YOLO26 مقابل YOLOv5#

لقد تحدد تطور الرؤية الحاسوبية بالسعي الدؤوب إلى تحقيق السرعة والدقة وسهولة الوصول. ويُعد اختيار البنية المناسبة أمرًا حاسمًا لنجاح أي مشروع للذكاء الاصطناعي. في هذا الدليل الشامل، نقارن بين إصدارين بارزين من Ultralytics: YOLOv5 الرائد وYOLO26 المبتكر. وعلى الرغم من أن كليهما أثّر تأثيرًا كبيرًا في مجال اكتشاف الكائنات في الوقت الفعلي، فإن تقنياتهما الأساسية تعكس تحولًا جذريًا في كيفية معالجة الشبكات العصبية للبيانات المرئية.

نظرة عامة على النموذج#

قبل التعمق في الفروق المعمارية، لنستعرض التفاصيل الأساسية لكلا النموذجين.

تفاصيل YOLO26:

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

تفاصيل YOLOv5:

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• التوثيق: وثائق YOLOv5

الابتكارات المعمارية#

تمثل الفجوة البالغة ست سنوات بين YOLOv5 وYOLO26 قفزة هائلة في أبحاث التعلم العميق. وقد جعل YOLOv5 الاستخدام الواسع لـ PyTorch لنماذج الرؤية الحاسوبية شائعًا، إذ قدم آلية اكتشاف محسّنة للغاية تعتمد على المراسي، وأصبحت معيارًا صناعيًا. إلا أنه اعتمد اعتمادًا كبيرًا على كبت عدم التعظيم (NMS) أثناء المعالجة اللاحقة، ما قد يؤدي إلى اختناقات في زمن الاستجابة على الأجهزة محدودة الموارد.

يعيد YOLO26 تصور مسار الاستدلال بالكامل من خلال تصميم شامل خالٍ من NMS. ومن خلال الاستغناء عن الحاجة إلى المعالجة اللاحقة باستخدام NMS، يتيح YOLO26 منطق نشر أسرع وأبسط بكثير، وهو مفهوم رائد فيه YOLOv10 أولًا، لكنه أُتقن هنا. علاوة على ذلك، يتضمن YOLO26 إزالة DFL (خسارة البؤرة التوزيعية)، ما يبسط رأس الإخراج تبسيطًا كبيرًا. ويجعل ذلك تصدير النموذج إلى تنسيقات مثل ONNX وTensorRT سلسًا للغاية، مع ضمان توافق ممتاز مع الأجهزة الطرفية ومنخفضة الطاقة.

أثناء التدريب، يستخدم YOLO26 مُحسِّن MuSGD المتطور، وهو مزيج من SGD وMuon مستوحى من Kimi K2 من Moonshot AI. وينقل ذلك ابتكارات تدريب LLM إلى مجال الرؤية الحاسوبية، ما يضمن تدريبًا مستقرًا للغاية وتقاربًا أسرع بكثير مقارنةً بمُحسِّنَي SGD أو AdamW التقليديين المستخدمين في YOLOv5.

الأداء والمقاييس#

عند تقييم النماذج، يحدد التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال قابليتها للاستخدام في العالم الحقيقي. وقد حُسّن YOLO26 أصليًا للعمل مع كل من GPU المتطورة ووحدات CPU الطرفية.

تكشف المعايير عن تحسن هائل. فعلى سبيل المثال، يحقق YOLO26n قيمة mAP تبلغ 40.9 مقارنةً بقيمة 28.0 لـYOLOv5n، مع توفير استدلال أسرع لوحدة CPU بنسبة تصل إلى 43% في الوقت نفسه. وهذا يجعل YOLO26 متفوقًا بدرجة كبيرة في عمليات النشر المضمنة مثل Raspberry Pi أو الأجهزة المحمولة. وعلى الرغم من أن YOLOv5 يتفوق بفارق طفيف في سرعة GPU باستخدام TensorRT على مقياس Nano، فإن المفاضلة في الدقة تميل بقوة لصالح YOLO26.

منظومة التدريب وسهولة الاستخدام#

يستفيد كلا النموذجين استفادة كبيرة من منظومة Ultralytics التي تحظى بصيانة جيدة. وهما يقدمان تجربة «من الصفر إلى الاحتراف» من خلال واجهة برمجة تطبيقات Python مبسطة، ووثائق موسعة، ودعم نشط من المجتمع. ومع ذلك، يرتقي YOLO26 بكفاءة التدريب إلى مستوى جديد.

تتطلب نماذج Ultralytics باستمرار قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب مقارنةً بالبدائل التي تعتمد بكثافة على Transformer. ويعزز YOLO26 ذلك من خلال دوال الخسارة ProgLoss + STAL. وتؤدي هذه التطورات إلى تحسينات ملحوظة في التعرّف على الكائنات الصغيرة من دون زيادة كبيرة في استهلاك الذاكرة.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model with the MuSGD optimizer (default for YOLO26)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Run fast, NMS-free inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

يسمح هذا البرنامج النصي البسيط للمطورين بالتكرار سريعًا على مجموعات البيانات المخصصة، والانتقال بسلاسة من استيعاب البيانات إلى نموذج جاهز للإنتاج.

التنوع وحالات الاستخدام المثالية#

متى تستخدم YOLOv5#

يظل YOLOv5 أداة موثوقة للأنظمة القديمة. فإذا كان لديك مسار صناعي قائم مرتبط ارتباطًا وثيقًا بالمخرجات القائمة على المراسي، أو كنت تجري الاستدلال على أجهزة NVIDIA Jetson أقدم مزودة بحزم TensorRT ناضجة وثابتة، فإن YOLOv5 يوفر حلًا مستقرًا وموثقًا توثيقًا جيدًا.

متى تستخدم YOLO26#

يُعد YOLO26 الخيار الحاسم لمشاريع الرؤية الحاسوبية الحديثة. ويتجاوز تنوعه سلفه بفارق كبير. ففي حين يركز YOLOv5 أساسًا على الاكتشاف، مع إضافات لاحقة للتجزئة، يوفر YOLO26 دعمًا أصليًا متقدمًا لـتجزئة الكائنات، وتقدير الوضعية، وتصنيف الصور، والصناديق المحيطة الموجهة (OBB).

يقدّم YOLO26 تحسينات خاصة بالمهام، مثل دالة خسارة متخصصة للتقسيم الدلالي، وتقدير اللوغاريتم الاحتمالي المتبقي (RLE) لنقاط مفتاح الوضعية فائقة الدقة، ودالة خسارة متقدمة للزاوية في OBB لمعالجة مشكلات الحدود المعقدة.

• إنترنت الأشياء الطرفي والروبوتات: تجعل البنية الخالية من NMS والاستدلال الأسرع بنسبة 43% على وحدة CPU من YOLO26 خيارًا مثاليًا للملاحة الروبوتية في الوقت الفعلي وكاميرات المنازل الذكية.
• التصوير الجوي: تجعل تحسينات ProgLoss + STAL اكتشاف الكائنات الصغيرة من الطائرات المسيّرة — مثل المركبات في مواقف السيارات أو المحاصيل في الحقول الزراعية — أكثر موثوقية بدرجة كبيرة.
• تحليلات الفيديو في الوقت الفعلي: سواء أكنت تتتبع الرياضيين في البثوث الرياضية أو تراقب تدفقات حركة المرور، فإن توازن أداء YOLO26 يضمن استدعاءً مرتفعًا من دون إسقاط الإطارات.

في نهاية المطاف، يضمن التزام Ultralytics بمنظومة عالية الأداء وسهلة الوصول انتقالًا سلسًا من YOLOv5 إلى YOLO26، ما يتيح للباحثين والمطورين على حد سواء الاستفادة من أحدث الإمكانات.