مقارنة بين YOLOv5 و YOLO26#

لقد تم تحديد تطور رؤية الكمبيوتر من خلال السعي المستمر لتوفير نماذج أسرع وأكثر دقة وأسهل في الوصول. عند مقارنة Ultralytics YOLOv5 مع Ultralytics YOLO26 المتطور، فإننا ننظر إلى تحول جذري يسد الفجوة بين الأنظمة القديمة القوية وأحدث ما توصل إليه نشر الذكاء الاصطناعي الحديث.

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

نظرة عامة على النماذج#

YOLOv5: حصان العمل في الصناعة#

في عام 2020، أحدثت YOLOv5 ثورة في سهولة الوصول إلى اكتشاف الكائنات. من خلال نقل البنية بشكل أصلي إلى إطار عمل PyTorch، فقد وفرت للمطورين تجربة "من الصفر إلى الاحتراف" لم يسبق لها مثيل.

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

وضعت YOLOv5 الأساس لنظام Ultralytics البيئي الذي يتم صيانته بشكل مكثف. فقد قدمت تقنيات تعزيز البيانات العدوانية، ودورات التدريب الفعالة، ومسارات التصدير المحسنة للغاية لتنسيقات الحافة مثل CoreML وONNX. لقد جعلتها سهولة استخدامها ومتطلبات الذاكرة المنخفضة أثناء التدريب العنصر الأساسي للشركات الناشئة والباحثين في جميع أنحاء العالم.

اعرف المزيد عن YOLOv5

YOLO26: الجيل التالي من معيار رؤية الذكاء الاصطناعي#

بالانتقال سريعًا إلى يناير 2026، يمثل Ultralytics YOLO26 ذروة ذكاء الرؤية في الوقت الفعلي. فهو يدمج بشكل أصلي الدروس المستفادة من الأجيال المتوسطة مثل YOLOv8 وYOLO11، مع تقديم إنجازات هائلة مستوحاة من تدريب نماذج اللغات الكبيرة (LLM).

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

الاختراقات 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.

مقارنة الأداء#

عند مقارنة النماذج على COCO dataset، يُظهر YOLO26 تحسينات هائلة في الدقة (mAP) مع تقليل أعداد المعلمات وسرعات الاستدلال على وحدة المعالجة المركزية (CPU) في نفس الوقت.

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.

تعدد الاستخدامات ودعم المهام#

تشتهر YOLOv5 في المقام الأول بـ object detection. وفي حين قدمت التحديثات لاحقًا تجزئة أساسية، فقد تم بناء YOLO26 من الصفر ليكون محركًا موحدًا 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.
• المربعات المحيطية الموجهة (OBB): تتضمن خسارة زاوية متخصصة لحل مشاكل عدم استمرار الحدود، وهو أمر بالغ الأهمية لـ satellite image analysis.
• تصنيف الصور (Image Classification): تصنيف قياسي للصورة الكاملة.

أمثلة 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.

مثال 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()

مثال CLI#

يمكنك نشر YOLO26 مباشرة عبر سطر الأوامر باستخدام تكامل TensorRT لتحقيق أقصى إنتاجية لوحدة معالجة الرسومات (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 لأي مشروع حديث في رؤية الحاسوب، YOLO26 هو التوصية التي لا جدال فيها.

• الذكاء الاصطناعي على الحافة وإنترنت الأشياء (IoT): بفضل استدلال وحدة المعالجة المركزية (CPU) الأسرع بنسبة 43% وإزالة DFL، فهو مثالي للنشر على Raspberry Pi أو الأجهزة المحمولة.
• خطوط الأنابيب عالية السرعة: تضمن البنية الخالية من NMS زمن وصول مستقرًا وقابلًا للتنبؤ، وهو أمر بالغ الأهمية للروبوتات المستقلة وsecurity alarm systems في الوقت الفعلي.
• السيناريوهات المعقدة: إذا كان تطبيقك يتطلب تتبع كائنات صغيرة (على سبيل المثال، drone monitoring) أو كائنات دوارة (OBB)، فإن وظائف الخسارة المتقدمة في YOLO26 (ProgLoss + STAL) توفر ميزة دقة هائلة.

متى 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.
• الخطوط الأساسية الأكاديمية المحددة: غالبًا ما يستخدم الباحثون YOLOv5 كخط أساس كلاسيكي لإظهار التقدم التاريخي لـ object detection architectures.

ملخص#

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.