YOLO26 مقابل YOLOv9#

يتطور مجال الرؤية الحاسوبية بسرعة، إذ تواصل البنى الجديدة دفع حدود السرعة والدقة. في هذه المقارنة التقنية، ندرس الاختلافات بين YOLO26 وYOLOv9، وهما من النماذج المؤثرة للغاية في مجال اكتشاف الأجسام في الزمن الحقيقي. يقدم كلا النموذجين ابتكارات معمارية مميزة، لكن فهم المفاضلات بين أدائهما وقدرات النشر ومتطلبات الأجهزة أمر بالغ الأهمية لاختيار الأداة المناسبة لمشروع الرؤية التالي.

YOLO26: قوة محسّنة للأجهزة الطرفية#

يمثل Ultralytics YOLO26، الذي صدر في مطلع عام 2026، قفزة نوعية في كفاءة النشر واستقرار تدريب النماذج. وقد صُمم ليكون إطار عمل شاملاً من البداية إلى النهاية، ويعالج مباشرةً اختناقات النشر التي لطالما أعاقت 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 خط المعالجة اللاحقة جذرياً، مقدماً تصميماً شاملاً من البداية إلى النهاية دون NMS. عند تشغيل النموذج باستخدام الرأس الاختياري أحادي إلى واحد (nms=False)، يتخطى النموذج الكبت غير الأقصى (NMS) ويحقق انخفاضاً كبيراً في تفاوت زمن الاستجابة. وهذا يجعل النشر على منصات الهواتف المحمولة والأجهزة الطرفية أسهل بكثير، لا سيما عند التصدير إلى أطر عمل مثل ONNX وApple CoreML.

إضافةً إلى ذلك، تسهّل إزالة خسارة البؤرة التوزيعية (DFL) عملية التصدير وتعزز التوافق مع المتحكمات الدقيقة منخفضة الطاقة. ولتحسين استقرار التدريب، يدمج YOLO26 محسّن MuSGD الجديد، وهو مزيج من الانحدار المتدرج العشوائي (SGD) وMuon، مستلهَم من ابتكارات تدريب النماذج اللغوية الكبيرة. ويؤدي ذلك إلى تقارب أسرع واستخلاص أكثر متانة للسمات عبر مجموعات البيانات الصعبة.

لاكتشاف العناصر شديدة الصعوبة في مشاهد مثل الصور الجوية الملتقطة بالطائرات المسيّرة، يستخدم YOLO26 دوال الخسارة المحدّثة ProgLoss + STAL. وهي تحسّن بوضوح استدعاء اكتشاف الأجسام الصغيرة. كما يتميز بتحسينات خاصة بالمهام، تشمل النموذج الأولي متعدد المقاييس لـتجزئة الكائنات، 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 كفاءته الممتازة في عدد المعاملات، يعتمد YOLOv9 بدرجة كبيرة على NMS التقليدي للمعالجة اللاحقة لمربعات الإحاطة، ما قد يؤدي إلى اختناقات حسابية أثناء الاستدلال على الأجهزة الطرفية. علاوة على ذلك، يركز المستودع الرسمي إلى حد كبير على اكتشاف الأجسام، ويتطلب تكييفه لمهام متخصصة مثل التتبّع أو تقدير الوضعية قدراً كبيراً من العمل الهندسي المخصص.

تعرّف على المزيد عن YOLOv9

مقارنة الأداء#

عند تقييم هذه النماذج للنشر في العالم الحقيقي، يُعد تحقيق التوازن بين الدقة (mAP) وسرعة الاستدلال واستخدام الذاكرة أمرًا بالغ الأهمية. تشتهر نماذج Ultralytics بانخفاض متطلبات الذاكرة لديها أثناء التدريب والاستدلال على حد سواء، إذ تتطلب ذاكرة CUDA أقل بكثير من البدائل المعتمدة على Transformer مثل RT-DETR.

فيما يلي مقارنة مباشرة لأداء YOLO26 وYOLOv9 على مجموعة بيانات COCO. أُبرزت أفضل القيم في كل عمود بخط عريض.

ملاحظة: لم تُدرج سرعات CPU لـYOLOv9 لأنها تختلف كثيراً بحسب إعدادات NMS، وهي أبطأ عموماً من تنفيذ YOLO26 الأصلي الخالي من NMS.

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 تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة 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 الاطلاع على اختبار معياري للدقة؛ فالمنظومة البرمجية المحيطة به تحدد مدى سرعة انتقالك من جمع البيانات إلى الإنتاج.

سهولة الاستخدام والمنظومة#

توفر واجهة Ultralytics Python API تجربة سلسة تنقلك من البداية إلى الاحتراف. فبدلاً من استنساخ مستودعات معقدة أو إعداد نصوص التدريب الموزع يدوياً، يمكن للمطورين تثبيت الحزمة عبر pip والبدء بالتدريب فوراً. وتضمن منظومة Ultralytics التي تخضع للصيانة المستمرة تحديثات متكررة وتكاملاً آلياً مع منصات تعلم الآلة مثل Weights & Biases، فضلاً عن وثائق موسعة.

تعدد الاستخدامات عبر مهام الرؤية#

بينما يُعد YOLOv9 محركاً للكشف في المقام الأول، فإن YOLO26 أداة رؤية متعددة الأغراض. وباستخدام صياغة موحدة واحدة، يمكنك الانتقال بسهولة من اكتشاف الأجسام إلى تجزئة الصور بدقة مستوى البكسل أو تصنيف الصورة كاملة. ويحد هذا التنوع من الدين التقني الناجم عن صيانة قواعد تعليمات برمجية متعددة ومنفصلة لميزات الرؤية الحاسوبية المختلفة.

التدريب والنشر بكفاءة#

تُعد كفاءة التدريب ركيزة أساسية في فلسفة Ultralytics. ويستخدم YOLO26 أوزاناً مدرّبة مسبقاً ومتاحة بسهولة، كما يتميز باستهلاك أقل بكثير للذاكرة مقارنةً بمحولات الرؤية الضخمة. وبعد التدريب، تتيح مسارات التصدير المدمجة التحويل بنقرة واحدة إلى تنسيقات محسّنة مثل TensorRT أو LiteRT، مما يسهّل الانتقال إلى الإنتاج.

مثال برمجي: البدء باستخدام YOLO26#

تنفيذ YOLO26 سهل للغاية. يوضح مقتطف Python التالي كيفية تحميل نموذج مدرّب مسبقاً، وتدريبه على بيانات مخصصة، وإجراء الاستدلال باستخدام واجهة Ultralytics API.

from ultralytics import YOLO

# ⁨تحميل أحدث نموذج YOLO26 nano متطور⁩
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()

من خلال الاستفادة من سرعة YOLO26 وبنيته المبسطة ومنظومته المتينة، تستطيع الفرق طرح تطبيقات متقدمة للذكاء الاصطناعي البصري في السوق بسرعة أكبر وبعقبات تقنية أقل من أي وقت مضى.