Link to this sectionمقارنة بين YOLOv5 و YOLO26#

لقد تم تحديد تطور رؤية الحاسوب من خلال السعي المستمر لنماذج أسرع وأكثر دقة وسهولة في الوصول إليها. عند مقارنة Ultralytics YOLOv5 بنموذج Ultralytics YOLO26 المتطور، فإننا ننظر إلى تحول جذري يجسّر الفجوة بين الأنظمة القديمة القوية وأحدث تقنيات نشر الذكاء الاصطناعي.

يوفر هذا الدليل تحليلاً تقنياً شاملاً لكلا البنيتين، مع تسليط الضوء على مقاييس الأداء والاختلافات الهيكلية وسيناريوهات النشر المثالية.

Link to this sectionنظرة عامة على النماذج#

Link to this sectionYOLOv5: حصان العمل في الصناعة#

عند إصداره في عام 2020، أحدث YOLOv5 ثورة في إمكانية الوصول إلى الكشف عن الأشياء. من خلال نقل البنية أصلياً إلى إطار عمل PyTorch، منح المطورين تجربة "من الصفر إلى الاحتراف" غير مسبوقة.

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

وضع YOLOv5 الأساس لنظام Ultralytics البيئي الذي يتمتع بصيانة عالية. قدم تقنيات معززة للبيانات، وحلقات تدريب فعالة، ومسارات تصدير محسنة للغاية لتنسيقات الحافة مثل CoreML و ONNX. جعلت سهولة استخدامه ومتطلبات الذاكرة المنخفضة أثناء التدريب منه عنصراً أساسياً للشركات الناشئة والباحثين في جميع أنحاء العالم.

اعرف المزيد عن YOLOv5

Link to this sectionYOLO26: الجيل التالي من معيار رؤية الذكاء الاصطناعي#

بالانتقال إلى يناير 2026، يمثل Ultralytics YOLO26 ذروة الذكاء الاصطناعي البصري في الوقت الفعلي. فهو يدمج أصلياً الدروس المستفادة من الأجيال المتداخلة مثل YOLOv8 و YOLO11، بينما يقدم اختراقات هائلة مستوحاة من تدريب النماذج اللغوية الكبيرة (LLM).

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• التوثيق: توثيق YOLO26

يضع YOLO26 معياراً جديداً لتوازن الأداء، حيث يقدم دقة متطورة مع هندسته بشكل صريح للسيطرة على سيناريوهات الحوسبة الطرفية.

تعرف على المزيد حول YOLO26

Link to this sectionالاختراقات الهيكلية في YOLO26#

بينما يعتمد YOLOv5 على رؤوس كشف قائمة على المراسي ووظائف خسارة قياسية، يقوم YOLO26 بإصلاح الآليات الداخلية بالكامل للقضاء على اختناقات النشر.

1. تصميم شامل خالٍ من NMS: الاختلاف الأكثر أهمية هو بنية YOLO26 الشاملة أصلياً. على عكس YOLOv5، الذي يتطلب قمعاً غير أقصى (NMS) يدوياً لتصفية صناديق التحديد الزائدة، يلغي YOLO26 خطوة ما بعد المعالجة هذه تماماً. هذا يضمن زمن وصول حتمي للاستدلال ويبسط بشكل كبير التكامل في C++ أو الأجهزة المدمجة.
2. إزالة DFL: يزيل YOLO26 خسارة التوزيع البؤري (DFL). هذا الاختيار الهيكلي يبسط بشكل كبير تصدير النموذج ويعزز التوافق مع أجهزة الحافة منخفضة الطاقة والمتحكمات الدقيقة التي غالباً ما تعاني من التعامل مع المعاملات المعقدة.
3. مُحسِّن MuSGD: مستفيداً من دروس Moonshot AI Kimi K2، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD و Muon. هذا يجلب الاستقرار والتقارب السريع الذي يظهر في تدريب النماذج اللغوية الكبيرة إلى رؤية الحاسوب، مما يؤدي إلى انخفاض استخدام الذاكرة ودورات تدريب أسرع مقارنة بالنماذج الكثيفة بالمحولات.
4. ProgLoss + STAL: يستخدم YOLO26 وظائف ProgLoss و STAL المتطورة، مما يحسن بشكل كبير قدرته على اكتشاف الأشياء الصغيرة والكثيفة - وهو تحدٍ تاريخي بالنسبة لـ YOLOv5.

Link to this sectionمقارنة الأداء#

عند مقارنة النماذج على مجموعة بيانات COCO، يعرض YOLO26 تحسينات هائلة في الدقة (mAP) بينما يقلل في الوقت نفسه من أعداد المعاملات وسرعات استدلال CPU.

ملاحظة: يحقق YOLO26 Nano (YOLO26n) نسبة mAP مذهلة تبلغ 40.9 مقارنة بـ 28.0 لـ YOLOv5n، كل ذلك مع توفير استدلال CPU أسرع بنسبة تصل إلى 43% بسبب إزالة DFL والرأس الخالي من NMS.

Link to this sectionتعدد الاستخدامات ودعم المهام#

يشتهر YOLOv5 في المقام الأول بـ اكتشاف الأشياء. بينما قدمت التحديثات اللاحقة تجزيئاً أساسياً، تم بناء YOLO26 من الصفر ليكون محركاً موحداً متعدد المهام.

يدعم YOLO26 أصلياً:

• تجزيء المثيلات (Instance Segmentation): يتميز ببروتوز متعدد المقاييس خاص بالمهمة وخسارة تجزيء دلالي.
• تقدير الوضعية (Pose Estimation): استخدام تقدير احتمالية اللوغاريتم المتبقي (RLE) لاكتشاف دقيق للغاية للنقاط الرئيسية.
• صناديق التحديد الموجهة (OBB): بما في ذلك خسارة الزاوية المتخصصة لحل مشاكل انقطاع الحدود، وهو أمر بالغ الأهمية لـ تحليل صور الأقمار الصناعية.
• تصنيف الصور (Image Classification): تصنيف قياسي للصورة الكاملة.

Link to this sectionأمثلة على الاستخدام والبرمجة#

تجعل واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics التبديل بين النماذج بسيطاً للغاية. ولأن كلا النموذجين يتشاركان في نفس النظام البيئي الذي يتم صيانته جيداً، فإن تحديث مسار عمل YOLOv5 القديم إلى YOLO26 يتطلب فقط تغيير ملف الأوزان.

Link to this sectionمثال بايثون#

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()

Link to this sectionمثال CLI#

يمكنك نشر YOLO26 مباشرة عبر سطر الأوامر باستخدام تكامل TensorRT للحصول على أقصى إنتاجية 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

Link to this sectionحالات الاستخدام المثالية#

Link to this sectionمتى تختار YOLO26#

بالنسبة لأي مشروع حديث في رؤية الحاسوب، YOLO26 هو التوصية التي لا جدال فيها.

• الذكاء الاصطناعي للحافة وإنترنت الأشياء (IoT): استدلال CPU أسرع بنسبة 43% وإزالة DFL تجعله مثالياً للنشر على Raspberry Pi أو الأجهزة المحمولة.
• مسارات العمل عالية السرعة: تضمن البنية الخالية من NMS زمن وصول مستقراً ومتوقعاً، وهو أمر بالغ الأهمية للروبوتات المستقلة و أنظمة إنذار الأمان في الوقت الفعلي.
• السيناريوهات المعقدة: إذا كان تطبيقك يتطلب تتبع أشياء صغيرة (مثل مراقبة الطائرات بدون طيار) أو أشياء دوارة (OBB)، فإن وظائف الخسارة المتقدمة في YOLO26 (ProgLoss + STAL) توفر ميزة دقة هائلة.

Link to this sectionمتى تختار YOLOv5#

• الأنظمة القديمة: إذا كانت بيئة الإنتاج لديك تحتوي على تبعيات مشفرة في YOLOv5 تتعلق بتوليد المراسي أو منطق تحليل NMS، فقد تتطلب الترحيل فترة إعادة هيكلة قصيرة.
• خطوط الأساس الأكاديمية المحددة: غالباً ما يستخدم الباحثون YOLOv5 كخط أساس كلاسيكي لإثبات التطور التاريخي لـ بنيات اكتشاف الأشياء.

Link to this sectionملخص#

الانتقال من YOLOv5 إلى YOLO26 ليس مجرد تحديث تكراري؛ إنه قفزة جوهرية في كيفية تدريب نماذج اكتشاف الأشياء ونشرها. من خلال الاستفادة من مُحسِّن MuSGD، وإسقاط المعالجة اللاحقة المعقدة عبر تصميم خالٍ من NMS، وتسريع سرعات CPU بشكل كبير، يقدم Ultralytics YOLO26 توازناً لا يضاهى بين السرعة والدقة.

بينما سيظل YOLOv5 دائماً في الذاكرة كنموذج أضفى الطابع الديمقراطي على الذكاء الاصطناعي البصري، يجب على المطورين الذين يتطلعون إلى بناء تطبيقات قوية وجاهزة للإنتاج ومستعدة للمستقبل أن يبنوا بثقة على YOLO26.