مقارنة بين YOLOv5 وYOLO26#

تحدّد تطوّر الرؤية الحاسوبية من خلال السعي المستمر إلى نماذج أسرع وأكثر دقة وأسهل وصولًا. وعند مقارنة Ultralytics YOLOv5 بـUltralytics YOLO26 المتطور، فإننا نرصد تحولًا جوهريًا يَسدّ الفجوة بين الأنظمة القديمة المتينة وأحدث ما توصلت إليه عمليات نشر الذكاء الاصطناعي الحديثة.

يقدّم هذا الدليل تحليلًا تقنيًا شاملًا لكلتا البنيتين، مع تسليط الضوء على مقاييس الأداء والاختلافات الهيكلية وسيناريوهات النشر المثالية.

نظرة عامة على النماذج#

YOLOv5: أداة العمل الأساسية في المجال#

أُطلق YOLOv5 في عام 2020، وأحدث ثورة في سهولة الوصول إلى اكتشاف الكائنات. ومن خلال نقل البنية natively إلى إطار عمل PyTorch، أتاح للمطورين تجربة "من الصفر إلى الاحتراف" على نحو غير مسبوق.

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• التوثيق: وثائق YOLOv5

أرسى YOLOv5 الأساس لمنظومة Ultralytics التي تحظى بصيانة مكثفة. وقدّم تقنيات متقدمة لزيادة البيانات، وحلقات تدريب فعّالة، ومسارات تصدير محسّنة للغاية إلى تنسيقات الحافة مثل CoreML وONNX. كما جعلت سهولة استخدامه ومتطلباته المنخفضة من الذاكرة أثناء التدريب منه خيارًا أساسيًا للشركات الناشئة والباحثين حول العالم.

YOLO26: معيار الجيل التالي للذكاء الاصطناعي البصري#

وبالانتقال سريعًا إلى يناير 2026، يمثّل Ultralytics YOLO26 ذروة الذكاء الاصطناعي البصري الآني. فهو يدمج natively الدروس المستفادة من الأجيال المتعاقبة مثل YOLOv8 وYOLO11، مع تقديم اختراقات هائلة مستوحاة من تدريب النماذج اللغوية الكبيرة (LLM).

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• الوثائق: وثائق YOLO26

يضع YOLO26 معيارًا جديدًا لتوازن الأداء، إذ يقدّم دقة متقدمة مع كونه مصممًا هندسيًا صراحةً للتفوق في سيناريوهات الحوسبة الطرفية.

الاختراقات المعمارية في YOLO26#

بينما يعتمد YOLOv5 على رؤوس اكتشاف قائمة على المراسي ودوال خسارة قياسية، يعيد YOLO26 صياغة الآليات الداخلية بالكامل لإزالة اختناقات النشر.

1. تصميم شامل من طرف إلى طرف خالٍ من NMS: يتمثل الفرق الأهم في بنية YOLO26 الأصلية الشاملة من طرف إلى طرف. فعلى خلاف YOLOv5، الذي يتطلب تطبيق الكبت غير الأقصى (NMS) يدويًا لتصفية المربعات المحيطة المتكررة، يلغي YOLO26 خطوة المعالجة اللاحقة هذه بالكامل. ويضمن ذلك زمن استدلال حتميًا، كما يبسّط التكامل بدرجة كبيرة مع C++ أو العتاد المضمّن.
2. إزالة DFL: يزيل YOLO26 خسارة البؤرة التوزيعية (DFL). ويبسّط هذا الخيار المعماري تصدير النموذج بدرجة كبيرة، كما يحسّن التوافق مع الأجهزة الطرفية منخفضة الطاقة والمتحكمات الدقيقة التي تواجه غالبًا صعوبة في التعامل مع العمليات المعقدة.
3. مُحسِّن MuSGD: مستفيدًا من أفكار Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon. وينقل هذا المُحسِّن الاستقرار والتقارب السريع المشاهدين في تدريب النماذج اللغوية الكبيرة إلى الرؤية الحاسوبية، مما يؤدي إلى استخدام أقل للذاكرة ودورات تدريب أسرع مقارنةً بالنماذج التي تعتمد بكثافة على Transformer.
4. ProgLoss + STAL: يستخدم YOLO26 دوال ProgLoss وSTAL المتقدمة، مما يحسّن بدرجة كبيرة قدرته على اكتشاف الكائنات الصغيرة والكثيفة، وهي تحدٍ تاريخي في YOLOv5.

مقارنة الأداء#

عند مقارنة النموذجين على مجموعة بيانات COCO، يعرض YOLO26 تحسينات هائلة في الدقة (mAP)، مع تقليل عدد المعاملات وسرعات الاستدلال على CPU في الوقت نفسه.

ملاحظة: يحقق YOLO26 Nano (YOLO26n) قيمة mAP مذهلة تبلغ 40.9 مقارنةً بقيمة mAP البالغة 28.0 في YOLOv5n، مع توفير استدلال على CPU أسرع بنسبة تصل إلى 43% بفضل إزالة DFL والرأس الخالي من NMS.

تعدد الاستخدامات ودعم المهام#

يشتهر YOLOv5 أساسًا بـاكتشاف الكائنات. وعلى الرغم من أن التحديثات اللاحقة قدّمت تجزئة أساسية، فقد بُني YOLO26 من الأساس ليكون محركًا موحدًا متعدد المهام.

يدعم YOLO26 بطبيعته ما يلي:

• تجزئة المثيلات: باستخدام نماذج أولية متعددة المقاييس خاصة بالمهمة وخسارة التجزئة الدلالية.
• تقدير الوضعيات: باستخدام تقدير اللوغاريتم الاحتمالي المتبقي (RLE) لاكتشاف النقاط المفتاحية بدقة عالية.
• المربعات المحيطة الموجّهة (OBB): مع تضمين خسارة زاوية متخصصة لمعالجة مشكلات عدم استمرارية الحدود، وهي مهمة لتحليل صور الأقمار الصناعية.
• تصنيف الصور: تصنيف قياسي للصورة كاملةً.

أمثلة على الاستخدام والشيفرة#

تجعل Python API الخاصة بـUltralytics التبديل بين النماذج بسيطًا للغاية. ونظرًا إلى اشتراك النموذجين في المنظومة نفسها التي تحظى بصيانة جيدة، فإن تحديث مسار YOLOv5 قديم إلى YOLO26 لا يتطلب سوى تغيير ملف الأوزان.

مثال Python#

from ultralytics import YOLO

# To use YOLOv5, load a v5 weights file
# model = YOLO("yolov5su.pt")

# Migrate to the recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the efficient MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # YOLO26's low memory footprint allows larger batch sizes
)

# Run an NMS-free inference
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

مثال CLI#

يمكنك نشر YOLO26 مباشرةً عبر سطر الأوامر باستخدام تكامل TensorRT لتحقيق أقصى معدل نقل عبر GPU:

# Export the model to TensorRT format
yolo export model=yolo26n.pt format=engine

# Run inference with the compiled engine
yolo predict model=yolo26n.engine source=path/to/video.mp4

حالات الاستخدام المثالية#

متى تختار YOLO26؟#

بالنسبة إلى أي مشروع حديث في الرؤية الحاسوبية، فإن YOLO26 هو الخيار الموصى به بلا منازع.

• الذكاء الاصطناعي الطرفي وإنترنت الأشياء: يجعل استدلاله على CPU الأسرع بنسبة 43% وإزالته لـDFL منه خيارًا مثاليًا للنشر على Raspberry Pi أو الأجهزة المحمولة.
• مسارات العمل عالية السرعة: تضمن البنية الخالية من NMS زمن استجابة مستقرًا وقابلًا للتنبؤ، وهو أمر بالغ الأهمية للروبوتات المستقلة وأنظمة إنذار الأمان الآنية.
• السيناريوهات المعقدة: إذا كان تطبيقك يتطلب تتبع الكائنات الصغيرة، مثل مراقبة الطائرات المسيّرة، أو الكائنات الدوّارة (OBB)، فإن دوال الخسارة المتقدمة في YOLO26 ‏(ProgLoss + STAL) توفر أفضلية هائلة في الدقة.

متى تختار YOLOv5؟#

• الأنظمة القديمة: إذا كانت بيئة الإنتاج لديك تتضمن تبعيات ثابتة على إنشاء المراسي المحدد في YOLOv5 أو منطق تحليل NMS، فقد يتطلب الانتقال فترة قصيرة لإعادة هيكلة الشيفرة.
• خطوط الأساس الأكاديمية المحددة: غالبًا ما يستخدم الباحثون YOLOv5 كخط أساس كلاسيكي لإظهار التطور التاريخي لـبنى اكتشاف الكائنات.

الملخص#

لا يُعد الانتقال من YOLOv5 إلى YOLO26 مجرد تحديث تكراري؛ بل هو قفزة جوهرية في طريقة تدريب نماذج اكتشاف الكائنات ونشرها. ومن خلال الاستفادة من مُحسِّن MuSGD، وإسقاط المعالجة اللاحقة المعقدة عبر تصميم خالٍ من NMS، وتسريع سرعات CPU بدرجة كبيرة، يقدّم Ultralytics YOLO26 توازنًا حازمًا بين السرعة والدقة.

وعلى الرغم من أن YOLOv5 سيظل دائمًا نموذجًا يُذكر بوصفه النموذج الذي أتاح الذكاء الاصطناعي البصري للجميع، فإن على المطورين الراغبين في بناء تطبيقات متينة وجاهزة للإنتاج وقابلة للصمود أمام متطلبات المستقبل أن يبنوا بثقة على YOLO26.