YOLO26 مقابل YOLOX#
في عام 2021، قدّم YOLOX تصميمًا مؤثرًا خاليًا من المراسي، وسدّ الفجوة بين البحث الأكاديمي والتطبيق الصناعي في اكتشاف الأجسام في الزمن الحقيقي. وفي يناير 2026، أصدرت Ultralytics YOLO نموذج YOLO26. تستكشف هذه المقارنة كيفية استفادة YOLO26 من الابتكارات السابقة وأوجه اختلافه في الأداء وتعدد الاستخدامات وسهولة الاستخدام.
نظرة عامة على النماذج#
يُعد فهم أصول هذه النماذج وفلسفاتها الأساسية أمرًا ضروريًا لاتخاذ قرارات مدروسة بشأن النشر.
تفاصيل YOLO26#
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics على GitHub
- الوثائق: الوثائق الرسمية لـ YOLO26
YOLO26 هو أحدث نماذج Ultralytics YOLO، ويقدم رأسًا اختياريًا شاملًا خاليًا من NMS (nms=False) يزيل اختناقات المعالجة اللاحقة. وقد حُسّن للنشر السحابي والطرفي على حد سواء، ضمن منظومة تدعم مهام رؤية متنوعة.
تفاصيل YOLOX#
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المؤسسة: Megvii
- التاريخ: 2021-07-18
- arXiv: التقرير التقني لـ YOLOX
- GitHub: مستودع YOLOX على GitHub
- الوثائق: وثائق YOLOX
كان YOLOX خطوة كبيرة إلى الأمام، إذ قدّم رأسًا منفصلًا وبنية خالية من المراسي، إلى جانب استراتيجية SimOTA لإسناد التسميات. وقدّم توازنًا ممتازًا بين السرعة والدقة عند إصداره، ما جعله خيارًا شائعًا للعديد من الأنظمة القديمة.
ابتكارات البنية#
تعكس الاختلافات بين YOLO26 وYOLOX التقدم الذي أحرزته تصاميم التعلم العميق بين عامي 2021 و2026.
رغم أن YOLOX كان رائدًا في النهج الخالي من المراسي، فقد ظل يعتمد على كبح الصناديق غير القصوى (NMS) التقليدي لتصفية الصناديق المحيطة الزائدة. ويضيف YOLO26 رأسًا اختياريًا شاملًا من البداية إلى النهاية بلا NMS (nms=False). ويتخطى هذا النهج، الذي أدخله YOLOv10 إلى نماذج YOLO، المعالجة اللاحقة باستخدام NMS، ما ينتج عنه مسارات نشر أسرع وأبسط وتفاوت أقل في زمن الاستجابة.
إضافةً إلى ذلك، يتضمن YOLO26 إزالة DFL. وتؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط عملية التصدير وتحسين التوافق مع الأجهزة الطرفية والعتاد منخفض الطاقة. وبالاقتران مع تحسينات معمارية أخرى، يجعل ذلك YOLO26n أسرع بنسبة تصل إلى 43% على CPU من YOLO11n، ما يجعله مناسبًا للبيئات التي تفتقر إلى وحدات GPU مخصصة.
يشكّل استقرار التدريب عاملًا فارقًا مهمًا آخر. يستخدم YOLO26 محسّن MuSGD، وهو مزيج من SGD وMuon يستلهم ابتكارات تدريب LLM من Moonshot AI. وينقل هذا المحسّن استقرار تدريب نماذج اللغة الكبيرة إلى مجال الرؤية الحاسوبية، ما يسهّل التقارب الأسرع.
يستخدم YOLO26 ProgLoss + STAL، وهو نهج لموازنة الخسارة تدريجيًا واستراتيجية لتعيين التسميات تراعي الأهداف الصغيرة، ما يحسّن التعرّف على الأجسام الصغيرة. ويكتسب ذلك أهمية في مهام مثل معالجة الصور الجوية وتحليل البيئات الكثيفة.
الأداء ومعايير التقييم#
على مجموعة بيانات COCO، يحقق YOLO26 قيمة mAP أعلى من YOLOX عند كل حجم قابل للمقارنة (على سبيل المثال، 48.6 مقابل 40.5 لنموذجي s)، مع زمن استجابة أقل على T4 TensorRT.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
ملاحظة: يحقق YOLO26x قيمة mAP تبلغ 57.5 باستخدام 55.7M معامل، مقارنةً بـ 51.1 mAP باستخدام 99.1M معاملًا في YOLOXx.
المنظومة وسهولة الاستخدام#
من أبرز مزايا اختيار YOLO26 المنظومة التي توفرها Ultralytics وتُصان جيدًا. فبينما يتطلب YOLOX التعامل مع قواعد شيفرة بحثية وإعداد البيئة يدويًا، توفر Ultralytics تجربة أبسط للمطورين.
باستخدام واجهة Python البرمجية الموحدة، يمكن للمطورين التبديل بسهولة بين مهام مثل اكتشاف الأجسام وتقسيم الكائنات وتجزئة المشاهد الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعية وOBB. أما YOLOX فيقتصر على اكتشاف الأجسام باستخدام الصناديق المحيطة.
مثال على التدريب#
يتسم تدريب نموذج على مجموعة بيانات مخصصة باستخدام Ultralytics بالكفاءة. إذ تُبقي خطوط التدريب استهلاك ذاكرة CUDA منخفضًا، ما يتيح أحجام دفعات أكبر على الأجهزة الاستهلاكية مقارنةً بكثير من البنى الأقدم أو نماذج Transformer الثقيلة.
from ultralytics import YOLO
# هيّئ النموذج الصغير من YOLO26
model = YOLO("yolo26s.pt")
# تدريب النموذج على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# تصدير النموذج المدرّب إلى تنسيق ONNX لنشره
model.export(format="onnx")تعزز منصة Ultralytics سير العمل هذا، إذ توفر التدريب السحابي والتوسيم بمساعدة الذكاء الاصطناعي لمجموعات البيانات وخيارات النشر للفرق التي تنتقل من النموذج الأولي إلى الإنتاج.
حالات الاستخدام المثالية والتطبيقات الواقعية#
يعتمد اختيار النموذج المناسب على بيئة النشر لديك.
الذكاء الاصطناعي الطرفي وإنترنت الأشياء#
يُعد YOLO26 الخيار الأفضل للتطبيقات التي تتطلب معالجة محلية على أجهزة محدودة، مثل أنظمة إنذار الأمن الذكية أو مستشعرات البيئة عن بُعد. فالرأس الاختياري الخالي من NMS والتنفيذ السريع على CPU يتيحان تشغيله على أجهزة مثل Raspberry Pi من دون حلول التفافية معقدة للتكميم.
الروبوتات ذاتية التشغيل#
تتطلب تطبيقات الروبوتات دقة عالية وزمن استجابة منخفضًا. وتمكّن قدرات تقدير الوضعية في YOLO26، المعززة بتقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، الروبوتات من فهم حركيات الإنسان في الزمن الحقيقي. أما افتقار YOLOX إلى اكتشاف أصلي لنقاط المفاصل فيجعله غير ملائم لمهام التفاعل المتقدم بين الإنسان والروبوت.
الفحص الجوي وعلى الارتفاعات الشاهقة#
يُعد اكتشاف العيوب الصغيرة أمرًا بالغ الأهمية عند فحص البنية التحتية باستخدام الطائرات المسيّرة. وتحسّن ProgLoss وSTAL في YOLO26 استرجاع الأجسام الصغيرة. وإضافةً إلى ذلك، يدعم YOLO26 أصليًا صناديق الإحاطة الموجّهة (OBB)، مع خسارة زاوية متخصصة لمعالجة مشكلات الحدود، ما يجعله ملائمًا للصور الفضائية والجوية التي تكون فيها الأجسام مُدارة بزوايا عشوائية.
عمليات النشر القديمة#
قد يظل YOLOX مستخدمًا في البيئات القديمة التي بُنيت فيها خطوط نشر C++ الحالية صراحةً حول مخرجات رأسه المفصول المحددة لعام 2021. أما المشروعات الجديدة، فيوصى بالانتقال إلى منظومة Ultralytics للاستفادة من مكاسب الأداء والدعم المستمر من المجتمع.
استكشاف نماذج أخرى#
مع أن YOLO26 هو نموذج Ultralytics الموصى به، فإن المنظومة توفر مجموعة متنوعة من النماذج المصممة لتلبية احتياجات محددة. ويمكن للمطورين المهتمين بالبنى القائمة على Transformer الاطلاع على RT-DETR، الذي يقدم نهجًا بديلًا للاكتشاف الشامل. كذلك يظل YOLO11 خيارًا مجرّبًا جيدًا لبيئات الإنتاج التي تتطلب قياسًا مرجعيًا تاريخيًا واسعًا.
باختصار، يوضح الانتقال من YOLOX إلى YOLO26 مدى سرعة تقدم هذا المجال. وبفضل واجهته البديهية ومجموعة ميزاته المتنوعة وكفاءته العالية، يُعد YOLO26 الخيار الموصى به للباحثين والمطورين.