مقارنة بين YOLOv10 وYOLO26#
شهد مجال الرؤية الحاسوبية تطورات ملحوظة في السنوات الأخيرة، حيث انتقل من بنيات معقدة تعتمد بكثافة على المعالجة اللاحقة إلى نماذج انسيابية شاملة. تتعمق هذه المقارنة التقنية في علامتين فارقتين في هذه المسيرة: الاختراق الأكاديمي المتمثل في YOLOv10 وYOLO26 المتطور والجاهز للاستخدام المؤسسي. من خلال فحص بنياتهما ومنهجيات التدريب وقدرات النشر في العالم الحقيقي، يمكن للمطورين اتخاذ قرارات مستنيرة عند بناء تطبيقهم التالي في مجال رؤية الذكاء الاصطناعي.
YOLOv10: ريادة الكشف عن الكائنات بشكل شامل#
المؤلفون: Ao Wang، Hui Chen، Lihao Liu وآخرون
المؤسسة: جامعة تسينغهوا
التاريخ: 2024-05-23
الروابط: ورقة arXiv | مستودع GitHub
مثّل YOLOv10، الذي أُطلق في منتصف عام 2024، قفزة نوعية في أبحاث الرؤية الحاسوبية الأكاديمية من خلال معالجة واحدة من أكثر الاختناقات استمراراً في الكشف عن الكائنات في الوقت الفعلي: قمع غير الحد الأقصى (NMS). اعتمدت كاشفات الكائنات التقليدية بشكل كبير على NMS لتصفية مربعات الإحاطة الزائدة، مما أضاف زمن وصول متغيراً أثناء الاستدلال وعقد عملية النشر على الحافة.
قدم فريق جامعة تسينغهوا استراتيجية تعيين مزدوجة متسقة للتدريب بدون NMS. سمح هذا للنموذج بالتنبؤ بمربعات الإحاطة بدقة دون الحاجة إلى خطوة تصفية لاحقة، مما أدى إلى تحسين زمن وصول الاستدلال مباشرة وتقليل حاجز النشر على مسرعات الأجهزة. وعلى الرغم من كفاءته العالية في مهام الكشف القياسية، ركز النموذج بشكل أساسي على التنبؤ بمربعات الإحاطة وافتقر إلى الدعم الأصلي لمهام أكثر تعقيداً مثل تجزئة المثيلات أو تقدير الوضعية.
YOLO26: المعيار الجديد لرؤية الذكاء الاصطناعي على الحافة والسحابة#
المؤلفون: Glenn Jocher و Jing Qiu
المؤسسة: Ultralytics
التاريخ: 2026-01-14
الروابط: مستودع GitHub | منصة Ultralytics
بناءً على مفاهيم العمل بدون NMS التي تم ريادتها سابقاً، يمثل YOLO26 الذي تم إطلاقه حديثاً ذروة الأداء وتعدد الاستخدامات. تم تصميمه ليناسب كلاً من الأبحاث الأكاديمية والنشر على مستوى المؤسسات، حيث يدمج بشكل أصلي تصميماً شاملاً بدون NMS، مما يلغي تماماً المعالجة اللاحقة لـ NMS لنشر أسرع وأبسط عبر جميع الأجهزة المدعومة.
يقدم YOLO26 العديد من التحسينات البنيوية الرائدة. إن إزالة خسارة التوزيع البؤري (DFL) تبسط عملية تصدير النموذج بشكل كبير وتعزز التوافق مع أجهزة الحافة منخفضة الطاقة. إلى جانب هذه التغييرات الهيكلية، يحقق YOLO26 استدلالاً أسرع لوحدة المعالجة المركزية بنسبة تصل إلى 43%، مما يجعله خياراً استثنائياً لتطبيقات إنترنت الأشياء والروبوتات حيث قد لا يتوفر تسريع GPU.
علاوة على ذلك، أحدث استخدام محسّن MuSGD، وهو مزيج هجين من SGD و Muon مستوحى من تقنيات تدريب LLM، ثورة في استقرار التدريب وسرعة التقارب. وبالاقتران مع وظائف الخسارة المتقدمة مثل ProgLoss + STAL، يتميز YOLO26 بتحسينات ملحوظة في التعرف على الكائنات الصغيرة. كما يقدم تحسينات خاصة بالمهام، بما في ذلك النماذج الأولية متعددة المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعية، وخسارة زاوية متخصصة لحل مشاكل الحدود في الكشف عن مربعات الإحاطة الموجهة (OBB).
بالنسبة للفرق التي تتطلع إلى توسيع نطاق سير عمل الرؤية الحاسوبية الخاصة بها، توفر منصة Ultralytics تكاملاً سلساً مع YOLO26، مما يقدم تعليقاً بديهياً للبيانات، وتدريباً سحابياً تلقائياً، وخيارات انتشار بنقرة واحدة دون الحاجة إلى البنية التحتية الواسعة لـ MLOps.
مقارنة الأداء التقني#
عند تقييم هذه النماذج، يُعد التوازن بين الدقة، وحجم النموذج، وسرعة الاستدلال أمراً بالغ الأهمية. يسلط الجدول أدناه الضوء على أداء كلا عائلتي النماذج عبر مختلف الأحجام، مقيماً على مجموعة بيانات COCO القياسية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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 |
توضح البيانات بوضوح الميزة التطويرية للهندسة الأحدث. يحقق YOLO26 mAP (متوسط الدقة المتوسطة) أعلى عبر جميع مستويات الحجم مع الحفاظ على سرعات استدلال تنافسية للغاية. يساهم إزالة DFL في YOLO26 بشكل محدد في أدائه الاستثنائي مع وحدة المعالجة المركزية (CPU) في تنسيق ONNX، وهو مقياس كانت الأجيال السابقة تعاني فيه غالباً.
منهجيات التدريب والنظام البيئي#
النموذج مفيد بقدر النظام البيئي الداعم له فقط. في حين أن YOLOv10 قدم تنفيذأ أكاديمياً ممتازاً يعتمد على PyTorch، إلا أنه غالباً ما يتطلب تكويناً يدوياً للمهام التي تتجاوز الكشف الأساسي.
في المقابل، فإن YOLO26 مدمج بالكامل في نظام Ultralytics البيئي المُدار جيداً. يضمن هذا متطلبات ذاكرة أقل بشكل ملحوظ أثناء التدريب مقارنة بالنماذج القائمة على المحولات (Transformer) مثل RT-DETR، مما يسمح للباحثين بتدريب شبكات بأحدث التقنيات على الأجهزة الاستهلاكية. سهولة الاستخدام لا تضاهى، حيث توفر واجهة برمجة تطبيقات (API) موحدة تتعامل مع تعزيز البيانات، وضبط المعلمات الفائقة، والتسجيل تلقائياً.
مثال كودي: تدريب YOLO26#
يتطلب تدريب نموذج متعدد الاستخدامات وعالي الدقة بضعة أسطر فقط من كود Python:
from ultralytics import YOLO
# Load the highly optimized YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model efficiently with automatic memory management
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
)
# Export natively to TensorRT without NMS complexities
model.export(format="engine")تطبيقات وحالات استخدام في العالم الحقيقي#
يعتمد اختيار البنية الصحيحة بالكامل على قيود النشر.
حوسبة الحافة عالية السرعة#
للتطبيقات التي تتطلب انتشاراً سريعاً على المتحكمات الدقيقة، أو الروبوتات، أو الأجهزة المحمولة القديمة، فإن سرعة استدلال CPU الأسرع بنسبة 43% لـ YOLO26 تجعله الخيار الحاسم. إن هندسته الخالية من NMS والخالية من DFL تتحول بسلاسة إلى تنسيقات مثل OpenVINO وTensorRT، وهو مثالي لتحليلات الفيديو في الوقت الفعلي في البنية التحتية للمدن الذكية.
الرؤية المتقدمة متعددة المهام#
في حين يتفوق YOLOv10 في اكتشاف مربعات الإحاطة البحتة، يجب على المشاريع التي تتطلب فهماً بصرياً غنياً الاعتماد على YOLO26. من تجزئة المثيلات في التصوير الطبي إلى تقدير الوضعية الدقيق لتحليلات الرياضة، يوفر YOLO26 وظائف خسارة خاصة بالمهام تضمن دقة متفوقة عبر مجالات متنوعة.
إذا كان مشروعك يتطلب اكتشافاً قوياً للمفردات المفتوحة، ففكر في استكشاف YOLO-World. بالنسبة للمستخدمين الذين يحافظون على خطوط الأنابيب القديمة، يظل YOLO11 بديلاً مدعوماً بالكامل وقوياً ضمن إطار عمل Ultralytics.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv10 وYOLO26 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات النظام البيئي.
متى تختار YOLOv10#
يعد YOLOv10 خياراً قوياً لـ:
- الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
- الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
- تبيقات ذات زمن استجابة ثابت: سيناريوهات النشر التي تكون فيها أوقات الاستدلال المتوقعة حرجة، مثل robotics أو الأنظمة المستقلة.
متى تختار YOLO26#
يوصى بـ YOLO26 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.
الخلاصة#
يسلط الانتقال من YOLOv10 إلى YOLO26 الضوء على تحول حاسم من إثبات المفهوم الأكاديمي إلى حلول مؤسسية جاهزة للإنتاج. من خلال تبني التصميم الرائد الخالي من NMS وتعزيزه بمحسّن MuSGD وProgLoss وتوافق الحافة المبسط، يضع YOLO26 معياراً جديداً لما هو ممكن في الرؤية الحاسوبية في الوقت الفعلي. بالنسبة للمطورين الذين يهدفون إلى تحقيق أفضل توازن بين السرعة والدقة وسهولة الاستخدام، يبرز YOLO26 كتوصية نهائية.