YOLOv8 YOLO26: تطور تقني للذكاء الاصطناعي للرؤية في الوقت الفعلي

في عالم الرؤية الحاسوبية سريع التطور، فإن التطور من YOLOv8 إلى YOLO26 يمثل قفزة كبيرة إلى الأمام في الكفاءة والسرعة وتحسين البنية. في حين أن YOLOv8 معيار الصناعة للتنوع وسهولة الاستخدام عند إصداره في عام 2023، فإن إصدار YOLO26 في عام 2026 يقدم تغييرات رائدة مثل الكشف الشامل NMS والتحسين المستوحى من LLM.

يقدم هذا الدليل مقارنة تقنية متعمقة لمساعدة المطورين والباحثين والمهندسين على اختيار النموذج المناسب لاحتياجاتهم الخاصة في مجال النشر.

نظرات عامة على النموذج

Ultralytics YOLOv8

المؤلفون: جلين جوشر، أيوش شوراسيا، وجينغ تشيو
المنظمة:Ultralytics
التاريخ: 2023-01-10
GitHub:ultralytics
الوثائق:YOLOv8

صدر في أوائل عام 2023، YOLOv8 إعادة تعريف تجربة المستخدم للذكاء الاصطناعي البصري. فقد قدم إطارًا موحدًا لاكتشاف الكائنات وتقسيم الحالات وتقدير الوضع والتصنيف. وهو مبني على PyTorch ويتميز برأس اكتشاف خالٍ من المراسي وخط أنابيب لتعزيز البيانات الموزاييكية أصبح معيارًا للسرعة والدقة المتوازنة.

تعرف على المزيد حول YOLOv8

Ultralytics YOLO26

المؤلفون: جلين جوشر وجينغ تشيو
المنظمة:Ultralytics
التاريخ: 2026-01-14
GitHub:ultralytics
الوثائق:وثائق YOLO26

YOLO26 هو أحدث إصدار من Ultralytics وهو مصمم لتلبية الطلب المتزايد على الأداء المُحسّن للحافة. وقد كان رائدًا في مجال البنية الأصلية الشاملة NMS ، مما يلغي الحاجة إلى خطوات المعالجة اللاحقة التي غالبًا ما تعيق الاستدلال. بفضل التحسينات مثل مُحسِّن MuSGD وإزالة Distribution Focal Loss (DFL)، يوفر YOLO26 CPU أسرع بنسبة تصل إلى 43٪ CPU مقارنةً بالأجيال السابقة.

تعرف على المزيد حول YOLO26

الاختلافات المعمارية

ينطوي الانتقال من YOLOv8 YOLO26 على تغييرات جوهرية في كيفية معالجة الشبكة للصور وتعلمها من البيانات.

1. تصميم شامل خالٍ من NMS

أحد أهم الاختلافات هو التعامل مع مربعات الحدود المكررة.

YOLOv8: يعتمد على تقنية Non-Maximum Suppression (NMS) أثناء المعالجة اللاحقة لتصفية المربعات المتداخلة. على الرغم من فعالية NMS تباينًا في زمن الاستجابة وتعقيدًا في النشر، خاصة على الأجهزة غير القياسية.
YOLO26: يعتمد نهجًا أصليًا شاملاً مشابهًا لـ YOLOv10. من خلال تدريب النموذج على إخراج مربع واحد فقط لكل كائن، فإنه يزيل NMS تمامًا. وينتج عن ذلك زمن انتقال حتمي وخطوط أنابيب تصدير أبسط إلى تنسيقات مثل TensorRT و CoreML.

أهمية التخلص من NMS

إزالة NMS عامل تغيير قواعد اللعبة بالنسبة لنشر الحافة. فهو يقلل من العبء الحسابي على وحدات المعالجة المركزية ويضمن اتساق وقت استدلال النموذج بغض النظر عن عدد الكائنات المكتشفة في المشهد.

2. دوال الخسارة والتحسين

يستخدم YOLO26 الدروس المستفادة من تدريب نموذج اللغة الكبيرة (LLM) لتحسين الاستقرار والتقارب.

ProgLoss + STAL: يستخدم YOLO26 ProgLoss و STAL (Soft Target Assignment Loss)، اللذين يوفران تدرجات أكثر سلاسة ومعالجة أفضل للعينات الصعبة، خاصةً بالنسبة لاكتشاف الأجسام الصغيرة.
محسّن MuSGD: مستوحى من Kimi K2 من Moonshot AI، يجمع محسّن MuSGD SGD مزايا SGD الزخم المشابهة لمحسّن Muon. تعمل هذه الابتكار على استقرار التدريب بمعدلات تعلم أعلى، مما يقلل من إجمالي وقت التدريب.
إزالة DFL: YOLOv8 خسارة بؤرية التوزيع (DFL) لتحسين حدود المربع. يزيل YOLO26 DFL لتبسيط بنية الأجهزة الطرفية، مما يقلل من عدد قنوات الإخراج ومساحة الذاكرة دون التضحية بالدقة.

3. تحسينات خاصة بالمهام

بينما YOLOv8 مهام متعددة بشكل عام، يضيف YOLO26 تحسينات متخصصة:

التجزئة: يقدم خسارة التجزئة الدلالية ووحدات بروتو متعددة المقاييس للحصول على حدود أقنعة أكثر وضوحًا.
الوضع: يستخدم تقدير احتمالية السجل المتبقي (RLE) لالتقاط عدم اليقين في تحديد مواقع النقاط الرئيسية بشكل أفضل.
OBB: يعالج حالات عدم الاستمرارية في الحدود في مهام Oriented Bounding Box باستخدام خسارة زاوية متخصصة.

مقارنة الأداء

فيما يلي مقارنة مفصلة لمقاييس الأداء على COCO . يُظهر YOLO26 سرعة وكفاءة فائقتين في جميع نطاقات النماذج.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

ملاحظة: يحقق YOLO26n انخفاضًا ملحوظًا بنسبة 43٪ في CPU مقارنةً بـ YOLOv8n تحسين الدقة بنسبة 3.6 mAP في الوقت نفسه.

التدريب وسهولة الاستخدام

يستفيد كلا النموذجين من Ultralytics القوي، المعروف ببساطته التي تسمح بالانتقال من الصفر إلى القمة.

سهولة الاستخدام والنظام البيئي

سواء اخترت YOLOv8 YOLO26، ستتمكن من الوصول إلى نفس واجهة برمجة التطبيقات الموحدة. التبديل بين النماذج سهل للغاية، فهو لا يتطلب سوى تغيير سلسلة في الكود الخاص بك.

from ultralytics import YOLO

# Load YOLOv8
model_v8 = YOLO("yolov8n.pt")

# Load YOLO26 (Recommended)
model_26 = YOLO("yolo26n.pt")

# Training is identical
model_26.train(data="coco8.yaml", epochs=100)

كلا النموذجين متكاملان تمامًا مع Ultralytics (المعروفة سابقًا باسم HUB)، مما يتيح إدارة سلسة لمجموعات البيانات والتدريب السحابي والنشر بنقرة واحدة.

كفاءة التدريب

YOLOv8 فعال للغاية ولكنه يتطلب عادةً AdamW SGD AdamW القياسية. غالبًا ما يتقارب YOLO26، بمحسّن MuSGD الخاص به، بشكل أسرع، مما يوفر GPU قيّمة. بالإضافة إلى ذلك، يتطلب YOLO26 عمومًا CUDA أقل أثناء التدريب مقارنةً بالبنى الثقيلة المحوّلة مثل RT-DETR، مما يتيح للمستخدمين تدريب مجموعات أكبر على وحدات معالجة الرسومات (GPU) الاستهلاكية مثل NVIDIA 3060 أو 4090.

حالات الاستخدام المثالية

متى يجب الاستمرار في استخدام YOLOv8

المشاريع القديمة: إذا كان لديك خط إنتاج مستقر تم إنشاؤه بالفعل حول YOLOv8 يمكنك تحمل وقت التحقق من الصحة للترقية.
أساسيات البحث: YOLOv8 أساسًا أكاديميًا قياسيًا للمقارنة نظرًا لانتشار استخدامه واستشهاداته.

متى يجب الترقية إلى YOLO26

نشر الحافة: بالنسبة للتطبيقات التي تعمل على Raspberry Pi أو الأجهزة المحمولة أو الأنظمة المدمجة، فإن CPU بنسبة 43٪ أمر بالغ الأهمية.
الكمون في الوقت الفعلي: إذا كان تطبيقك (مثل القيادة الذاتية أو الروبوتات) يتطلب كمونًا حتميًا، فإن التصميم NMS يزيل التذبذب الناتج عن المعالجة اللاحقة في المشاهد المزدحمة.
متطلبات الدقة العالية: يتفوق YOLO26 باستمرار على YOLOv8 mAP جميع المقاييس، مما يجعله الخيار الأفضل للمهام التي تتطلب دقة عالية مثل التصوير الطبي أو الكشف عن العيوب.

الخلاصة

بينما YOLOv8 أداة قوية ومتعددة الاستخدامات، فإن YOLO26 يمثل مستقبل الرؤية الحاسوبية الفعالة. من خلال الجمع بين سهولة استخدام Ultralytics والابتكارات المعمارية المتطورة مثل الكشف NMS والتحسين المستوحى من LLM، يوفر YOLO26 مسار ترقية جذاب.

بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، فإن YOLO26 هو الخيار الموصى به، حيث يوفر أفضل توازن بين السرعة والدقة وكفاءة الموارد المتاحة في عام 2026.

مزيد من القراءة

استكشف نماذج أخرى مثل YOLO11 للمقارنة.
تعرف على كيفية تصدير النماذج إلى ONNX TensorRT.
تحقق من Ultralytics للحصول على أحدث البرامج التعليمية ودراسات الحالة.