YOLOv10 مقابل YOLO26#

انتقل الكشف عن الأجسام في الوقت الفعلي من بنى معقدة تعتمد بكثافة على المعالجة اللاحقة إلى نماذج شاملة مبسطة. وتتناول هذه المقارنة التقنية محطتين بارزتين في هذا التحول: YOLOv10، النموذج الأكاديمي الذي أدخل التدريب الخالي من NMS إلى عائلة YOLO، وUltralytics YOLO26، عائلة النماذج متعددة المهام الموجهة للإنتاج. ومن خلال دراسة بنيتيهما ومنهجيات التدريب وقدرات النشر الواقعية، يستطيع المطورون اتخاذ قرارات مدروسة عند بناء تطبيقهم التالي للذكاء الاصطناعي في مجال الرؤية.

YOLOv10: كشف آني بلا NMS#

• المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• الروابط: ورقة arXiv | مستودع GitHub

عالج YOLOv10، الذي صدر في مايو 2024، أحد أكثر الاختناقات استمرارًا في الكشف عن الأجسام في الوقت الفعلي: الكبح غير الأقصى (NMS). فقد اعتمدت كواشف الأجسام التقليدية اعتمادًا كبيرًا على NMS لتصفية مربعات الإحاطة الزائدة، ما أضاف تفاوتًا في زمن الاستجابة أثناء الاستدلال وعقّد النشر الطرفي.

قدّم فريق جامعة تسينغهوا استراتيجية إسناد مزدوجة متسقة للتدريب الخالي من NMS. وأتاح ذلك للنموذج التنبؤ بمربعات الإحاطة بدقة دون الحاجة إلى خطوة تصفية في المعالجة اللاحقة، ما حسّن زمن استجابة الاستدلال مباشرةً وخفّض عوائق النشر على مسرّعات الأجهزة. ورغم كفاءته في الكشف القياسي، يركز النموذج على التنبؤ بمربعات الإحاطة ولا يدعم أصليًا مهامًا مثل تجزئة المثيلات أو تقدير الوضعيات.

تعرّف على المزيد حول YOLOv10

YOLO26: المعيار الجديد للذكاء الاصطناعي البصري على الأجهزة الطرفية والسحابة#

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2026-01-14
• الروابط: مستودع GitHub | منصة Ultralytics

استنادًا إلى مفاهيم الاستدلال الخالي من NMS التي قدّمها YOLOv10، تُعد YOLO26 حاليًا عائلة نماذج Ultralytics الموصى بها. وقد صُممت للبحث والنشر في بيئة الإنتاج، وتوفّر تصميمًا شاملًا خاليًا من NMS عبر رأس اختياري أحادي المطابقة (nms=False) يتجاوز المعالجة اللاحقة الخاصة بـ NMS، لتبسيط النشر على الأجهزة المدعومة.

يقدّم YOLO26 أيضًا عدة تغييرات معمارية. إذ يؤدي حذف Distribution Focal Loss (DFL) إلى تبسيط عملية تصدير النموذج وتحسين التوافق مع أجهزة الذكاء الاصطناعي الطرفية منخفضة الطاقة. وبفضل هذه التغييرات البنيوية، يحقق YOLO26n استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـ YOLO11n، ما يجعل YOLO26 خيارًا قويًا لتطبيقات إنترنت الأشياء والروبوتات التي قد لا يتوفر فيها تسريع GPU.

تتحسن أيضًا استقرارية التدريب وسرعة التقارب باستخدام محسّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تقنيات تدريب نماذج اللغة الكبيرة. وبالاقتران مع ProgLoss + STAL، الذي يجمع بين دالة خسارة تدريجية وإسناد تسميات يراعي الأهداف الصغيرة، يحسّن YOLO26 التعرّف على الأجسام الصغيرة. كما يقدم تحسينات خاصة بالمهام، منها إنشاء نماذج أولية متعددة المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات، ودالة خسارة متخصصة للزاوية لمعالجة مشكلات الحدود في اكتشاف مربعات الإحاطة الموجّهة (OBB).

مقارنة الأداء التقني#

عند تقييم هذه النماذج، يكون التوازن بين الدقة وحجم النموذج وسرعة الاستدلال عاملًا حاسمًا. يسلط الجدول أدناه الضوء على أداء عائلتي النموذجين بمقاييس متعددة، وفقًا لتقييمهما على مجموعة بيانات COCO القياسية.

يحقق YOLO26 قيمة أعلى لـ mAP (متوسط الدقة) في كل فئة من فئات الحجم، مع الحفاظ على سرعات T4 TensorRT مماثلة. ويسهم أيضًا حذف DFL من YOLO26 في أدائه على CPU باستخدام ONNX؛ ولا تُذكر سرعات YOLOv10 على CPU باستخدام ONNX في الجدول.

منهجيات التدريب والمنظومة#

لا تتجاوز فائدة النموذج فائدة المنظومة الداعمة له. ورغم أن YOLOv10 قدم تنفيذًا أكاديميًا متينًا مبنيًا على PyTorch وحزمة Ultralytics، فإنه لا يدعم سوى اكتشاف الأجسام.

في المقابل، يتكامل YOLO26 بالكامل مع منظومة Ultralytics التي تخضع للصيانة النشطة. وبصفته نموذجًا قائمًا على CNN، يحتاج إلى ذاكرة أقل أثناء التدريب من النماذج القائمة على Transformer مثل RT-DETR، لذا يمكن تدريبه على أجهزة بمواصفات استهلاكية. وتتولى واجهة API الموحدة معالجة زيادة البيانات والتسجيل تلقائيًا، مع إتاحة ضبط المعلمات الفائقة عبر model.tune().

مثال برمجي: تدريب YOLO26#

لا يتطلب تدريب YOLO26 وتصديره سوى بضعة أسطر من تعليمات Python البرمجية:

from ultralytics import YOLO

# ⁨حمّل نموذج YOLO26 الصغير المحسّن بدرجة عالية⁩
model = YOLO("yolo26s.pt")

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
)

# ⁨صدّر الرأس أحادي المطابقة الخالي من NMS إلى TensorRT⁩
model.export(format="engine", nms=False)

التطبيقات وحالات الاستخدام في العالم الحقيقي#

يعتمد اختيار البنية المناسبة إلى حد كبير على قيود النشر.

الحوسبة الطرفية عالية السرعة#

بالنسبة إلى التطبيقات المنشورة على وحدات CPU أو منصات الروبوتات أو الأجهزة المحمولة القديمة، يجعل الاستدلال الأسرع لـ YOLO26 على CPU منه الخيار الأفضل. وتُصدَّر بنيته الخالية من DFL ورأسه الاختياري الخالي من NMS بسلاسة إلى تنسيقات مثل OpenVINO وTensorRT، وهي مثالية لتحليلات الفيديو الآنية ضمن البنية التحتية للمدن الذكية.

الرؤية المتقدمة متعددة المهام#

يقتصر YOLOv10 على اكتشاف مربعات الإحاطة، لذا ينبغي للمشروعات التي تتطلب مهام أخرى استخدام YOLO26. وإلى جانب الاكتشاف، يدعم YOLO26 تجزئة الكائنات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعيات، ومربعات الإحاطة الموجّهة، مع رؤوس ودوال خسارة خاصة بكل مهمة لتطبيقات تتراوح من التصوير الطبي إلى تحليلات الرياضة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 وYOLO26 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا لما يلي:

• الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
• موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
• التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة بالغة الأهمية، مثل الروبوتات أو الأنظمة الذاتية التشغيل.

متى تختار YOLO26#

يوصى بـ YOLO26 لما يلي:

• 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 بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
• اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

الخلاصة#

يعكس الانتقال من YOLOv10 إلى YOLO26 التحول من إثبات مفهوم أكاديمي إلى نماذج جاهزة للإنتاج. ومن خلال اعتماد التصميم الخالي من NMS الذي قدمه YOLOv10 وإضافة محسّن MuSGD وProgLoss وتسهيل التصدير إلى الأجهزة الطرفية، يحقق YOLO26 دقة أعلى عند كل حجم للنموذج ويدعم مهامًا أكثر بكثير. وبالنسبة إلى المطورين الباحثين عن أفضل توازن بين السرعة والدقة وسهولة الاستخدام، فإن YOLO26 هو الخيار الموصى به.