YOLOv10 مقابل YOLO26#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة في السنوات الأخيرة، إذ انتقل من بنيات معقدة تعتمد بكثافة على المعالجة اللاحقة إلى نماذج مبسطة شاملة من البداية إلى النهاية. تتناول هذه المقارنة التقنية معلمين رئيسيين في هذا المسار: الاختراق الأكاديمي الذي حققه YOLOv10، وYOLO26 المتطور والجاهز للاستخدام المؤسسي. ومن خلال دراسة بنياتهما ومنهجيات تدريبهما وقدرات نشرهما في العالم الحقيقي، يمكن للمطورين اتخاذ قرارات مدروسة عند بناء تطبيقهم التالي للذكاء الاصطناعي للرؤية.

YOLOv10: الريادة في اكتشاف الكائنات من البداية إلى النهاية#

• المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• الروابط: ورقة arXiv | مستودع GitHub

أُطلق YOLOv10 في منتصف عام 2024، ومثّل قفزة مهمة إلى الأمام في أبحاث الرؤية الحاسوبية الأكاديمية من خلال معالجة إحدى أكثر العقبات استمرارية في اكتشاف الكائنات في الوقت الفعلي: كبت غير الأعظم (NMS). اعتمدت كاشفات الكائنات التقليدية اعتمادًا كبيرًا على NMS لتصفية مربعات الإحاطة المتكررة، ما أضاف زمن استجابة متغيرًا أثناء الاستدلال وعقّد النشر على الأجهزة الطرفية.

قدّم فريق جامعة تسينغهوا استراتيجية إسناد مزدوجة متسقة للتدريب الخالي من NMS. وقد أتاح ذلك للنموذج التنبؤ بمربعات الإحاطة بدقة من دون الحاجة إلى خطوة تصفية للمعالجة اللاحقة، ما حسّن زمن الاستدلال مباشرةً وخفّض عتبة النشر على مسرّعات الأجهزة. وعلى الرغم من كفاءته العالية في مهام الاكتشاف القياسية، ركّز النموذج أساسًا على التنبؤ بمربعات الإحاطة، وافتقر إلى الدعم الأصلي لمهام أكثر تعقيدًا مثل تجزئة المثيلات أو تقدير الوضعيات.

Learn more about YOLOv10

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

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

استنادًا إلى مفاهيم التصميم الخالي من NMS التي سبقت تطويره، يمثّل YOLO26 المُطلَق حديثًا ذروة الأداء وتعدد الاستخدامات. وقد صُمّم للبحث الأكاديمي والنشر بمستوى المؤسسات على حد سواء، ويضم أصليًا تصميمًا شاملًا من البداية إلى النهاية وخاليًا من NMS، ما يلغي تمامًا المعالجة اللاحقة لـ NMS لتحقيق نشر أسرع وأبسط عبر جميع الأجهزة المدعومة.

يقدّم YOLO26 عدة تحسينات معمارية رائدة. إذ يؤدي التخلص من خسارة التركيز التوزيعي (DFL) إلى تبسيط عملية تصدير النموذج بدرجة كبيرة وتعزيز التوافق مع الأجهزة الطرفية منخفضة الطاقة. وبالاقتران مع هذه التغييرات البنيوية، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، ما يجعله خيارًا استثنائيًا لتطبيقات إنترنت الأشياء والروبوتات حيث قد لا يتوفر تسريع GPU.

علاوةً على ذلك، أُحدث تحول جذري في استقرار التدريب وسرعة التقارب من خلال استخدام مُحسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM). وبالاقتران مع دوال خسارة متقدمة مثل ProgLoss + STAL، يحقق YOLO26 تحسينات ملحوظة في التعرّف على الكائنات الصغيرة. كما يقدّم تحسينات خاصة بالمهام، تشمل إنشاء نماذج أولية متعددة المقاييس للتجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات الحدود في اكتشاف مربعات الإحاطة الموجّهة (OBB).

مقارنة الأداء التقني#

عند تقييم هذه النماذج، يُعد التوازن بين الدقة وحجم النموذج وسرعة الاستدلال أمرًا بالغ الأهمية. يسلّط الجدول أدناه الضوء على أداء عائلتي النماذج عبر مقاييس مختلفة، وقد جرى تقييمهما 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. ويسهم التخلص من DFL في YOLO26 تحديدًا في أدائه الاستثنائي على CPU باستخدام ONNX، وهو مقياس عانت فيه الأجيال السابقة كثيرًا.

منهجيات التدريب والمنظومة#

لا يكون النموذج مفيدًا إلا بقدر فائدة المنظومة الداعمة له. وعلى الرغم من أن YOLOv10 قدّم تنفيذًا أكاديميًا ممتازًا يستند إلى PyTorch، فإنه غالبًا ما يتطلب إعدادًا يدويًا للمهام التي تتجاوز الاكتشاف الأساسي.

في المقابل، يتكامل YOLO26 بالكامل مع منظومة Ultralytics التي تحظى بصيانة جيدة. ويضمن ذلك متطلبات ذاكرة أقل بكثير أثناء التدريب مقارنةً بالنماذج القائمة على Transformer مثل RT-DETR، ما يتيح للباحثين تدريب شبكات متطورة على أجهزة متاحة للمستهلكين. كما أن سهولة الاستخدام لا مثيل لها، إذ يوفر واجهة API موحّدة تتولى تلقائيًا زيادة البيانات وضبط المعلمات الفائقة والتسجيل.

مثال برمجي: تدريب YOLO26#

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

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")

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، يجعل استدلال YOLO26 على CPU الأسرع بنسبة 43% منه الخيار الحاسم. وتتحول بنيته الخالية من NMS وDFL بسلاسة إلى تنسيقات مثل OpenVINO وTensorRT، ما يجعلها مثالية لتحليلات الفيديو في الوقت الفعلي ضمن البنية التحتية للمدن الذكية.

الرؤية المتقدمة متعددة المهام#

بينما يتفوق YOLOv10 في اكتشاف مربعات الإحاطة البحت، يجب على المشاريع التي تتطلب فهمًا بصريًا غنيًا الاعتماد على YOLO26. فمن تجزئة المثيلات في التصوير الطبي إلى تقدير الوضعيات الدقيق لتحليلات الرياضة، يوفر YOLO26 دوال خسارة خاصة بالمهام تضمن دقة أعلى 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 من أجل:

• الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
• المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
• التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

متى تختار YOLO26#

يوصى باستخدام YOLO26 من أجل:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

الخلاصة#

يسلّط الانتقال من YOLOv10 إلى YOLO26 الضوء على تحول جوهري من إثبات مفهوم أكاديمي إلى حلول مؤسسية جاهزة للإنتاج. ومن خلال اعتماد التصميم الرائد الخالي من NMS وتعزيزه بمُحسِّن MuSGD وProgLoss والتوافق المبسّط مع الأجهزة الطرفية، يضع YOLO26 معيارًا جديدًا لما يمكن تحقيقه في الرؤية الحاسوبية في الوقت الفعلي. وبالنسبة إلى المطورين الساعين إلى تحقيق أفضل توازن بين السرعة والدقة وسهولة الاستخدام، يبرز YOLO26 بوصفه التوصية المثلى.