YOLOv5 مقابل YOLO26: تطور detect الكائنات في الوقت الفعلي

لقد تميز تطور detect الكائنات بقفزات كبيرة في الكفاءة والدقة. لسنوات، ظل YOLOv5 المعيار الصناعي، محبوبًا لتوازنه بين السرعة وسهولة الاستخدام. ومع ذلك، يتغير مشهد الرؤية الحاسوبية بسرعة. يأتي YOLO26، أحدث جيل من Ultralytics، ليعيد تعريف ما هو ممكن على الأجهزة الطرفية والخوادم عالية الأداء على حد سواء.

يقدم هذا الدليل مقارنة فنية بين YOLOv5 الأسطوري وYOLO26 المتطور، بتحليل بنياتهما ومقاييس أدائهما وحالات الاستخدام المثالية لمساعدتك في اختيار الأداة المناسبة لمشروع الرؤية الحاسوبية التالي الخاص بك.

مقارنة سريعة

بينما كلا النموذجين هما نتاج التزام Ultralytics بالذكاء الاصطناعي المتاح، فإنهما يمثلان حقبتين مختلفتين من فلسفة التصميم. ركز YOLOv5 على إنشاء نظام بيئي قوي وسهل الاستخدام، بينما يدفع YOLO26 حدود زمن الاستجابة والكفاءة المعمارية.

YOLOv5: المعيار الموروث

تم إصداره في يونيو 2020 بواسطة Glenn Jocher، أحدث YOLOv5 ثورة في إمكانية الوصول إلى detect الكائنات. كان أحد النماذج الأولى التي قدمت تجربة تدريب سلسة مباشرة ضمن نظام PyTorch البيئي، مبتعدًا عن إطار عمل Darknet لأسلافه.

• التاريخ: 2020-06-26
• المؤلفون: Glenn Jocher
• المؤسسة:Ultralytics
• ميزة رئيسية: الكشف المعتمد على نقاط الارتكاز الذي يتطلب قمع غير الحد الأقصى (NMS).

يظل YOLOv5 أداة موثوقة، لا سيما للأنظمة القديمة حيث قد يكون تحديث مسار الاستدلال مكلفًا. تعتمد بنيته "القائمة على نقاط الارتكاز" على مربعات محددة مسبقًا للتنبؤ بمواقع الكائنات، وهي طريقة فعالة ولكنها تتطلب ضبطًا دقيقًا للمعاملات الفائقة.

تعرف على المزيد حول YOLOv5

YOLO26: الحدود الجديدة

صدر في يناير 2026 بواسطة غلين جوخر وجينغ كيو، يقدم YOLO26 تغييرات معمارية جذرية مصممة لعصر الذكاء الاصطناعي الحافي (Edge AI) الحديث. يبتعد عن نقاط الارتكاز والمعالجة اللاحقة المعقدة لتقديم سرعة خام دون المساس بالدقة.

• التاريخ: 2026-01-14
• المؤلفون: Glenn Jocher و Jing Qiu
• المؤسسة:Ultralytics
• ميزة رئيسية: خالٍ من NMS من البداية إلى النهاية، مُحسِّن MuSGD، إزالة DFL.

تم تصميم YOLO26 للمطورين الذين يحتاجون إلى أقصى قدر من الإنتاجية. من خلال إزالة الحاجة إلى NMS، فإنه يبسط منطق النشر ويقلل من زمن الوصول، مما يجعله الخيار الأفضل للتطبيقات في الوقت الفعلي على وحدات CPU والأجهزة المحمولة.

تعرف على المزيد حول YOLO26

مقارنة الأداء الفني

تسلط المقاييس التالية الضوء على القفزة النوعية في الأداء. أجريت الاختبارات على مجموعة بيانات COCO، وهي معيار قياسي لمهام الكشف عن الكائنات.

النقاط الرئيسية

1. كفاءة CPU: YOLO26n أسرع بـ مرتين تقريبًا على CPU من YOLOv5n مع تقديم قفزة هائلة في الدقة (28.0% مقابل 40.9% mAP). هذا أمر بالغ الأهمية لعمليات النشر على Raspberry Pi أو الأجهزة المحمولة حيث لا تتوفر موارد GPU.
2. كفاءة المعاملات: يحقق YOLO26x دقة أعلى بكثير (57.5% mAP) من YOLOv5x (50.7%) مع استخدام ما يقرب من نصف المعاملات (55.7 مليون مقابل 97.2 مليون). يقلل هذا التخفيض في حجم النموذج من متطلبات الذاكرة وتكاليف التخزين.
3. المفاضلة بين الدقة والسرعة: يتفوق إصدار "Nano" من YOLO26 على إصدار "Small" من YOLOv5 في الدقة، على الرغم من كونه فئة نموذج أصغر.

نظرة معمارية متعمقة

تنبع فجوة الأداء من اختلافات جوهرية في كيفية تعامل النماذج مع مشكلة الكشف.

1. تصميم شامل خالٍ من NMS

يستخدم YOLOv5 نهجًا تقليديًا يولد آلاف المربعات المحيطة المحتملة. تتطلب خطوة معالجة لاحقة تسمى قمع غير الحد الأقصى (NMS) لتصفية هذه المربعات وصولاً إلى الكشوف النهائية. غالبًا ما تكون هذه الخطوة بطيئة ويصعب تسريعها على أجهزة مثل FPGAs أو NPUs.

YOLO26 هو نظام متكامل بطبيعته. يستخدم استراتيجية تعيين تسمية مزدوجة أثناء التدريب تجبر النموذج على التنبؤ بمربع واحد عالي الجودة لكل كائن. هذا يلغي خطوة NMS بالكامل أثناء الاستدلال.

• الفائدة: زمن وصول أقل ومسارات نشر أبسط (لا حاجة لتطبيق NMS في C++ أو CUDA لعمليات التصدير المخصصة).
• النتيجة: استدلال CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة التي تعتمد على المعالجة اللاحقة المكثفة.

2. دوال الخسارة: إزالة DFL وProgLoss

استخدم YOLOv5 (وYOLOv8 اللاحق) خسارة التركيز التوزيعي (DFL) لتحسين حدود المربعات. على الرغم من فعاليتها، تضيف DFL عبئًا حسابيًا وتعقيدًا إلى عملية التصدير.

YOLO26 يزيل DFL، بالعودة إلى رأس انحدار مبسط يسهل تكميمه لنشر INT8. للتعويض عن أي فقدان محتمل في الدقة، يقدم YOLO26 ProgLoss (موازنة الخسارة التدريجية) وSTAL (تعيين التسمية الواعي للأهداف الصغيرة).

• STAL: يستهدف بشكل خاص مشكلة "الكائنات الصغيرة"، مما يعزز الأداء على الأهداف البعيدة أو الصغيرة—وهو ضعف شائع في إصدارات YOLO السابقة بما في ذلك v5.
• ProgLoss: يضبط وزن مكونات الخسارة المختلفة ديناميكيًا أثناء التدريب لتحقيق استقرار التقارب.

3. مُحسِّن MuSGD

كان استقرار التدريب محور اهتمام رئيسي لفريق YOLO26. بينما اعتمد YOLOv5 عادةً على مُحسِّنات SGD القياسية أو Adam، يدمج YOLO26 MuSGD، وهو مُحسِّن هجين مستوحى من Kimi K2 من Moonshot AI وتقنيات تدريب نماذج اللغة الكبيرة (LLM).

• الابتكار: يجلب استقرار تحسين Muon إلى رؤية الكمبيوتر، مما يسمح بمعدلات تعلم أعلى وتقارب أسرع دون خطر حدوث ارتفاعات مفاجئة في الخسارة.

التنوع ودعم المهام

تم دمج كلا النموذجين في نظام Ultralytics البيئي، مما يعني أنهما يدعمان مجموعة واسعة من مهام رؤية الكمبيوتر. ومع ذلك، يتضمن YOLO26 تحسينات معمارية خاصة بالمهام يفتقر إليها YOLOv5.

يوفر دعم YOLO26 لـتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) في تقدير الوضع نقاطًا رئيسية أكثر دقة بشكل ملحوظ لتتبع وضعية الإنسان، مما يجعله متفوقًا لتحليلات الرياضة وتطبيقات الرعاية الصحية.

التدريب والاستخدام

إحدى نقاط قوة نظام Ultralytics البيئي هي واجهة برمجة التطبيقات الموحدة (API). سواء كنت تستخدم YOLOv5 (عبر الحزمة الحديثة) أو YOLO26، يظل الكود متسقًا وبسيطًا.

مثال على كود python

إليك كيفية التدريب والاستدلال باستخدام كلا النموذجين باستخدام ultralytics الحزمة. لاحظ أنه بالنسبة لـ YOLOv5، تستخدم الحزمة الحديثة الأوزان yolov5u (المكيفة بدون نقاط ارتكاز) افتراضيًا لتوافق أفضل، لكن المقارنة تنطبق على المعمارية.

from ultralytics import YOLO

# Load the models
model_v5 = YOLO("yolov5s.pt")  # Legacy standard
model_26 = YOLO("yolo26n.pt")  # New NMS-free standard

# Comparison: Inference on an image
# YOLO26 requires no NMS post-processing arguments in export/deployment
results_v5 = model_v5("https://ultralytics.com/images/bus.jpg")
results_26 = model_26("https://ultralytics.com/images/bus.jpg")

# Print results to see speed differences
print(f"YOLOv5 Speed: {results_v5[0].speed}")
print(f"YOLO26 Speed: {results_26[0].speed}")

# Train YOLO26 on custom data
# The MuSGD optimizer is handled automatically
results = model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

تعمل منصة Ultralytics (المعروفة سابقًا باسم HUB) على تبسيط ذلك بشكل أكبر من خلال السماح لك بإدارة مجموعات البيانات وتدريب كلا النموذجين في السحابة دون كتابة تعليمات برمجية، على الرغم من أن YOLO26 هو الافتراضي الموصى به للمشاريع الجديدة التي يتم إنشاؤها على المنصة.

النشر والنظام البيئي

يمتلك YOLOv5 نظامًا بيئيًا قديمًا ضخمًا. توجد آلاف البرامج التعليمية، ومستودعات الطرف الثالث، وتكاملات الأجهزة المكتوبة خصيصًا لـ yolov5 التنسيقات. إذا كنت تعمل مع خط أنابيب أجهزة قديم وصارم يتطلب بدقة شكل tensor الإخراج المحدد لـ YOLOv5، فإنه يظل خيارًا قابلاً للتطبيق.

ومع ذلك، للنشر الحديث، يقدم YOLO26 خيارات تصدير متفوقة.

• الذكاء الاصطناعي على الحافة (Edge AI): إن إزالة DFL و NMS يجعل تحويل نماذج YOLO26 أسهل بكثير إلى تنسيقات مثل TensorRT و OpenVINO.
• الكمّية (Quantization): تم تصميم YOLO26 ليكون صديقًا للكمّية، محتفظًا بدقة أعلى عند تحويله إلى INT8 لمعالجات الأجهزة المحمولة.

الخلاصة

بينما يظل YOLOv5 نموذجًا أسطوريًا أضفى الطابع الديمقراطي على اكتشاف الكائنات، يمثل YOLO26 المستقبل. بفضل تصميمه الشامل الخالي من NMS، وإزالة دوال الخسارة الثقيلة، وتكامل المحسّنات المستوحاة من نماذج اللغة الكبيرة (LLM) مثل MuSGD، يقدم YOLO26 ملف أداء لا يمكن لـ YOLOv5 مجاراته ببساطة.

للمطورين الذين يبدأون مشاريع جديدة، YOLO26 هو التوصية الواضحة. إنه يوفر دقة أعلى بزمن انتقال أقل، واستخدامًا مخفضًا للذاكرة، ومسار نشر أبسط.

تعليقات