YOLO26 مقابل YOLOv9#

يتقدم مشهد الرؤية الحاسوبية بسرعة، حيث تدفع البنى الجديدة باستمرار حدود السرعة والدقة. في هذه المقارنة التقنية، ندرس الاختلافات بين YOLO26 و YOLOv9، وهما نموذجان مؤثران للغاية في مجال اكتشاف الكائنات في الوقت الفعلي. بينما يقدم كلا النموذجين ابتكارات معمارية متميزة، فإن فهم مقايضات الأداء الخاصة بهما، وقدرات النشر، ومتطلبات الأجهزة أمر بالغ الأهمية لاختيار الأداة المناسبة لمشروع الرؤية القادم الخاص بك.

YOLO26: القوة المحسّنة للحافة#

مع إصدارها في أوائل عام 2026، تمثل Ultralytics YOLO26 نقلة نوعية في كفاءة النشر واستقرار تدريب النماذج. تم تصميمها كإطار عمل متكامل بطبيعته، وهي تعالج مباشرة اختناقات النشر التي طالما عانت منها تطبيقات الذكاء الاصطناعي على الحافة.

تفاصيل النموذج:

المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 2026-01-14
GitHub: مستودع Ultralytics
المستندات: توثيق YOLO26

البنية والابتكارات#

تعيد YOLO26 صياغة خط أنابيب المعالجة اللاحقة جذرياً من خلال تقديم تصميم خالٍ من NMS وقائم على النهاية إلى النهاية (End-to-End NMS-Free). من خلال الاستغناء عن الحاجة إلى كبح الحد الأقصى غير (NMS)، يحقق النموذج تقلبات أقل بشكل ملحوظ في زمن الاستجابة. هذا يجعل النشر على المنصات المحمولة وأجهزة الحافة أسهل بكثير، خاصة عند التصدير إلى أطراف مثل ONNX وApple CoreML.

بالإضافة إلى ذلك، فإن إزالة Distribution Focal Loss (DFL) تبسط عملية التصدير وتعزز التوافق مع وحدات التحكم الدقيقة منخفضة الطاقة. لتحسين استقرار التدريب، يدمج YOLO26 المحسّن الجديد MuSGD Optimizer، وهو هجين بين Stochastic Gradient Descent (SGD) و Muon (المستوحى من الابتكارات في تدريب نماذج اللغات الكبيرة). يؤدي هذا إلى تقارب أسرع واستخراج ميزات أكثر قوة عبر مجموعات البيانات الصعبة.

الاستدلال على أجهزة الحافة

بفضل التبسيطات المعمارية وإزالة DFL، تحقق YOLO26 ما يصل إلى 43% أسرع في الاستدلال على وحدة المعالجة المركزية (CPU)، مما يجعلها الخيار الأُمثل لأجهزة الحافة المحدودة الموارد مثل Raspberry Pi أو NVIDIA Jetson Nano.

لاكتشاف العناصر بالغة الصعوبة في مشاهد مثل صور الطائرات بدون طيار الجوية، تستخدم YOLO26 دالات الخسارة المحدثة ProgLoss + STAL. توفر هذه الدوال تحسينات ملحوظة في استرجاع التعرف على الكائنات الصغيرة. علاوة على ذلك، تتميز بتحسينات خاصة بالمهمة، بما في ذلك الأشكال الأولية متعددة المقاييس لتجزئة المثيلات، وتقدير الاحتمال اللوغاريتمي الباقي (RLE) تقدير الوضعية، وخسارة الزاوية المتخصصة لاكتشاف مربعات الإحاطة الموجهة (OBB).

تعرف على المزيد حول YOLO26

YOLOv9: معلومات التدرج القابلة للبرمجة#

تم تقديم YOLOv9 في أوائل عام 2024، وقد جلب تطورات نظرية للطريقة التي تتعامل بها الشبكات العصبية مع تدفق التدرج أثناء مرحلة التدريب، مع التركيز على كفاءة المعلمات والاحتفاظ بالميزات العميقة.

تفاصيل النموذج:

المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 21-02-2024
Arxiv: ورقة YOLOv9
GitHub: مستودع YOLOv9
المستندات: توثيق YOLOv9

المعمارية ونقاط القوة#

تم بني YOLOv9 حول مفهوم معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تعالج هذه المفاهيم مشكلة اختناق المعلومات التي لوحظت غالباً في الشبكات العصبية العميقة. من خلال الحفاظ على المعلومات الأساسية طوال عملية التمرير الأمامي، تضمن GELAN أن تدرجات المستخدمة لتحديث الأوزان تظل موثوقة. توفر هذه البنية دقة عالية وتجعل YOLOv9 مرشحاً قوياً للبحث الأكاديمي في نظرية الشبكات العصبية وتحسين مسار التدرج باستخدام إطار عمل PyTorch.

القيود#

على الرغم من كفاءتها الممتازة في المعاملات، تعتمد YOLOv9 بشكل كبير على NMS التقليدي لمعالجة مربعات الإحاطة لاحقاً، مما يمكن أن يخلق اختناقات حسابية أثناء الاستدلال على أجهزة الحافة. علاوة على ذلك، تركز المستودع الرسمي إلى حد كبير على اكتشاف الكائنات، مما يتطلب هندسة مخصصة كبيرة لتكييفها المهام المتخصصة مثل التتبع أو تقدير الوضعية.

اعرف المزيد عن YOLOv9

مقارنة الأداء#

عند تقييم هذه النماذج للنشر في العالم الحقيقي، فإن موازنة الدقة (mAP)، وسرعة الاستدلال، واستخدام الذاكرة أمر بالغ الأهمية. تشتهر نماذج Ultralytics بمتطلبات الذاكرة المنخفضة أثناء التدريب والاستدلال على حد سواء، مما يتطلب ذاكرة CUDA أقل بكثير من البدائل القائمة على المحولات مثل RT-DETR.

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

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

ملاحظة: تم حذف سرعات وحدة المعالجة المركزية (CPU) لـ YOLOv9 لأنها تختلف كثيراً بناءً على تكوين NMS وهي بشكل عام أبطأ من تنفيذ YOLO26 الأصلي الخالي من NMS.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO26 و YOLOv9 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLO26#

YOLO26 هو خيار قوي لـ:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

متى تختار YOLOv9#

يوصى بـ YOLOv9 لـ:

أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.

ميزة Ultralytics#

يتضمن اختيار النموذج أكثر من مجرد قراءة معيار الدقة؛ يحدد نظام برمجيات النظام المحيط مدى السرعة التي يمكنك الانتقال بها من جمع البيانات إلى الإنتاج.

سهولة الاستخدام والنظام البيئي#

تقدم واجهة برمجة تطبيقات Ultralytics Python تجربة سلسة تمتد من الصفر إلى الاحتراف. بدلاً من استنساخ المستودعات المعقدة أو تكوين نصوص التدريب الموزعة يدوياً، يمكن للمطورين تثبيت الحزمة عبر pip وبدء التدريب فوراً. يضمن نظام Ultralytics البيئي الذي تتم صيانتها بنشاط تحديثات متكررة، وتكاملات آلية مع منصات التعلم الآلي مثل Weights & Biases، وتوثيقاً شاملاً.

نماذج Ultralytics الأخرى

إذا كنت مهتماً باكتشاف نماذج أخرى ضمن النظام البيئي لشركة Ultralytics، فقد تفكر أيضاً في مقارنة YOLO11 أو YOLOv8 الكلاسيكي، وكلاهما يوفر مرونة استثنائية للتطبيقات المخصصة.

تعدد الاستخدامات عبر مهام الرؤية#

بينما تعتبر YOLOv9 في المقام الأول محرك اكتشاف، فإن YOLO26 هي أداة رؤية متعددة الأغراض. باستخدام بناء جملة موحد واحد، يمكنك الانتقال بسهولة من اكتشاف الكائنات إلى تجزئة الصور الدقيقة للبكسل أو التصنيف لكامل الصورة. يقلل هذا التنوع من الدين التقني لصيانة قواعد أكواد متعددة ومتباينة لميزات الرؤية الحاسوبية المختلفة.

التدريب والنشر الفعال#

تعتبر كفاءة التدريب حجر الأساس في فلسفة Ultralytics. تستخدم YOLO26 أوزان مدربة مسبقاً متوفرة بسهولة وتتميز باستخدام أقل للذاكرة بشكل ملحوظ مقارنة بمحولات الرؤية الضخمة. بمجرد التدريب، تتيح مسارات التصدير المدمجة إجراء تحويلات بنقرة واحدة إلى تنسيقات محسنة مثل TensorRT أو TensorFlow Lite، مما يمهد الطريق بسلاسة للإنتاج.

مثال على الكود: البدء مع YOLO26#

تنفيذ YOLO26 واضح ومباشر بشكل ملحوظ. يوضح مقتطف Python التالي كيفية تحميل نموذج مدرب مسبقاً، وتدريبه على بيانات مخصصة، وتشغيل الاستدلال باستخدام واجهة برمجة تطبيقات Ultralytics.

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset utilizing the MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Uses GPU 0, or use 'cpu' for CPU training
)

# Run an NMS-free inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the bounding boxes and confidences
predictions[0].show()

من خلال الاستفادة من السرعة والبنية المبسطة والنظام البيئي القوي لـ YOLO26، يمكن للفرق طرح تطبيقات رؤية الذكاء الاصطناعي المتقدمة في السوق بشكل أسرع وبعقبات تقنية أقل من أي وقت مضى.

المساهمون

GLglenn-jocher⁸

تم الإنشاء 14 يناير 2026تم التحديث أول أمس