YOLOv8 مقابل YOLO26#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة خلال السنوات القليلة الماضية. ومن بين أكثر البنى شيوعًا للتطبيقات الفورية النماذج التي طورتها Ultralytics. يقدم هذا الدليل الشامل مقارنة تقنية مفصلة بين Ultralytics YOLOv8 الرائد وUltralytics YOLO26 الأحدث والأكثر تطورًا. وسنحلل بنيتيهما ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك على اختيار النموذج المناسب لنشرك.

نظرة عامة على النماذج#

يمثل كل من YOLOv8 وYOLO26 محطتين مهمتين في عائلة نماذج YOLO. وهما يشتركان في فلسفة Ultralytics الأساسية: توفير نماذج سريعة ودقيقة وسهلة الاستخدام للغاية عبر بيئة Python وواجهة برمجية موحّدتَين.

YOLOv8: المعيار متعدد الاستخدامات#

صدر YOLOv8 في أوائل عام 2023، وقدّم إصلاحًا شاملًا لمنظومة YOLO، مع تصميم لا يعتمد على المراسي ودعم قوي لمهام متعددة في الرؤية الحاسوبية.

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: مستودع Ultralytics
• الوثائق: وثائق YOLOv8

سرعان ما أصبح YOLOv8 معيارًا صناعيًا بفضل التوازن الممتاز بين الأداء والتكامل العميق مع منظومة Ultralytics. ويدعم أصليًا اكتشاف الكائنات وتجزئة الكائنات وتقدير الوضعية وتصنيف الصور. لكنه يعتمد على كبت غير الأعظميات (NMS) القياسي للمعالجة اللاحقة، ما قد يؤدي إلى اختناقات في زمن الاستجابة ضمن بيئات الحوسبة الطرفية شديدة التقييد.

YOLO26: قوة الجيل التالي للحوسبة الطرفية#

صدر YOLO26 في يناير 2026، واستند إلى الأساس الذي أرساه أسلافه مع تحسينات مكثفة لسيناريوهات النشر الحديثة، ولا سيما في الذكاء الاصطناعي الطرفي والأجهزة منخفضة الطاقة.

• المؤلفان: Glenn Jocher وJing Qiu
• الجهة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: مستودع Ultralytics
• الوثائق: وثائق YOLO26

يقدم YOLO26 عدة تحسينات تقنية تُحدث تحولًا جذريًا. وأبرزها تصميم شامل من البداية إلى النهاية بلا NMS. وقد طُرح هذا النهج المعماري أولًا في YOLOv10، وهو يلغي الحاجة إلى المعالجة اللاحقة باستخدام NMS، ما يبسط مسارات التصدير بدرجة كبيرة ويقلل تفاوت زمن الاستجابة. إضافة إلى ذلك، فإن إزالة خسارة التركيز التوزيعي (DFL) تبسط رأس الكشف، وتجعل النشر على أجهزة الذكاء الاصطناعي الطرفي بالغ السهولة.

ابتكارات في البنية والتدريب#

يقدم YOLO26 عدة تحسينات داخلية ترفع أداء خط الأساس لـ YOLOv8 بدرجة كبيرة.

تدريب محسّن باستخدام MuSGD#

تُعد كفاءة التدريب سمة بارزة في نماذج Ultralytics، التي تتطلب عادةً ذاكرة أقل بكثير مقارنةً بالبنى الضخمة القائمة على المحولات مثل RT-DETR. ويعزز YOLO26 هذه الكفاءة أكثر من خلال تقديم محسّن MuSGD. ويجمع هذا النهج الهجين، المستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، وتحديدًا Kimi K2 من Moonshot AI، بين الانحدار التدرجي العشوائي (SGD) وMuon، ليضمن تقاربًا أسرع وديناميكيات تدريب مستقرة للغاية عبر مجموعات البيانات المعقدة.

دوال خسارة متقدمة#

للمهام التي تتطلب دقة عالية، مثل صور الطائرات المسيّرة أو مستشعرات إنترنت الأشياء، يقدم YOLO26 ProgLoss + STAL. وتحقق دوال الخسارة المحسّنة هذه تحسنًا ملحوظًا في التعرّف على الأجسام الصغيرة. كما يقدم YOLO26 تحسينات خاصة بكل مهمة: نموذجًا أوليًا متعدد المقاييس لتحسين إنشاء الأقنعة في التجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحسين دقة تقدير الوضعية، ودالة خسارة متخصصة للزاوية لمعالجة مشكلات الحدود في اكتشاف صناديق الإحاطة الموجّهة (OBB).

تحليل الأداء والمقارنة#

يوضح الجدول التالي فروق الأداء بين النموذجين باستخدام مجموعة بيانات COCO. وقد أُبرزت بالخط العريض أفضل القيم في كل فئة من فئات الأحجام.

تحليل المقاييس#

تكشف البيانات عن قفزة نوعية بين الأجيال. يتفوق YOLO26 على YOLOv8 في جميع المقاييس تقريبًا. ويحقق نموذج YOLO26 Nano (YOLO26n) نتيجة لافتة تبلغ 40.9 mAP، وهي أعلى بكثير من نتيجة YOLOv8n البالغة 37.3، مع استخدام عدد أقل من المعلمات وعمليات FLOPs.

من أبرز التحسينات سرعة الاستدلال على CPU. فبفضل بنيته المحسّنة وإزالة DFL، يوفر YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% عبر ONNX. وهذا يجعله خيارًا لا يُضاهى لأجهزة Raspberry Pi وغيرها من أجهزة الحوسبة الطرفية محدودة الموارد. ورغم تنافسية سرعات GPU في كلا النموذجين عند استخدام TensorRT، فإن كفاءة YOLO26 في استخدام المعلمات تؤدي إلى تقليل استهلاك الذاكرة أثناء التدريب والاستدلال.

سهولة الاستخدام والمنظومة#

يستفيد كلا النموذجين كثيرًا من منظومة Ultralytics التي تحظى بصيانة جيدة. ويشيد المطورون بسهولة الاستخدام التي توفرها واجهة API الموحدة، إذ تتيح التبديل بين YOLOv8 وYOLO26 بمجرد تغيير سلسلة اسم النموذج.

سواء أكنت تجري ضبطًا للمعلمات الفائقة، أو تنفذ تتبّعًا للتجارب، أو تستكشف مجموعات بيانات جديدة، فإن وثائق Ultralytics توفر موارد واسعة. كما توفر منصة Ultralytics طريقة مبسطة لإضافة التعليقات التوضيحية إلى هذه النماذج وتدريبها ونشرها بسلاسة على السحابة أو محليًا.

مثال على الشيفرة#

إن بدء التدريب والاستدلال في غاية البساطة. فيما يلي مثال كامل قابل للتشغيل باستخدام واجهة Python البرمجية من Ultralytics:

from ultralytics import YOLO

# ⁨تحميل أحدث نموذج YOLO26 Nano متطور⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج على مجموعة بيانات COCO8 لمدة 50 حقبة⁩
# ⁨يختار optimizer="auto" ‏MuSGD لعمليات التشغيل الأطول (>10k تكرار) وAdamW للعمليات القصيرة مثل هذه⁩
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # ⁨استخدم '0' للتدريب على GPU⁩
)

# ⁨إجراء الاستدلال على صورة نموذجية⁩
# ⁨يوفر التصميم الخالي من NMS تنبؤات واضحة وسريعة⁩
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ⁨عرض التنبؤات⁩
results[0].show()

# ⁨التصدير بسلاسة إلى ONNX للنشر على CPU⁩
export_path = model.export(format="onnx")

حالات الاستخدام المثالية#

اختيار النموذج المناسب يحدد نجاح مشروعك.

متى تختار YOLO26:

• الحوسبة الطرفية والروبوتات: تجعل سرعة CPU الأعلى بنسبة 43% وغياب NMS منه الخيار الأمثل للأنظمة المضمنة والأجهزة المحمولة والروبوتات ذاتية التشغيل.
• الصور الجوية وصور الأقمار الصناعية: يمنح تطبيق ProgLoss + STAL نموذج YOLO26 ميزة واضحة في اكتشاف الأجسام الصغيرة جدًا ضمن المشاهد المعقدة عالية الدقة.
• المشاريع الجديدة: باعتباره أحدث إصدار مستقر، يُوصى باستخدام YOLO26 في أي مسار عمل جديد لـالتعلم الآلي، إذ يوفر تنوعًا فائقًا في جميع المهام.

متى تحتفظ بـ YOLOv8:

• البنية التحتية القديمة: إذا كان مسار الإنتاج الحالي لديك يعتمد بشدة على موترات المخرجات المحددة والمعالجة اللاحقة باستخدام NMS في YOLOv8، فقد يتطلب الانتقال بعض التعديلات البسيطة.
• خطوط الأساس الأكاديمية: لا يزال YOLOv8 خط أساس مستقرًا وكثير الاستشهاد به في أبحاث الرؤية الحاسوبية الأكاديمية التي تقارن البنى الأقدم.

خلاصة القول، وضع YOLOv8 معيارًا استثنائيًا لمهام الرؤية في الزمن الحقيقي، لكن YOLO26 يعيد تعريف الممكن. فمن خلال الجمع بين مكاسب الكفاءة الكبيرة على CPU ومحسّنات التدريب المبتكرة المستوحاة من نماذج اللغة الكبيرة، يتيح YOLO26 للمطورين نشر ذكاء اصطناعي عالي الدقة على أي بيئة عتادية تقريبًا.