YOLO26 مقابل YOLOv5#

لقد تم تحديد تطور الرؤية الحاسوبية من خلال السعي الدؤوب نحو السرعة والدقة وإمكانية الوصول. يُعد اختيار الهندسة المعمارية المناسبة أمراً بالغ الأهمية لنجاح أي مشروع ذكاء اصطناعي. في هذا الدليل الشامل، نقارن بين إصدارين هائلين من Ultralytics: الإصدار الرائد YOLOv5 والإصدار الثوري YOLO26. وبينما أثر كلاهما بشكل كبير على مشهد اكتشاف الكائنات في الوقت الفعلي، فإن تقنياتهما الأساسية تعكس تحولاً جذرياً هائلاً في كيفية معالجة الشبكات العصبية للبيانات المرئية.

نظرة عامة على النموذج#

قبل الغوص في الفروق المعمارية الدقيقة، دعونا نضع التفاصيل الأساسية لكلا النموذجين.

تفاصيل YOLO26:

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 14-01-2026
• GitHub: https://github.com/ultralytics/ultralytics
• Docs: YOLO26 Documentation

تعرف على المزيد حول YOLO26

تفاصيل YOLOv5:

• المؤلف: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 26-06-2020
• GitHub: https://github.com/ultralytics/yolov5
• Docs: YOLOv5 Documentation

اعرف المزيد عن YOLOv5

الابتكارات المعمارية#

يمثل الفجوة الزمنية التي تبلغ ست سنوات بين YOLOv5 وYOLO26 قفزة هائلة في أبحاث التعلم العميق. لقد قام YOLOv5 بتشجيع الاستخدام الواسع النطاق لـ PyTorch لننماذج الرؤية، مما يوفر آلية اكتشاف قائمة على المثبتات ومتحكم بها بدرجة عالية والتي أصبحت المعيار الصناعي. ومع ذلك، فقد اعتمد بشكل كبير على Non-Maximum Suppression (NMS) أثناء المعالجة اللاحقة، مما قد يُدخل اختناقات في زمن الانتقال على الأجهزة المحدودة الموارد.

يعيد YOLO26 تصور خط أنابيب الاستدلال بالكامل بتصميم End-to-End NMS-Free Design. من خلال التخلص من الحاجة إلى معالجة NMS اللاحقة، يوفر YOLO26 منطق نشر أسرع وأبسط بكثير، وهو مفهوم تم ريادته لأول مرة في YOLOv10 ولكن تم إتقانه هنا. علاوة على ذلك، يتميز YOLO26 بخاصية DFL Removal (إزالة خسارة التركيز للتوزيع)، مما يبسط بشكل كبير رأس الإخراج. هذا يجعل تصدير النموذج إلى تنسيقات مثل ONNX وTensorRT سلساً بشكل لا يصدق، مما يضمن توافقاً ممتازاً مع الأجهزة الطرفية ومنخفضة الطاقة.

أثناء التدريب، يستخدم YOLO26 مُحسِّن MuSGD Optimizer المتطور، وهو هجين من SGD وMuon مستوحى من Moonshot AI's Kimi K2. يجلب هذا ابتكارات تدريب النماذج اللغوية الكبيرة إلى مجال الرؤية الحاسوبية، مما يضمن تدريباً مستقراً للغاية وتقارباً أسرع بكثير مقارنة بمُحسِّنات SGD أو AdamW التقليدية المستخدمة في YOLOv5.

الأداء والمقاييس#

عند تقييم النماذج، يحدد التوازن بين mean Average Precision (mAP) وسرعة الاستدلال الجدوى في العالم الحقيقي. يتم تحسين YOLO26 أصلًا لكل من وحدات معالجة الرسومات المتطورة ووحدات المعالجة المركزية الطرفية.

تكشف المعايير القياسية عن تحسن مذهل. على سبيل المثال، يحقق YOLO26n قيمة mAP تبلغ 40.9 مقارنة بـ 28.0 لـ YOLOv5n، بينما يقدم في الوقت نفسه سرعة استدلال وحدة معالجة مركزية أسرع بنسبة تصل إلى 43%. يجعل هذا YOLO26 متفوقاً بشكل كبير للنشر المضمن مثل Raspberry Pi أو الأجهزة المحمولة. وبينما يحتفظ YOLOv5 بميزة طفيفة في سرعة معالجة الرسومات TensorRT على نطاق Nano، فإن مفاضلة الدقة تفضل بشكل كبير YOLO26.

نظام التدريب وسهولة الاستخدام#

يستفيد كلا النموذجين بشكل كبير من نظام Ultralytics المُصان جيداً. إنهما يقدمان تجربة "من الصفر إلى الاحتراف" مع واجهة برمجة تطبيقات Python مبسطة، وتوثيق شامل، ودعم مجتمعي نشط. ومع ذلك، يأخذ YOLO26 كفاءة التدريب إلى مستوى جديد.

تتطلب نماذج Ultralytics باستمرار ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة بالبدائل الثقيلة للمحولات. يضخم YOLO26 ذلك من خلال وظائف الخسارة ProgLoss + STAL. تُسفر هذه التطورات عن تحسينات ملحوظة في التعرف على الكائنات الصغيرة دون زيادة العبء الزائد للذاكرة.

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()

يتيح هذا البرنامج النصي البسيط للمطورين التكرار بسرعة على مجموعات البيانات المخصصة، والانتقال بسلاسة من استيعاب البيانات إلى نموذج جاهز للإنتاج.

تعدد الاستخدامات وحالات الاستخدام المثالية#

متى تستخدم YOLOv5#

يظل YOLOv5 حصان طوائع موثوقاً للأنظمة القديمة. إذا كان لديك خط أنابيب صناعي حالي مرتبطة ارتباطاً وثيقاً بالمخرجات القائمة على المثبتات، أو إذا كنت تقوم بتشغيل الاستدلال على أجهزة NVIDIA Jetson القديمة ذات حزم TensorRT المجمدة والناضجة، فإن YOLOv5 يوفر حلاً مستقراً وموثقاً توثيقاً عالياً.

متى تستخدم YOLO26#

يُعد YOLO26 الخيار الحاسم لمشاريع الرؤية الحاسوبية الحديثة. تتفوق مرونته بكثير على سابقه. بينما يركز YOLOv5 بشكل أساسي على الاكتشاف (مع إضافات التجزئة لاحقاً)، يقدم YOLO26 دعماً عميقاً وأصلياً لـ Instance Segmentation، وPose Estimation، وImage Classification، وOriented Bounding Boxes (OBB).

يقدم YOLO26 تحسينات خاصة بالمهمة، مثل خسارة التجزئة الدلالية المتخصصة، وتقدير احتمالية السجل المتبقي (RLE) لنقاط الوضعية الدقيقة للغاية، وخسارة الزاوية المتقدمة لـ OBB لحل مشاكل الحدود الصعبة.

• Edge IoT والروبوتات: تجعل البنية الخالية من NMS وسرعة الاستنتاج الأسرع بنسبة 43% على وحدة المعالجة المركزية YOLO26 مثالياً للملاحة الروبوتية في الوقت الفعلي وكاميرات المنازل الذكية.
• التصوير الجوي: تجعل تحسينات ProgLoss + STAL اكتشاف الكائنات الصغيرة من الطائرات بدون طيار—مثل المركبات في مواقف السيارات أو المحاصيل في الحقول الزراعية—أكثر موثوقية بشكل جوهري.
• تحليلات الفيديو في الوقت الفعلي: سواء كنت تتعقب رياضيين في بث مباشر أو تراقب تدفقات المرور، يضمن توازن أداء YOLO26 استدعاءً عالياً دون إسقاط الإطارات.

في النهاية، يضمن التزام Ultralytics بنظام بيئي يسهل الوصول إليه وعالي الأداء أن يكون الانتقال من YOLOv5 إلى YOLO26 سلساً، مما يفتح قدرات متطورة للباحثين والمطورين على حد سواء.