YOLOv5 مقابل YOLO26
تحدّد التطور في الرؤية الحاسوبية السعي المتواصل إلى نماذج أسرع وأكثر دقة وأسهل إتاحة. وتمثّل Ultralytics YOLOv5 وUltralytics YOLO26 محطتين في هذا المسار: نموذجًا قديمًا واسع الانتشار ونموذج Ultralytics الموصى به حاليًا.
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#
جعل YOLOv5، الذي صدر عام 2020، الكشف عن الأجسام أسهل وصولًا بكثير. ومن خلال تطبيق البنية محليًا ضمن إطار عمل PyTorch، أتاح للمطورين مسارًا بسيطًا يبدأ بالتثبيت وينتهي بالتدريب والنشر.
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- الوثائق: وثائق YOLOv5
أرسى YOLOv5 أساس منظومة Ultralytics النشطة الصيانة. وقدّم تقنيات قوية لزيادة البيانات وحلقات تدريب فعّالة ومسارات تصدير محسّنة بدرجة كبيرة إلى تنسيقات الأجهزة الطرفية مثل CoreML وONNX. وجعلت سهولة استخدامه واحتياجاته المنخفضة للذاكرة أثناء التدريب منه خيارًا أساسيًا للشركات الناشئة والباحثين حول العالم.
YOLO26: معيار الجيل التالي للذكاء الاصطناعي البصري#
Ultralytics YOLO26، الذي صدر في يناير 2026، هو أحدث جيل من Ultralytics YOLO. وهو يدمج الدروس المستفادة من الأجيال الوسيطة مثل YOLOv8 وYOLO11، مع تقديم تقنيات تدريب 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
يحقق YOLO26 توازنًا قويًا بين الدقة والسرعة، وقد صُمم خصيصًا لسيناريوهات الحوسبة الطرفية.
إذا كنت تنقل قاعدة شيفرة أقدم، فقد يهمك أيضًا مقارنة YOLOv5 بـ YOLO11، وهو نموذج الجيل السابق الذي يدعم مهامًا متنوعة مثل تقدير الوضعية ومربعات الإحاطة الموجّهة (OBB).
الابتكارات المعمارية في YOLO26#
بينما يعتمد YOLOv5 على رؤوس كشف قائمة على المراسي ودوال خسارة قياسية، يعيد YOLO26 تصميم الرأس ودوال الخسارة والمحسّن لإزالة اختناقات النشر.
- تصميم شامل خالٍ من NMS: يتمثل أبرز اختلاف في خيار الاستدلال الشامل الأصلي في YOLO26. فعلى خلاف YOLOv5، الذي يتطلب كبح غير الأقصى (NMS) لتصفية مربعات الإحاطة المتكررة، يتجاوز الرأس الاختياري من نوع واحد إلى واحد في YOLO26 (
nms=False) خطوة المعالجة اللاحقة هذه. وهذا يجعل زمن استجابة الاستدلال أكثر قابلية للتوقع ويبسط الدمج مع C++ أو الأجهزة المضمّنة. - إزالة DFL: يزيل YOLO26 دالة Distribution Focal Loss (DFL). ويبسط هذا الخيار المعماري تصدير النموذج ويحسّن التوافق مع الأجهزة الطرفية منخفضة الطاقة والمسرّعات التي تواجه صعوبة غالبًا مع العمليات المعقدة.
- محسّن MuSGD: استلهامًا من Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من SGD وMuon. وينقل ذلك استقرار التدريب وسرعة التقارب اللذين يميزان تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية.
- ProgLoss + STAL: يستخدم YOLO26 كلاً من ProgLoss وSTAL لتحسين كشف الأجسام الصغيرة والكثيفة، وهو تحدٍ تاريخي واجهه YOLOv5.
مقارنة الأداء#
عند مقارنة النماذج على مجموعة بيانات COCO، يحقق YOLO26 دقة أعلى (mAP) في جميع المقاييس، مع استخدام عدد أقل من المعلمات ابتداءً من الإصدار المتوسط.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
ملاحظة: يحقق YOLO26 Nano (YOLO26n) درجة mAP تبلغ 40.9 مقارنةً بـ 28.0 لـ YOLOv5n، أي مكسبًا قدره 12.9 نقطة باستخدام 0.5M معلمة إضافية فقط، بينما تبسّط إزالة DFL والرأس الخالي من NMS النشر على CPU والأجهزة الطرفية.
تعدد الاستخدامات ودعم المهام#
يشتهر YOLOv5 أساسًا بـالكشف عن الأجسام. ورغم أن التحديثات اللاحقة أضافت إمكانات أساسية للتجزئة، صُمم YOLO26 من البداية ليكون محركًا موحّدًا 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) لتحديد مواقع النقاط المفتاحية بدقة أكبر.
- مربعات الإحاطة الموجّهة (OBB): تتضمن خسارة زاوية متخصصة لمعالجة مشكلات عدم استمرارية الحدود، وهي مهمة لتحليل صور الأقمار الصناعية.
يستفيد كلا النموذجين من منصة Ultralytics، التي توفر وسم البيانات والتدريب السحابي والنشر بنقرة واحدة.
الاستخدام وأمثلة الشيفرة#
تجعل واجهة API لـ Python في Ultralytics الانتقال بين النماذج بسيطًا. ونظرًا إلى أن النموذجين يشتركان في المنظومة نفسها، جيدة الصيانة، لا يتطلب تحديث مسار عمل YOLOv5u في الحزمة ultralytics إلى YOLO26 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.mp4حالات الاستخدام المثالية#
متى تختار YOLO26#
بالنسبة إلى مشروعات الرؤية الحاسوبية الجديدة، YOLO26 هو الخيار الموصى به.
- الذكاء الاصطناعي الطرفي وإنترنت الأشياء: يجعله الاستدلال على CPU الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n) وإزالة DFL مناسبًا تمامًا للنشر على Raspberry Pi أو الأجهزة المحمولة.
- مسارات العمل عالية السرعة: يوفر الرأس الاختياري الخالي من NMS زمن استجابة أكثر قابلية للتوقع، وهو أمر مهم للروبوتات ذاتية التشغيل وأنظمة إنذار الأمان في الوقت الفعلي.
- السيناريوهات المعقدة: إذا كان تطبيقك يتطلب كشف الأجسام الصغيرة (مثل مراقبة الطائرات المسيّرة) أو الأجسام المستديرة (OBB)، فإن تحسينات التدريب في YOLO26 (ProgLoss + STAL، بالإضافة إلى دالة خسارة مخصصة للزاوية في OBB) تحسّن 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 يتجاوز كونه تحديثًا تدريجيًا؛ فهو يغيّر طريقة تدريب نماذج الكشف عن الأجسام ونشرها. وبفضل محسّن MuSGD، والرأس الاختياري الخالي من NMS الذي يلغي المعالجة اللاحقة، والاستدلال الأسرع على CPU، يحقق Ultralytics YOLO26 توازنًا قويًا بين السرعة والدقة.
يظل YOLOv5 النموذج الذي أتاح ذكاء الرؤية الاصطناعي لمجتمع واسع من المطورين، لكن ينبغي للمطورين الذين يبنون تطبيقات إنتاجية جديدة البدء باستخدام YOLO26.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.