YOLOv8 YOLO26: تطور تقنية Ultralytics للكشف عن الأجسام Ultralytics

شهد مجال الرؤية الحاسوبية تطورات ملحوظة خلال السنوات القليلة الماضية. ومن بين أكثر البنى شيوعًا للتطبيقات في الوقت الفعلي النماذج التي طورتها شركة Ultralytics. يقدم هذا الدليل الشامل مقارنة تقنية مفصلة بين النماذج الرائدة من Ultralytics YOLOv8 المبتكر وأحدث نموذج Ultralytics المتطور. سنقوم بتحليل هياكلهما ومقاييس أدائهما وحالات الاستخدام المثالية لمساعدتك في اختيار النموذج المناسب لنشره.

نظرات عامة على النموذج

يمثل كل من YOLOv8 YOLO26 معلمتين هامتين في YOLO نماذجYOLO . وهما يشتركان في Ultralytics الأساسية: توفير نماذج سريعة ودقيقة وسهلة الاستخدام للغاية عبر Python موحدة وواجهة برمجة تطبيقات (API).

YOLOv8: المعيار المتعدد الاستخدامات

صدر YOLOv8 في أوائل عام 2023، YOLOv8 تغييرات جذرية على YOLO حيث قدم تصميمًا خاليًا من المراسي ودعمًا قويًا لمهام الرؤية الحاسوبية المتعددة.

• المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
• المؤسسة:Ultralytics
• التاريخ: 2023-01-10
• GitHub:Ultralytics Repository
• الوثائق:وثائق YOLOv8

YOLOv8 أصبح YOLOv8 المعيار الصناعي بفضل توازن أدائه الممتاز وتكامله العميق مع Ultralytics . وهو يدعم بشكل أساسي اكتشاف الكائنات وتجزئة الحالات وتقدير الوضع وتصنيف الصور. ومع ذلك، فإنه يعتمد على تقنية Non-Maximum Suppression (NMS) القياسية للمعالجة اللاحقة، مما قد يؤدي إلى حدوث اختناقات في زمن الاستجابة في البيئات المتطرفة شديدة التقييد.

تعرف على المزيد حول YOLOv8

YOLO26: الجيل التالي من محركات الطاقة المتطورة

تم إصدار YOLO26 في يناير 2026، وهو يستند إلى الأساس الذي وضعه أسلافه ويحسنه بشكل كبير ليلائم سيناريوهات النشر الحديثة، لا سيما في مجال الذكاء الاصطناعي المتطور والأجهزة منخفضة الطاقة.

• المؤلفون: غلين جوشر وجينغ تشيو
• المؤسسة:Ultralytics
• التاريخ: 2026-01-14
• GitHub:Ultralytics Repository
• الوثائق:وثائق YOLO26

يقدم YOLO26 العديد من التحسينات التقنية التي تغير النموذج. وأبرزها أنه يتميز بتصميم شامل NMS. ابتكره في البداية YOLOv10، هذه البنية تلغي الحاجة إلى NMS مما يبسط بشكل كبير خطوط التصدير ويقلل من تباين زمن الاستجابة. علاوة على ذلك، فإن إزالة Distribution Focal Loss (DFL) يبسط رأس الكشف، مما يجعله سهل الاستخدام للغاية للنشر على أجهزة AI المتطورة.

تعرف على المزيد حول YOLO26

الابتكارات المعمارية والتدريبية

يقدم YOLO26 العديد من التحسينات الداخلية التي تعمل على تحسين أداء YOLOv8 بشكل كبير.

تدريب محسّن مع MuSGD

تعد كفاءة التدريب سمة مميزة Ultralytics التي تتميز عادةً بمتطلبات ذاكرة أقل بكثير مقارنة بالبنى الضخمة القائمة على المحولات مثل RT-DETR. تعزز YOLO26 هذا الأمر بشكل أكبر من خلال إدخال MuSGD Optimizer. مستوحاة من تقنيات تدريب نموذج اللغة الكبيرة (LLM) (على وجه التحديد Kimi K2 من Moonshot AI)، يضمن هذا المزيج من Stochastic Gradient Descent (SGD) و Muon تقاربًا أسرع وديناميكيات تدريب عالية الاستقرار عبر مجموعات البيانات المعقدة.

وظائف الخسارة المتقدمة

بالنسبة للمهام التي تتطلب دقة عالية، مثل صور الطائرات بدون طيار أو مستشعرات إنترنت الأشياء، يقدم YOLO26 ProgLoss + STAL. توفر وظائف الخسارة المحسّنة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة. بالإضافة إلى ذلك، يقدم YOLO26 تحسينات خاصة بالمهام على جميع الأصعدة: نموذج أولي متعدد المقاييس لتوليد أقنعة فائقة الجودة في التجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضع بشكل أدق، وفقدان الزاوية المتخصص لحل مشكلات الحدود في الكشف عن الصندوق المحيط الموجه (OBB).

تحليل ومقارنة الأداء

يوضح الجدول التالي الفروق في الأداء بين النموذجين باستخدام COCO . تم تمييز أفضل القيم أداءً في كل فئة حجم بالخط العريض.

تحليل المقاييس

تكشف البيانات عن قفزة جيلية. يتفوق YOLO26 بشكل ملحوظ على YOLOv8 جميع المقاييس. يحقق نموذج YOLO26 Nano (YOLO26n) معدل mAP متوسط ملحوظ mAP 40.9 mAP وهو أعلى بكثير من YOLOv8n 37.3، مع استخدام عدد أقل من المعلمات وعمليات FLOP.

أحد أبرز التحسينات هو سرعة CPU . بفضل هندستها المُحسّنة وإزالة DFL، توفر YOLO26 CPU أسرع بنسبة تصل إلى 43% عبر CPU ONNX. وهذا يجعل YOLO26 لا مثيل له بالنسبة إلى Raspberry Pi والأجهزة الطرفية الأخرى ذات الموارد المنخفضة. في حين أن GPU باستخدام TensorRT تنافسية في كلا النموذجين، فإن كفاءة المعلمات الإجمالية لـ YOLO26 تترجم إلى انخفاض استهلاك الذاكرة أثناء التدريب والاستدلال.

سهولة الاستخدام والنظام البيئي

يستفيد كلا النموذجين بشكل كبير من Ultralytics الذي يتم صيانته جيدًا. يثني المطورون على سهولة الاستخدام التي توفرها واجهة برمجة التطبيقات الموحدة، والتي تسمح بالتبديل بين YOLOv8 YOLO26 بمجرد تغيير سلسلة اسم النموذج.

سواء كنت تقوم بضبط المعلمات الفائقة أو تتابع التجارب أو تستكشف مجموعات بيانات جديدة، توفر Ultralytics موارد شاملة. علاوة على ذلك، توفر Ultralytics طريقة مبسطة لتعليق هذه النماذج وتدريبها ونشرها بسلاسة في السحابة أو محليًا.

مثال على التعليمات البرمجية

البدء في التدريب والاستدلال أمر في غاية البساطة. فيما يلي مثال كامل وقابل للتشغيل باستخدامPython Ultralytics Python :

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Use '0' for GPU training
)

# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
results[0].show()

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")

حالات الاستخدام المثالية

اختيار النموذج المناسب يحدد نجاح مشروعك.

متى تختار YOLO26:

• الحوسبة الطرفية والروبوتات: CPU الأسرع بنسبة 43٪ وغياب نظام NMS الخيار الأفضل على الإطلاق للأنظمة المدمجة والأجهزة المحمولة والروبوتات المستقلة.
• الصور الجوية والأقمار الصناعية: يمنح تطبيق ProgLoss + STAL برنامج YOLO26 ميزة واضحة في اكتشاف الأجسام الصغيرة في المناظر الطبيعية المعقدة عالية الدقة.
• مشاريع جديدة: باعتباره أحدث إصدار مستقر، يعد YOLO26 النموذج الموصى به لأي خط أنابيب تعلم آلي جديد، حيث يوفر تنوعًا فائقًا في جميع المهام.

متى يجب الاحتفاظ بـ YOLOv8:

• البنية التحتية القديمة: إذا كان خط الإنتاج الحالي الخاص بك مرتبطًا بشكل كبير بمتجهات الإخراج المحددة وآليات التثبيت الخاصة ب YOLOv8 فقد تتطلب عملية الترحيل بعض التعديلات الطفيفة.
• المعايير الأكاديمية: YOLOv8 معيارًا مستقرًا ومستشهدًا به كثيرًا في الأبحاث الأكاديمية المتعلقة بالرؤية الحاسوبية التي تقارن بين البنى القديمة.

في الختام، بينما YOLOv8 معيارًا استثنائيًا لمهام الرؤية في الوقت الفعلي، فإن YOLO26 يعيد تعريف ما هو ممكن. من خلال الجمع بين المكاسب الهائلة في الكفاءة على وحدات المعالجة المركزية (CPU) ومحسّنات التدريب المبتكرة المستوحاة من LLM، يضمن YOLO26 للمطورين إمكانية نشر ذكاء اصطناعي عالي الدقة في أي بيئة أجهزة تقريبًا.

تعليقات