YOLO26 مقابل YOLOv8#

تسعى نماذج الرؤية الحاسوبية إلى تحقيق أداء آني دون التضحية بالدقة، ويُعد اختيار بنية النموذج المناسبة أمرًا بالغ الأهمية للمطورين العاملين في تعلم الآلة. تغطي هذه المقارنة التقنية الانتقال من Ultralytics YOLOv8، وهي بنية واسعة الاستخدام صدرت في عام 2023، إلى Ultralytics YOLO26، الذي صدر في يناير 2026.

من خلال مقارنة البنى ومقاييس الأداء ومنهجيات التدريب، توضح هذه المقارنة أين تحقق الترقية مزايا في اكتشاف الكائنات والتقسيم وما يتجاوزهما.

خلفية النموذج وبياناته الوصفية#

يوفر فهم أصول هذه البنى سياقًا لخيارات تصميمها. وقد طورت Ultralytics كلا النموذجين، وتركز الشركة على جعل الذكاء الاصطناعي للرؤية سهل الوصول والنشر.

تفاصيل YOLO26:

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: https://docs.ultralytics.com/models/yolo26

تفاصيل YOLOv8:

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: https://docs.ultralytics.com/models/yolov8

ابتكارات البنية#

يغير الانتقال من YOLOv8 إلى YOLO26 طريقة إنتاج الشبكة للتنبؤات وحسابها للخسارة.

YOLO26: كفاءة الأجهزة الطرفية#

صُمم YOLO26 لإزالة اختناقات النشر وتعظيم سرعة الاستدلال على الأجهزة محدودة الموارد.

• تصميم شامل من البداية إلى النهاية بلا NMS: استنادًا إلى التدريب بلا NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يدعم YOLO26 الاستدلال الشامل من البداية إلى النهاية عبر رأس اختياري واحد لواحد (nms=False). ومن خلال تخطي المعالجة اللاحقة لكبح الصناديق غير القصوى (NMS)، يقلل تفاوت زمن الاستجابة ويبسّط منطق النشر للتطبيقات التي تتطلب ضمانات صارمة للأداء الآني.
• إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى تبسيط رأس المخرجات. ويحسن هذا الخيار المعماري التوافق مع الأجهزة الطرفية منخفضة الطاقة ويسهّل التصدير إلى تنسيقات مثل ONNX وCoreML.
• محسّن MuSGD: استلهامًا من استقرار التدريب الذي لوحظ في نماذج اللغة الكبيرة (LLMs) مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي وMuon. ينقل هذا أفكار التدريب في نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يؤدي إلى تقارب أسرع وجولات تدريب أكثر استقرارًا.
• ProgLoss + STAL: لمعالجة صعوبة التعرّف على الأهداف الصغيرة، يطبّق YOLO26 الخسارة التدريجية (ProgLoss) مقترنةً بإسناد التسميات الواعي بالأهداف الصغيرة (STAL). وهذا يحسّن اكتشاف الأجسام الصغيرة، ما يجعله مناسبًا تمامًا لتطبيقات الطائرات المسيّرة.

YOLOv8: أداة متعددة الاستخدامات وموثوقة#

عند إطلاقه في عام 2023، وضع YOLOv8 معيارًا جديدًا بالانتقال الكامل إلى تصميم خالٍ من المراسي، الذي عمّم أداءه على نحو أفضل عبر نسب أبعاد مجموعات البيانات المختلفة.

• وحدة C2f: استبدلت وحدة C3 الأقدم بكتلة C2f، ما أتاح تدفقًا أفضل للتدرجات عبر العمود الفقري للشبكة.
• الرأس المفصول: يتميز YOLOv8 برأس مفصول تُحسب فيه عملية التصنيف وانحدار الصندوق المحيط كلٌّ على حدة، ما يحسّن متوسط الدقة (mAP).
• تعدد المهام: كان من أوائل النماذج التي وفرت واجهة API موحدة للاكتشاف والتجزئة وتصنيف الصور والوضعية، ثم مهام OBB لاحقًا، مباشرةً دون إعداد إضافي.

مقاييس الأداء ومتطلبات الموارد#

عند تقييم النماذج للاستخدام في الإنتاج، يُعد التوازن بين الدقة وسرعة الاستدلال وحجم النموذج أمرًا بالغ الأهمية. يتسم YOLO26 بدقة أعلى من YOLOv8 في جميع الأحجام، مع عدد أقل من المعلمات وعمليات FLOPs وزمن استجابة أقل على T4 باستخدام TensorRT ابتداءً من الحجم s.

ملاحظة: تبرز القيم المميزة توازن الأداء ومكاسب الكفاءة في بنية YOLO26 مقارنةً بسابقه.

التحليل#

يوفر YOLO26 استدلالًا أسرع على CPU من نماذج YOLOv8 المماثلة في معظم الأحجام. فعلى سبيل المثال، يعمل YOLO26n في 38.9 ms على CPU باستخدام ONNX، مقارنةً بـ 80.4 ms لـ YOLOv8n، مع رفع mAP من 37.3 إلى 40.9. ويعود هذا التحسن في كفاءة CPU إلى حد كبير إلى إزالة DFL والرأس الخالي من NMS، ما يجعل YOLO26 خيارًا قويًا للبيئات التي تفتقر إلى وحدات GPU مخصصة. ويُعد YOLOv8x استثناءً، إذ يعمل على CPU أسرع من YOLO26x (479.1 ms مقابل 525.8 ms).

إضافةً إلى ذلك، تتطلب نماذج YOLO26 عددًا أقل من المعلمات وعمليات FLOPs ضمن فئات أحجامها، ما يخفض استخدام ذاكرة GPU أثناء الاستدلال والتدريب.

ميزة منظومة Ultralytics#

تُعد البنية التحتية المحيطة أحد الاعتبارات الرئيسية عند اختيار نموذج للذكاء الاصطناعي. يستفيد كل من YOLO26 وYOLOv8 من منصة Ultralytics الموحدة وتجربة المطوّرين نفسها.

1. سهولة الاستخدام: يمكن للمطوّرين تحميل النماذج وتدريبها وتصديرها باستخدام بضعة أسطر من التعليمات البرمجية. وتظل واجهة Python API متسقة بين أجيال النماذج.
2. كفاءة التدريب: تتطلب نماذج Ultralytics YOLO عادةً ذاكرة CUDA أقل أثناء التدريب من نماذج Transformer (مثل RT-DETR). ويتيح ذلك استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
3. منظومة متكاملة تحظى بصيانة جيدة: بفضل التحديثات المستمرة وخطوط CI/CD الصارمة والتكاملات العميقة مع أدوات مثل Weights & Biases وTensorRT، أصبح مستودع Ultralytics جاهزًا للاستخدام في الإنتاج.
4. تعدد الاستخدامات: يتعامل استيراد واحد مع مهام ومجموعات بيانات متنوعة، ويدعم الأنظمة المعقدة التي تتطلب التتبع والتصنيف والتجزئة في الوقت نفسه.

تطبيقات واقعية#

غالبًا ما يتوقف الاختيار بين هذين النموذجين على قيود النشر، مع التوصية بـ YOLO26 للمشاريع الجديدة.

الحوسبة الطرفية وشبكات إنترنت الأشياء#

في البيئات الطرفية، مثل عمليات النشر على Raspberry Pi أو مستشعرات أرضيات المصانع المحلية، يُعد YOLO26 الخيار الأقوى. وتساعد سرعة CPU والرأس الاختياري الخالي من NMS الكاميرات الذكية على معالجة الفيديو بمعدل إطارات مرتفع لإدارة مواقف السيارات من دون اختناقات في المعالجة اللاحقة.

الصور الجوية وعلى ارتفاعات شاهقة#

في الرصد الزراعي أو فحص البنية التحتية بالطائرات المسيّرة، يُعد اكتشاف الأجسام الصغيرة أمرًا بالغ الأهمية. ويساعد تطبيق ProgLoss + STAL في YOLO26 على اكتشاف الآفات الصغيرة أو الشقوق الدقيقة في خطوط الأنابيب التي قد تفوتها البنى الأقدم مثل YOLOv8، وهو أمر مفيد عند التدريب على مجموعات بيانات جوية مثل VisDrone.

أنظمة GPU قديمة#

لا يزال YOLOv8 مناسبًا للأنظمة المرتبطة ارتباطًا وثيقًا بمخرجات انحدار الصناديق المحيطة الخاصة به، أو لعمليات النشر المؤسسية العالقة في دورات تحقق ممتدة ولا يمكنها الانتقال بسهولة إلى بنى أخرى.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO26 وYOLOv8 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 تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.

متى تختار YOLOv8#

يوصى بـYOLOv8 في الحالات التالية:

• النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
• أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
• دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.

مثال على الشيفرة: البدء#

يوضح كود Python التالي كيفية تدريب نموذج YOLO26 على مجموعة بيانات COCO8 وإجراء استدلال خالٍ من NMS.

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 Nano عالي الكفاءة⁩
model = YOLO("yolo26n.pt")

# ⁨درّب على مجموعة بيانات COCO8 القياسية⁩
# ⁨تُطبّق المعلمات الفائقة وعمليات التعزيز الافتراضية تلقائيًا⁩
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # ⁨أول وحدة GPU من CUDA؛ استخدم device="cpu" للتدريب على وحدة CPU⁩
)

# ⁨نفّذ استدلالًا شاملًا من البداية إلى النهاية وخاليًا من NMS على صورة مصدر⁩
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ⁨اعرض نتائج الاكتشاف بصريًا⁩
predictions[0].show()

نماذج أخرى جديرة بالنظر#

مع أن YOLO26 هو نموذج Ultralytics الموصى به، يمكن للمطوّرين الذين يبنون تطبيقات متنوعة استكشاف ما يلي أيضًا:

• YOLO11: السلف المباشر لـ YOLO26، وهو نسخة محسّنة من YOLOv8 ولا يزال واسع الاستخدام في أنظمة الإنتاج.
• RT-DETR: محوّل الكشف الآني من Baidu. وهو خيار جيد للباحثين الذين يستكشفون آلية الانتباه في مهام الرؤية، لكنه يتطلب ذاكرة CUDA أكبر للتدريب من نماذج Ultralytics YOLO القياسية.

للتدريب السحابي ووضع تسميات لمجموعات البيانات والنشر من مكان واحد، راجع منصة Ultralytics.