YOLOv8 مقابل YOLO26#

تطور مجال الرؤية الحاسوبية بسرعة خلال السنوات القليلة الماضية. ومن أكثر المعماريات شيوعًا للتطبيقات الفورية النماذج التي طورتها Ultralytics. يقدم هذا الدليل مقارنة تقنية بين Ultralytics YOLOv8 وأحدث إصداراتها Ultralytics YOLO26، ويستعرض معمارياتهما ومقاييس الأداء وحالات الاستخدام المثلى لمساعدتك على اختيار النموذج المناسب لعملية النشر لديك.

نظرة عامة على النماذج#

يمثل كل من YOLOv8 وYOLO26 محطتين بارزتين في عائلة نماذج YOLO. ويشتركان في فلسفة Ultralytics الأساسية: توفير نماذج سريعة ودقيقة وسهلة الاستخدام من خلال واجهة Python موحدة.

YOLOv8: المعيار متعدد الاستخدامات#

أُطلق YOLOv8 في أوائل عام 2023، وقدّم إصلاحًا شاملًا لإطار عمل YOLO، مع تصميم خالٍ من 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 انتشر YOLOv8 على نطاق واسع بفضل توازنه في الأداء وتكامله العميق مع منظومة Ultralytics. ويدعم أصليًا اكتشاف الكائنات وتجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والمربعات المحيطة الموجّهة (OBB). لكنه يعتمد على كبت غير الأعظميات (NMS) القياسي للمعالجة اللاحقة، ما قد يؤدي إلى اختناقات في زمن الاستجابة ضمن بيئات الحافة شديدة التقييد.

YOLO26: الجيل التالي من الذكاء الاصطناعي الطرفي#

أُطلق YOLO26 في يناير 2026، وهو يبني على أسلافه ويحسّنها لتناسب سيناريوهات النشر الحديثة، ولا سيما 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 تحسينات تقنية عدة. وأبرزها التصميم الشامل من البداية إلى النهاية بلا NMS الذي أدخله YOLOv10 إلى نماذج YOLO. تلغي هذه البنية الحاجة إلى المعالجة اللاحقة باستخدام NMS، ما يبسّط مسارات التصدير ويقلل تفاوت زمن الاستجابة. كما تؤدي إزالة خسارة التركيز التوزيعي (DFL) إلى تبسيط رأس الكشف، ما يسهل نشره على عتاد الذكاء الاصطناعي الطرفي.

ابتكارات في البنية والتدريب#

يقدّم YOLO26 عدة تحسينات داخلية تتجاوز خط الأساس الذي يوفّره YOLOv8.

تدريب محسّن باستخدام MuSGD#

تشتهر نماذج Ultralytics بكفاءة التدريب، وعادةً ما تحتاج إلى ذاكرة أقل من البنى القائمة على Transformer مثل RT-DETR. ويعزز YOLO26 ذلك باستخدام محسّن MuSGD. وهو مزيج من الانحدار المتدرج العشوائي (SGD) وMuon، مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، وتحديدًا Kimi K2 من Moonshot AI، ويوفر تقاربًا أسرع وتدريبًا أكثر استقرارًا على مجموعات البيانات المعقدة.

الخسارة وتعيين التسميات#

للمهام التي تتطلب دقة عالية، مثل صور الطائرات المسيّرة أو مستشعرات إنترنت الأشياء، يقدّم YOLO26 ProgLoss + STAL. وتحسّن الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة. وإضافة إلى ذلك، يقدم YOLO26 تحسينات خاصة بالمهام على مختلف الأصعدة: نموذجًا أوليًا متعدد المقاييس لتوليد أقنعة أفضل في التجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحسين دقة تقدير الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات الحدود في اكتشاف المربعات المحيطة الموجّهة (OBB).

تحليل الأداء والمقارنة#

يسلط الجدول التالي الضوء على فروق الأداء بين النموذجين باستخدام مجموعة بيانات COCO. وتُبرز القيم الأفضل أداءً في كل فئة حجم بخط عريض.

تحليل المقاييس#

تُظهر البيانات تحسنًا بين الأجيال: يتفوق YOLO26 على YOLOv8 في جميع المقاييس تقريبًا. ويحقق نموذج YOLO26 Nano (YOLO26n) قيمة mAP تبلغ 40.9، متجاوزًا YOLOv8n الذي يبلغ 37.3، مع استخدام عدد أقل من المعلمات وعمليات FLOPs.

من أبرز التحسينات سرعة الاستدلال على CPU. فبفضل بنيته المبسطة وإلغاء DFL، يستغرق YOLO26n مدة 38.9 ms في استدلال CPU باستخدام ONNX، مقارنةً بـ80.4 ms لـYOLOv8n، وتشير ورقة YOLO26 إلى أن استدلال CPU أسرع بنسبة تصل إلى 43% من YOLO11n. وهذا يجعل YOLO26 مناسبًا جدًا لأجهزة Raspberry Pi وغيرها من أجهزة الحافة محدودة الموارد. وعلى الرغم من تنافسية سرعات GPU باستخدام TensorRT في كلا النموذجين، فإن كفاءة YOLO26 في عدد المعلمات قد تقلل أيضًا من استهلاك الذاكرة أثناء التدريب والاستدلال.

سهولة الاستخدام والمنظومة#

يستفيد كلا النموذجين من منظومة Ultralytics التي تحظى بصيانة جيدة. وتتيح الواجهة الموحدة للمطورين التبديل بين YOLOv8 وYOLO26 بتغيير سلسلة اسم النموذج.

سواء أكنت تجري ضبطًا للمعلمات الفائقة، أو تنفذ تتبّعًا للتجارب، أو تستكشف مجموعات بيانات جديدة، فإن وثائق Ultralytics توفر موارد واسعة. علاوة على ذلك، تقدم منصة Ultralytics طريقة مبسطة لوضع تعليقات توضيحية على البيانات وتدريب هذه النماذج ونشرها سحابيًا أو محليًا.

مثال على الشيفرة#

فيما يلي مثال كامل قابل للتنفيذ للتدريب والاستدلال والتصدير باستخدام واجهة Python API من Ultralytics:

from ultralytics import YOLO

# ⁨حمّل أحدث نموذج Nano من YOLO26⁩
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()

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

حالات الاستخدام المثالية#

يتوقف الاختيار المناسب على هدف النشر والبنية التحتية الحالية لديك.

متى تختار YOLO26:

• الحوسبة الطرفية والروبوتات: تجعل سرعة الاستدلال الأعلى على CPU والتصميم الخالي من NMS هذا النموذج خيارًا قويًا للأنظمة المضمنة والأجهزة المحمولة والروبوتات ذاتية التشغيل.
• الصور الجوية وصور الأقمار الصناعية: تمنح ProgLoss + STAL نموذج YOLO26 أفضلية في اكتشاف الأجسام الصغيرة جدًا في المشاهد المعقدة عالية الدقة.
• المشاريع الجديدة: بصفته أحدث إصدار مستقر، يُوصى باستخدام YOLO26 في أي مسار عمل جديد لـالتعلم الآلي، مع تغطية أوسع للمهام تشمل التجزئة الدلالية وتقدير العمق.

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.

ختامًا، وضع YOLOv8 معيارًا قويًا لمهام الرؤية الآنية، ويواصل YOLO26 البناء عليه. فبفضل التحسين الكبير في كفاءة CPU والنشر الخالي من NMS وتحسين التدريب المستوحى من LLM، يجعل YOLO26 نشر نماذج دقيقة على نطاق واسع من الأجهزة أمرًا عمليًا.