YOLOv10 مقابل YOLO26#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة في السنوات الأخيرة، إذ انتقل من البنى المعقدة التي تعتمد بكثافة على المعالجة اللاحقة إلى نماذج مبسطة وشاملة من البداية إلى النهاية. تتناول هذه المقارنة التقنية محطتين بارزتين في هذا المسار: الإنجاز الأكاديمي لـYOLOv10 وYOLO26 المتطور والجاهز للمؤسسات. ومن خلال دراسة بنيتيهما ومنهجيات التدريب وإمكانات النشر في العالم الواقعي، يستطيع المطورون اتخاذ قرارات مستنيرة عند إنشاء تطبيقهم التالي للذكاء الاصطناعي البصري.

YOLOv10: ريادة اكتشاف الأجسام الشامل من البداية إلى النهاية#

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

عند صدوره في منتصف عام 2024، شكّل YOLOv10 نقلة نوعية في أبحاث الرؤية الحاسوبية الأكاديمية، إذ عالج أحد أكثر العوائق استمرارًا في اكتشاف الأجسام آنيًا: قمع الصناديق المحيطة غير القصوى (NMS). اعتمدت كواشف الأجسام التقليدية بشدة على NMS لتصفية الصناديق المحيطة المكررة، ما أضاف تفاوتًا في زمن الاستجابة أثناء الاستدلال وعقّد النشر على الأجهزة الطرفية.

قدّم فريق جامعة تسينغهوا استراتيجية إسناد مزدوجة ومتسقة للتدريب الخالي من NMS. وقد أتاح ذلك للنموذج التنبؤ بالصناديق المحيطة بدقة دون الحاجة إلى خطوة تصفية للمعالجة اللاحقة، ما حسّن زمن الاستدلال مباشرة وخفّض عوائق النشر على مسرّعات الأجهزة. وعلى الرغم من كفاءته العالية في مهام الاكتشاف القياسية، ركّز النموذج أساسًا على التنبؤ بالصناديق المحيطة، ولم يتضمن دعمًا أصليًا لمهام أكثر تعقيدًا مثل تجزئة المثيلات أو تقدير الوضعية.

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 التصميم الخالي من NMS التي سبق ابتكارها، يمثّل YOLO26 الصادر حديثًا ذروة الأداء وتعدد الاستخدامات. وقد صُمم للبحث الأكاديمي والنشر بمستوى المؤسسات على حد سواء، ويوفر تصميمًا شاملًا من البداية إلى النهاية وخاليًا من NMS عبر رأس اختياري أحادي المطابقة (nms=False) يتجاوز المعالجة اللاحقة لـNMS، ما يتيح نشرًا أسرع وأبسط على جميع الأجهزة المدعومة.

يقدم YOLO26 عدة تحسينات بنيوية رائدة. وتؤدي إزالة خسارة التوزيع البؤرية (DFL) إلى تبسيط عملية تصدير النموذج بدرجة كبيرة وتعزيز التوافق مع الأجهزة الطرفية منخفضة الطاقة. وبالاقتران مع هذه التغييرات البنيوية، يحقق YOLO26 استدلالًا أسرع بنسبة تصل إلى 43% على CPU، ما يجعله خيارًا استثنائيًا لتطبيقات إنترنت الأشياء والروبوتات التي قد لا تتوفر فيها تسريع GPU.

شهد استقرار التدريب وسرعة التقارب تحولًا جذريًا بفضل استخدام محسّن MuSGD، وهو مزيج هجين من SGD وMuon مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM). وبالاقتران مع دوال خسارة متقدمة مثل ProgLoss + STAL، يحقق YOLO26 تحسينات ملحوظة في التعرف على الأجسام الصغيرة. كما يقدم تحسينات مخصصة للمهام، منها إنشاء نماذج أولية متعددة المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية، ودالة خسارة متخصصة للزاوية لمعالجة مشكلات الحدود في اكتشاف الصناديق المحيطة 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.

تُظهر البيانات بوضوح الميزة التطورية للبنية الأحدث. يحقق YOLO26 قيمة mAP (متوسط الدقة) أعلى عبر جميع فئات الأحجام، مع الحفاظ على سرعات استدلال تنافسية للغاية. وتسهم إزالة DFL في YOLO26 تحديدًا في أدائه الاستثنائي على CPU باستخدام ONNX، وهو مقياس واجهت فيه الأجيال السابقة صعوبات غالبًا.

منهجيات التدريب والمنظومة#

لا تتجاوز فائدة النموذج فائدة المنظومة التي تدعمه. وعلى الرغم من أن YOLOv10 قدّم تطبيقًا أكاديميًا ممتازًا قائمًا على PyTorch، فإنه يتطلب غالبًا إعدادًا يدويًا للمهام التي تتجاوز الاكتشاف الأساسي.

على النقيض من ذلك، يتكامل YOLO26 بالكامل مع منظومة Ultralytics التي تحظى بصيانة جيدة. وهذا يضمن متطلبات ذاكرة أقل بكثير أثناء التدريب مقارنة بالنماذج القائمة على Transformer مثل RT-DETR، ما يتيح للباحثين تدريب شبكات متطورة على أجهزة متاحة للمستهلكين. كما لا تضاهى سهولة استخدامه، إذ يوفر واجهة برمجة تطبيقات موحدة تتولى تلقائيًا زيادة البيانات وضبط المعلمات الفائقة وتسجيل البيانات.

مثال برمجي: تدريب YOLO26#

لا يتطلب تدريب نموذج متعدد الاستخدامات وعالي الدقة سوى بضعة أسطر من التعليمات البرمجية بلغة Python:

from ultralytics import YOLO

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

# ⁨درّب النموذج بكفاءة مع إدارة تلقائية للذاكرة⁩
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 بالكامل على قيود النشر.

الحوسبة الطرفية عالية السرعة#

بالنسبة إلى التطبيقات التي تتطلب نشرًا سريعًا على المتحكمات الدقيقة أو الروبوتات أو الأجهزة المحمولة القديمة، تجعل سرعة استدلال YOLO26 على CPU، التي تزيد حتى 43%، منه الخيار الأمثل. وتتحول بنيته الخالية من NMS وDFL بسلاسة إلى تنسيقات مثل OpenVINO وTensorRT، ما يجعله مثاليًا لتحليلات الفيديو في الوقت الفعلي ضمن البنية التحتية للمدن الذكية.

الرؤية المتقدمة متعددة المهام#

في حين يتفوق YOLOv10 في اكتشاف مربعات الإحاطة وحده، يجب أن تعتمد المشاريع التي تتطلب فهمًا بصريًا ثريًا على YOLO26. فمن تقسيم المثيلات في التصوير الطبي إلى تقدير الوضعية الدقيق لتحليلات الرياضة، يوفر YOLO26 دوال خسارة مخصصة لكل مهمة تضمن دقة فائقة عبر مجالات متنوعة.

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 تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية 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 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.

الخلاصة#

يسلط الانتقال من YOLOv10 إلى YOLO26 الضوء على تحول جوهري من إثبات المفهوم الأكاديمي إلى حلول مؤسسية جاهزة للإنتاج. ومن خلال اعتماد التصميم الرائد الخالي من NMS وتعزيزه باستخدام المحسّن MuSGD وProgLoss والتوافق المُحسّن مع الأجهزة الطرفية، يضع YOLO26 معيارًا جديدًا للإمكانات المتاحة في الرؤية الحاسوبية في الوقت الفعلي. وبالنسبة إلى المطورين الساعين إلى تحقيق أفضل توازن بين السرعة والدقة وسهولة الاستخدام، يبرز YOLO26 بوصفه التوصية الأمثل.