T4 وTensorRT في الأحجام n وs وm، لكن المفاضلة في الدقة ترجّح YOLO26 بقوة (على سبيل المثال، 53.1 مقابل 45.4 mAP لنموذجي الحجم m).

منظومة التدريب وسهولة الاستخدام#

يستفيد كلا النموذجين من منظومة Ultralytics التي تحظى بصيانة جيدة، مع واجهة Python API بسيطة ووثائق شاملة ودعم نشط من المجتمع. ويضيف YOLO26 تحسينات إضافية للتدريب.

تحتاج نماذج Ultralytics عادةً إلى قدر أقل من ذاكرة CUDA أثناء التدريب مقارنةً بالبدائل التي تعتمد بدرجة كبيرة على Transformer. ويضيف YOLO26 ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة)، وهما يحسّنان التعرّف على الأجسام الصغيرة دون زيادة استهلاك الذاكرة.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLO26 Nano⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج (يختار optimizer='auto' ‏MuSGD لعمليات التدريب الأطول)⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# ⁨تشغيل استدلال سريع على صورة اختبار دون NMS⁩
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

يتيح هذا البرنامج النصي للمطوّرين التكرار بسرعة على مجموعات بيانات مخصصة، والانتقال من استيعاب البيانات إلى نموذج جاهز للإنتاج.

تعدد الاستخدامات وحالات الاستخدام المثالية#

متى تستخدم YOLOv5#

لا يزال YOLOv5 خيارًا موثوقًا للأنظمة القديمة. فإذا كان لديك خط معالجة صناعي قائم مرتبط بإحكام بمخرجات قائمة على المراسي، أو كنت تجري الاستدلال على أجهزة NVIDIA Jetson قديمة مع حزم TensorRT ناضجة وثابتة، فإن YOLOv5 يوفر حلًا مستقرًا موثقًا جيدًا.

متى تستخدم YOLO26#

يوصى باستخدام YOLO26 للمشاريع الجديدة في مجال الرؤية الحاسوبية، وهو يغطي مهامًا أكثر من سلفه. فبينما يركز YOLOv5 أساسًا على الاكتشاف، مع إضافة التجزئة والتصنيف لاحقًا، يدعم YOLO26 أصليًا تجزئة المثيلات والتجزئة الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعية والصناديق المحيطة الموجّهة (OBB).

يقدّم YOLO26 تحسينات خاصة بالمهام، مثل خسارة متخصصة للتجزئة الدلالية، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لنقاط وضعية أكثر دقة، وخسارة زاوية متخصصة لـ OBB تعالج مشكلات الحدود.

• إنترنت الأشياء الطرفي والروبوتات: يجعل الاستدلال الاختياري الخالي من NMS والاستدلال الأسرع على CPU بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n) من YOLO26 خيارًا مناسبًا للملاحة الروبوتية الآنية وكاميرات المنازل الذكية.
• الصور الجوية: تجعل تحسينات ProgLoss + STAL اكتشاف الأجسام الصغيرة من الطائرات المسيّرة، مثل المركبات في مواقف السيارات أو المحاصيل في الحقول الزراعية، أكثر موثوقية.
• تحليلات الفيديو الآنية: سواء أكان الأمر يتعلق بتتبع الرياضيين في البث الرياضي أم برصد تدفقات حركة المرور، يوازن YOLO26 بين الدقة والسرعة في الفيديو الآني.

نظرًا إلى اشتراك النموذجين في منظومة Ultralytics، فإن الانتقال من YOLOv5 إلى YOLO26 سهل، ويتيح للباحثين والمطوّرين الاستفادة من أحدث إمكانات Ultralytics.