YOLO26 مقابل YOLOv9#
تتناول هذه المقارنة التقنية الفروق بين YOLO26 وYOLOv9، وهما نموذجان مؤثران لاكتشاف الكائنات في الزمن الحقيقي. ويقدم كلاهما ابتكارات معمارية متميزة، كما أن فهم المفاضلات في الأداء وإمكانات النشر ومتطلبات الأجهزة أمر بالغ الأهمية لاختيار الأداة المناسبة لمشروع الرؤية التالي.
YOLO26: كشف محسّن للأجهزة الطرفية#
يركز Ultralytics YOLO26، الذي صدر في أوائل عام 2026، على كفاءة النشر واستقرار التدريب. ويعالج الاستدلال الشامل الاختياري اختناقات النشر التي طالما أثرت في تطبيقات الذكاء الاصطناعي الطرفي.
تفاصيل النموذج:
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics
- الوثائق: وثائق YOLO26
البنية والابتكارات#
يعيد YOLO26 تصميم مسار المعالجة اللاحقة عبر تقديم تصميم شامل من البداية إلى النهاية وخالٍ من NMS. وعند تشغيل النموذج باستخدام رأسه الاختياري واحد إلى واحد (nms=False)، يتخطى النموذج القمع غير الأقصى (NMS) ويحقق تباينًا أقل في زمن الاستجابة. وهذا يسهل النشر على المنصات المحمولة والطرفية، ولا سيما عند التصدير إلى أُطر مثل ONNX وApple CoreML.
إضافةً إلى ذلك، تؤدي إزالة خسارة البؤرة التوزيعية (DFL) إلى تبسيط عملية التصدير وتحسين التوافق مع الأجهزة الطرفية منخفضة الطاقة. ولتحسين استقرار التدريب، يدمج YOLO26 محسِّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي (SGD) وMuon، مستوحى من الابتكارات في تدريب نماذج اللغة الكبيرة (LLM). وينتج عن ذلك تقارب أسرع.
بفضل التبسيط المعماري وإزالة DFL، يحقق YOLO26n استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـYOLO11n، ما يجعله خيارًا قويًا للأجهزة الطرفية محدودة الموارد مثل Raspberry Pi أو NVIDIA Jetson Nano.
لاكتشاف الكائنات الصغيرة في مشاهد مثل الصور الجوية الملتقطة بالطائرات المسيّرة، يستخدم YOLO26 ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة)، ما يحسن استدعاء الكائنات الصغيرة. ويتضمن أيضًا تحسينات خاصة بالمهام، منها وحدة أولية متعددة المقاييس لـتقسيم المثيلات، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـتقدير الوضعية، وخسارة زاوية متخصصة لاكتشاف مربعات الإحاطة الموجّهة (OBB).
YOLOv9: معلومات التدرج القابلة للبرمجة#
طُرح YOLOv9 في مطلع عام 2024، وقدّم تطورات نظرية في طريقة تعامل الشبكات العصبية مع تدفق التدرجات أثناء مرحلة التدريب، مع التركيز على كفاءة المعاملات والاحتفاظ بالسمات العميقة.
تفاصيل النموذج:
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2024-02-21
- arXiv: ورقة YOLOv9
- GitHub: مستودع YOLOv9
- الوثائق: وثائق YOLOv9
البنية ومواطن القوة#
يعتمد YOLOv9 على مفهومي معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعمّمة (GELAN). ويعالج هذان المفهومان مشكلة عنق زجاجة المعلومات التي كثيراً ما تُلاحظ في الشبكات العصبية العميقة. ومن خلال الحفاظ على المعلومات الأساسية أثناء العملية الأمامية، تضمن GELAN بقاء التدرجات المستخدمة لتحديث الأوزان موثوقة. تحقق هذه البنية دقة عالية وتجعل YOLOv9 خياراً قوياً للبحوث الأكاديمية في نظرية الشبكات العصبية وتحسين مسارات التدرج باستخدام إطار عمل PyTorch.
القيود#
على الرغم من كفاءة YOLOv9 الكبيرة في استخدام المعلمات، فإنه يعتمد على NMS التقليدي لمعالجة مربعات الإحاطة لاحقًا، ما قد يؤدي إلى اختناقات حسابية أثناء الاستدلال على الأجهزة الطرفية. علاوة على ذلك، يركز المستودع الرسمي إلى حد كبير على اكتشاف الكائنات، ما يتطلب هندسة مخصصة لتكييفه مع مهام متخصصة مثل التتبع أو تقدير الوضعية.
مقارنة الأداء#
عند تقييم هذه النماذج للنشر في العالم الواقعي، من الضروري تحقيق التوازن بين الدقة (mAP) وسرعة الاستدلال واستخدام الذاكرة. وتُعرف نماذج Ultralytics بانخفاض متطلبات الذاكرة أثناء التدريب والاستدلال على حد سواء، إذ تتطلب عادةً ذاكرة CUDA أقل من البدائل القائمة على Transformer مثل RT-DETR.
فيما يلي مقارنة مباشرة لأداء YOLO26 وYOLOv9 على مجموعة بيانات COCO. أُبرزت أفضل القيم في كل عمود بخط عريض.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
ملاحظة: لم تُذكر سرعات ONNX على CPU لـYOLOv9 في هذا الجدول. وعلى T4 TensorRT، يتفوق YOLO26 في السرعة على YOLOv9 عند كل حجم، كما يحقق دقة أعلى عند كل حجم قابل للمقارنة (على سبيل المثال، 57.5 مقابل 55.6 mAP لـYOLO26x مقابل YOLOv9e، مع عدد أقل من المعلمات).
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO26 وYOLOv9 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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
متى تختار YOLOv9#
يوصى بـYOLOv9 في الحالات التالية:
- أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
- دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
- اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.
ميزة Ultralytics#
لا يقتصر اختيار النموذج على قراءة معيار للدقة؛ إذ تحدد المنظومة البرمجية المحيطة مدى سرعة الانتقال من جمع البيانات إلى الإنتاج.
سهولة الاستخدام والمنظومة#
تحافظ واجهة Ultralytics Python API على بساطة سير العمل. فبدلًا من استنساخ مستودعات معقدة أو إعداد نصوص التدريب الموزع يدويًا، يمكن للمطورين تثبيت الحزمة عبر pip والبدء بالتدريب فورًا. وتوفر منظومة Ultralytics التي تُصان بنشاط تحديثات متكررة وعمليات تكامل مع منصات تعلم الآلة مثل Weights & Biases ووثائق شاملة.
تعدد الاستخدامات عبر مهام الرؤية#
بينما يُعد YOLOv9 نموذجًا لاكتشاف الكائنات في المقام الأول، فإن YOLO26 نموذج رؤية متعدد الأغراض. وباستخدام صياغة موحدة واحدة، يمكنك الانتقال من اكتشاف الكائنات إلى تقسيم الصور والتقسيم الدلالي وتقدير العمق وتصنيف الصورة بأكملها وتقدير الوضعية أو OBB. ويقلل هذا التنوع الدين التقني الناتج عن صيانة قواعد شيفرة منفصلة وغير مترابطة لميزات الرؤية الحاسوبية المختلفة.
التدريب والنشر بكفاءة#
يستخدم YOLO26 أوزانًا مدرّبة مسبقًا ومتاحة بسهولة، ويتطلب عادةً ذاكرة أقل من محولات الرؤية الكبيرة. وبعد التدريب، تتيح مسارات التصدير المضمنة التحويل بسطر واحد إلى تنسيقات محسّنة مثل TensorRT أو LiteRT، ما يسهّل الانتقال إلى الإنتاج.
مثال برمجي: البدء باستخدام YOLO26#
يوضح مقطع Python التالي كيفية تحميل نموذج مدرّب مسبقًا وتدريبه على بيانات مخصصة وتشغيل الاستدلال باستخدام واجهة Ultralytics API.
from ultralytics import YOLO
# تحميل أحدث نموذج YOLO26 nano
model = YOLO("yolo26n.pt")
# تدريب النموذج على مجموعة بيانات COCO8 (يختار optimizer='auto' المحسّن MuSGD عند إجراء دورات تدريب أطول)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # استخدام GPU 0، أو استخدام 'cpu' للتدريب على CPU
)
# تشغيل الاستدلال دون NMS على صورة نموذجية
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# عرض مربعات الإحاطة ودرجات الثقة
predictions[0].show()بفضل سرعة YOLO26 وبنيته المبسطة ومنظومته البيئية، تستطيع الفرق طرح تطبيقات الذكاء الاصطناعي للرؤية في السوق بسرعة أكبر وبعقبات تقنية أقل.