YOLO26 مقابل YOLOv5#
اتسم تطور الرؤية الحاسوبية بالسعي الدؤوب لتحقيق السرعة والدقة وسهولة الوصول. ويُعد اختيار البنية المناسبة أمرًا بالغ الأهمية لنجاح أي مشروع للذكاء الاصطناعي. وفي هذا الدليل الشامل، نقارن إصدارين بارزين من Ultralytics: YOLOv5 الرائد وYOLO26 المتطور. ورغم التأثير الكبير لكليهما في مجال كشف الأجسام في الوقت الفعلي، تعكس تقنياتهما الأساسية تحولًا جذريًا في كيفية معالجة الشبكات العصبية للبيانات المرئية.
نظرة عامة على النماذج#
قبل الخوض في التفاصيل الدقيقة للبنية، لنستعرض المعلومات الأساسية عن 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#
تمثّل السنوات الست الفاصلة بين YOLOv5 وYOLO26 قفزة هائلة في أبحاث التعلّم العميق. وقد ذاع استخدام PyTorch لنماذج الرؤية بفضل YOLOv5، الذي قدّم آلية كشف محسّنة للغاية تعتمد على المراسي، وأصبحت معيارًا في المجال. لكنه اعتمد بشدة على الكبت غير الأقصى (NMS) أثناء المعالجة اللاحقة، ما قد يؤدي إلى اختناقات في زمن الاستجابة على الأجهزة محدودة الموارد.
يعيد YOLO26 ابتكار خط أنابيب الاستدلال بالكامل من خلال تصميم شامل خالٍ من NMS. وتلغي آلية الرأس الاختيارية أحادية المطابقة (nms=False) الحاجة إلى المعالجة اللاحقة باستخدام NMS، ما يوفّر منطق نشر أسرع وأبسط بكثير؛ وهو مفهوم ريادي ظهر أولًا في YOLOv10، لكن YOLO26 أتقنه. علاوة على ذلك، يتضمن YOLO26 إزالة DFL (خسارة البؤرة التوزيعية)، ما يبسّط رأس الإخراج بدرجة كبيرة. وهذا يجعل تصدير النموذج إلى تنسيقات مثل ONNX وTensorRT سلسًا للغاية، ويضمن توافقًا ممتازًا مع الأجهزة الطرفية ومنخفضة الطاقة.
أثناء التدريب، يستخدم YOLO26 محسّن MuSGD المتطور، وهو مزيج من SGD وMuon مستوحى من Kimi K2 من Moonshot AI. وينقل هذا الابتكارات في تدريب النماذج اللغوية الكبيرة إلى مجال الرؤية الحاسوبية، ليضمن تدريبًا مستقرًا للغاية وتقاربًا أسرع بكثير مقارنةً بمحسّنات SGD أو AdamW التقليدية المستخدمة في YOLOv5.
الأداء والمقاييس#
عند تقييم النماذج، يحدد التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال مدى جدواها في التطبيقات الواقعية. وقد حُسّن YOLO26 أصلًا للعمل مع وحدات GPU المتطورة ووحدات CPU الطرفية.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
تكشف نتائج المقارنة عن تحسّن هائل. فعلى سبيل المثال، يحقق YOLO26n متوسط دقة يبلغ 40.9، مقارنةً بـ28.0 الذي يحققه YOLOv5n، كما يوفر YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n. وهذا يجعل YOLO26 أفضل بكثير لعمليات النشر المضمّنة، مثل Raspberry Pi أو الأجهزة المحمولة. ورغم تفوق YOLOv5 بفارق طفيف في سرعة TensorRT على GPU ضمن فئة Nano، فإن موازنة الدقة تميل بقوة لصالح YOLO26.
منظومة التدريب وسهولة الاستخدام#
يستفيد كلا النموذجين إلى حد كبير من منظومة Ultralytics التي تحظى بصيانة جيدة. ويوفّران تجربة انتقال من «الصفر إلى الاحتراف» من خلال واجهة Python API مبسطة ووثائق شاملة ودعم نشط من المجتمع. لكن YOLO26 يرتقي بكفاءة التدريب إلى مستوى جديد.
تتطلب نماذج Ultralytics باستمرار ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالبدائل كثيفة الاستخدام للمحوّلات. ويعزّز YOLO26 ذلك باستخدام دوال الخسارة ProgLoss + STAL. وتؤدي هذه التطورات إلى تحسينات ملحوظة في التعرّف على الأجسام الصغيرة دون زيادة كبيرة في استهلاك الذاكرة.
from ultralytics import YOLO
# تهيئة نموذج YOLO26 Nano المتطور
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 البسيط للمطورين تكرار التجارب بسرعة على مجموعات بيانات مخصصة، والانتقال بسلاسة من استيعاب البيانات إلى نموذج جاهز للإنتاج.
باستخدام منصة Ultralytics، يمكنك تصدير نماذج YOLO26 المدرّبة تلقائيًا إلى تنسيقات مثل CoreML أو LiteRT دون كتابة سطر واحد من التعليمات البرمجية للتحويل.
تعدد الاستخدامات وحالات الاستخدام المثالية#
متى تستخدم YOLOv5#
لا يزال YOLOv5 خيارًا موثوقًا للأنظمة القديمة. فإذا كان لديك خط أنابيب صناعي قائم يعتمد بشدة على مخرجات قائمة على المراسي، أو كنت تجري الاستدلال على أجهزة NVIDIA Jetson أقدم ذات حزم TensorRT ناضجة وثابتة، فإن YOLOv5 يوفّر حلًا مستقرًا وموثقًا جيدًا.
متى تستخدم YOLO26#
YOLO26 هو الخيار الأمثل لمشروعات الرؤية الحاسوبية الحديثة، ويتجاوز سلفه بكثير من حيث تعدد الاستخدامات. فبينما يركّز YOLOv5 أساسًا على الكشف (مع إضافات لاحقة للتقسيم)، يوفّر YOLO26 دعمًا أصيلًا ومتقدمًا لكل من تقسيم الكائنات وتقدير الوضعيات وتصنيف الصور ومربعات الإحاطة الموجّهة (OBB).
يقدّم YOLO26 تحسينات خاصة بكل مهمة، مثل خسارة متخصصة للتقسيم الدلالي، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحديد نقاط مفاتيح الوضعيات بدقة فائقة، وخسارة زاوية متقدمة لمربعات OBB لمعالجة مشكلات الحدود المعقدة.
- إنترنت الأشياء الطرفي والروبوتات: يجعل الاستدلال الاختياري الخالي من NMS، والاستدلال على CPU الأسرع بنسبة تصل إلى 43% من YOLO11n، نموذج YOLO26 مثاليًا للملاحة الروبوتية في الزمن الفعلي وكاميرات المنازل الذكية.
- الصور الجوية: تجعل تحسينات ProgLoss + STAL اكتشاف الأجسام الدقيقة من الطائرات المسيّرة — مثل المركبات في مواقف السيارات أو المحاصيل في الحقول الزراعية — أكثر موثوقية بدرجة كبيرة.
- تحليلات الفيديو في الزمن الفعلي: سواء أكان الأمر يتعلق بتتبّع الرياضيين في البث الرياضي أم بمراقبة حركة المرور، يضمن توازن الأداء في YOLO26 استدعاءً مرتفعًا دون إسقاط الإطارات.
في نهاية المطاف، يضمن التزام Ultralytics بمنظومة عالية الأداء وسهلة الوصول انتقالًا سلسًا من YOLOv5 إلى YOLO26، ويفتح إمكانات متطورة للباحثين والمطورين على حد سواء.