YOLOv5 مقابل YOLO26#

تحدّد تطوّر الرؤية الحاسوبية بدفعٍ متواصل نحو نماذج أسرع وأكثر دقة وأسهل إتاحة. وعند مقارنة Ultralytics YOLOv5 بـUltralytics YOLO26 المتطور، فإننا نشهد تحولًا نوعيًا يسد الفجوة بين الأنظمة الراسخة والقديمة وأحدث ما توصل إليه نشر الذكاء الاصطناعي الحديث.

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

نظرة عامة على النماذج#

YOLOv5: حصان العمل في القطاع#

أُطلق YOLOv5 في عام 2020، وأحدث ثورة في إتاحة كشف الأجسام. ومن خلال نقل البنية بشكل أصيل إلى إطار عمل PyTorch، أتاح للمطورين تجربة غير مسبوقة للانتقال من الصفر إلى الاحتراف.

• المؤلف: Glenn Jocher
• الجهة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• الوثائق: وثائق YOLOv5

أرسى YOLOv5 أسس منظومة Ultralytics التي تحظى بصيانة مكثفة. وقدّم تقنيات قوية لزيادة البيانات، وحلقات تدريب فعالة، ومسارات تصدير محسّنة للغاية إلى تنسيقات الأجهزة الطرفية مثل CoreML وONNX. وجعلته سهولة استخدامه ومتطلباته المنخفضة للذاكرة أثناء التدريب خيارًا أساسيًا للشركات الناشئة والباحثين في جميع أنحاء العالم.

YOLO26: معيار الجيل التالي للذكاء الاصطناعي البصري#

لننتقل سريعًا إلى يناير 2026: يمثّل Ultralytics YOLO26 ذروة الذكاء الاصطناعي البصري الآني. فهو يدمج أصيلًا الدروس المستفادة من الأجيال الوسيطة مثل YOLOv8 وYOLO11، ويقدّم في الوقت نفسه إنجازات كبرى مستوحاة من تدريب نماذج اللغة الكبيرة (LLM).

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

يضع YOLO26 معيارًا جديدًا لتوازن الأداء، إذ يوفّر دقة متطورة، وقد صُمم خصيصًا للتفوق في سيناريوهات الحوسبة الطرفية.

إنجازات معمارية في YOLO26#

بينما يعتمد YOLOv5 على رؤوس كشف تستند إلى المراسي ودوال خسارة معيارية، يعيد YOLO26 تصميم آلياته الداخلية بالكامل لإزالة عوائق النشر.

1. تصميم شامل من البداية إلى النهاية دون NMS: يتمثل أبرز اختلاف في خيار الاستدلال الشامل من البداية إلى النهاية المدمج في YOLO26. فعلى خلاف YOLOv5، الذي يتطلب كبت غير الأعظميات (NMS) لتصفية مربعات الإحاطة المتكررة، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) خطوة المعالجة اللاحقة هذه بالكامل. ويضمن ذلك زمن استدلال حتميًا ويبسّط إلى حد كبير التكامل مع C++ أو الأجهزة المضمّنة.
2. إزالة DFL: يزيل YOLO26 خسارة البؤرة التوزيعية (DFL). ويبسّط هذا الخيار المعماري تصدير النموذج بدرجة كبيرة، ويعزز التوافق مع الأجهزة الطرفية منخفضة الطاقة والمتحكمات الدقيقة التي غالبًا ما تواجه صعوبة مع العمليات المعقدة.
3. محسّن MuSGD: استلهامًا من Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من SGD وMuon. وينقل ذلك الاستقرار وسرعة التقارب اللذين يظهران في تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يؤدي إلى خفض استهلاك الذاكرة وتسريع دورات التدريب مقارنة بالنماذج المعتمدة بكثافة على Transformer.
4. ProgLoss + STAL: يستخدم YOLO26 دوال ProgLoss وSTAL المتطورة، ما يحسّن بدرجة كبيرة قدرته على كشف الأجسام الصغيرة والكثيفة، وهي تحدٍ تاريخي واجهه YOLOv5.

مقارنة الأداء#

عند مقارنة النماذج على مجموعة بيانات COCO، يُظهر YOLO26 تحسينات كبيرة في الدقة (mAP) على جميع المقاييس، مع استخدام عدد أقل من المعلمات بدءًا من الإصدار المتوسط.

ملاحظة: يحقق YOLO26 Nano (YOLO26n) قيمة mAP مذهلة تبلغ 40.9 مقارنةً بـ28.0 لـYOLOv5n، أي زيادة قدرها 12.9 نقطة مقابل 0.5 مليون معلمة إضافية فقط؛ كما أن إزالة DFL والرأس الخالي من NMS يبسّطان النشر على CPU والأجهزة الطرفية.

تعدد الاستخدامات ودعم المهام#

يشتهر YOLOv5 أساسًا بـكشف الأجسام. وعلى الرغم من أن التحديثات اللاحقة أضافت إمكانات أساسية للتجزئة، فقد صُمم YOLO26 منذ البداية ليكون محركًا موحدًا متعدد المهام.

يدعم YOLO26 بطبيعته ما يلي:

• تجزئة الكائنات: تتضمن نماذج أولية متعددة المقاييس خاصة بالمهمة وخسارة التجزئة الدلالية.
• التجزئة الدلالية: تصنيف كثيف للفئات على مستوى كل بكسل.
• تقدير العمق: التنبؤ بالعمق لكل بكسل انطلاقًا من صورة واحدة.
• تصنيف الصور: تصنيف قياسي للصورة كاملة.
• تقدير الوضعية: استخدام تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لكشف النقاط المفتاحية بدقة عالية.
• مربعات الإحاطة الموجّهة (OBB): تتضمن خسارة زاوية متخصصة لمعالجة مشكلات عدم استمرارية الحدود، وهي مهمة لتحليل صور الأقمار الصناعية.

الاستخدام وأمثلة الشيفرة#

تجعل واجهة Python البرمجية من Ultralytics الانتقال بين النماذج سهلًا للغاية. وبما أن كلا النموذجين يشتركان في المنظومة نفسها التي تحظى بصيانة جيدة، فإن تحديث مسار عمل قديم من YOLOv5 إلى YOLO26 لا يتطلب سوى تغيير ملف الأوزان.

مثال Python#

from ultralytics import YOLO

# ⁨لاستخدام YOLOv5، حمّل ملف أوزان v5⁩
# model = YOLO("yolov5su.pt")

# ⁨انتقل إلى نموذج YOLO26 الموصى به⁩
model = YOLO("yolo26n.pt")

# ⁨درّب على مجموعة بيانات COCO8؛ ويختار optimizer="auto" محسّن MuSGD للتشغيلات الأطول (>10k iterations)⁩
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # ⁨تتيح البصمة المنخفضة للذاكرة في YOLO26 استخدام أحجام دفعات أكبر⁩
)

# ⁨نفّذ استدلالًا خاليًا من NMS⁩
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
predictions[0].show()

مثال CLI#

يمكنك نشر YOLO26 مباشرةً عبر سطر الأوامر باستخدام تكامل TensorRT لتحقيق أقصى معدل نقل على 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#

في أي مشروع حديث للرؤية الحاسوبية، YOLO26 هو الخيار الموصى به بلا منازع.

• الذكاء الاصطناعي الطرفي وإنترنت الأشياء: إن استدلاله على CPU الأسرع بنسبة تصل إلى 43% من YOLO11n وإزالة DFL يجعلان منه مثاليًا للنشر على Raspberry Pi أو الأجهزة المحمولة.
• مسارات العمل عالية السرعة: تضمن البنية الخالية من NMS زمن استجابة ثابتًا ويمكن التنبؤ به، وهو أمر بالغ الأهمية للروبوتات ذاتية التشغيل وأنظمة إنذار الأمان الآنية.
• السيناريوهات المعقدة: إذا كان تطبيقك يتطلب تتبع الأجسام الصغيرة (مثل مراقبة الطائرات المسيّرة) أو الأجسام الدوارة (OBB)، فإن دوال الخسارة المتقدمة في YOLO26 (ProgLoss + STAL) توفر ميزة كبيرة في الدقة.

متى تختار YOLOv5#

• الأنظمة القديمة: إذا كانت بيئة الإنتاج لديك تعتمد اعتمادًا ثابتًا على آليات توليد المراسي المحددة في YOLOv5 أو منطق تحليل NMS، فقد يتطلب الانتقال فترة وجيزة لإعادة هيكلة الشيفرة.
• خطوط الأساس الأكاديمية المحددة: غالبًا ما يستخدم الباحثون YOLOv5 بوصفه خط أساس كلاسيكيًا لإظهار التطور التاريخي لـبنى كشف الأجسام.

الملخص#

إن الانتقال من YOLOv5 إلى YOLO26 ليس مجرد تحديث تكراري؛ بل هو قفزة جوهرية في طريقة تدريب نماذج كشف الأجسام ونشرها. ومن خلال الاستفادة من محسّن MuSGD، والاستغناء عن المعالجة اللاحقة المعقدة عبر تصميم خالٍ من NMS، وتسريع أداء CPU بدرجة كبيرة، يوفّر Ultralytics YOLO26 توازنًا لا مساومة فيه بين السرعة والدقة.

سيظل YOLOv5 معروفًا دائمًا بأنه النموذج الذي أتاح الذكاء الاصطناعي البصري للجميع، لكن على المطورين الراغبين في بناء تطبيقات متينة وجاهزة للإنتاج ومواكبة للمستقبل أن يبنوا بثقة على YOLO26.