Link to this sectionYOLOv8 مقابل YOLO26#

شهد مجال رؤية الحاسوب تطورات ملحوظة على مدار السنوات القليلة الماضية. ومن بين أكثر البنى شعبية لتطبيقات الوقت الفعلي هي النماذج التي طورتها Ultralytics. يقدم هذا الدليل الشامل مقارنة تقنية مفصلة بين Ultralytics YOLOv8 الرائد وأحدث ما توصلت إليه التكنولوجيا Ultralytics YOLO26. سنقوم بتحليل بنيتهما، ومقاييس الأداء، وحالات الاستخدام المثالية لمساعدتك في اختيار النموذج المناسب للنشر الخاص بك.

Link to this sectionنظرة عامة على النماذج#

يمثل كل من YOLOv8 وYOLO26 معالم هامة في عائلة نماذج YOLO. وهما يتشاركان فلسفة Ultralytics الأساسية: تقديم نماذج سريعة، ودقيقة، وسهلة الاستخدام للغاية عبر بيئة Python وواجهة برمجة تطبيقات (API) موحدة.

Link to this sectionYOLOv8: المعيار متعدد الاستخدامات#

تم إصدار YOLOv8 في أوائل عام 2023، وقدم إصلاحاً شاملاً لإطار عمل YOLO، مما أتاح تصميماً خالياً من المراسي (anchor-free) ودعماً قوياً لمهام رؤية الحاسوب المتعددة.

• المؤلفون: Glenn Jocher، وAyush Chaurasia، وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: مستودع Ultralytics
• المستندات: توثيق YOLOv8

أصبح YOLOv8 بسرعة المعيار الصناعي بفضل توازنه الممتاز في الأداء وتكامله العميق مع نظام Ultralytics البيئي. وهو يدعم بشكل أصلي اكتشاف الأشياء، وتجزئة المثيلات، وتقدير الوضع، وتصنيف الصور. ومع ذلك، فإنه يعتمد على معالجة NMS القياسية (Non-Maximum Suppression) لما بعد المعالجة، مما قد يؤدي إلى حدوث اختناقات في زمن الاستجابة في بيئات الحافة (edge) المقيدة للغاية.

تعرف على المزيد حول YOLOv8

Link to this sectionYOLO26: قوة الحافة من الجيل التالي#

تم إصدار YOLO26 في يناير 2026، وهو يأخذ الأساس الذي وضعه أسلافه ويحسنه بقوة لسيناريوهات النشر الحديثة، لا سيما في ذكاء الحافة (edge AI) والأجهزة منخفضة الطاقة.

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: مستودع Ultralytics
• التوثيق: توثيق YOLO26

يقدم YOLO26 العديد من التحسينات التقنية التي تغير النماذج. والأبرز من ذلك هو احتواؤه على تصميم نهائي متكامل لا يحتاج إلى NMS. وبفضل ريادته التي بدأها YOLOv10، يلغي هذا التصميم الحاجة إلى معالجة NMS اللاحقة، مما يبسط بشكل كبير خطوط أنابيب التصدير ويقلل من تباين زمن الاستجابة. علاوة على ذلك، فإن إزالة Distribution Focal Loss (DFL) تعمل على تبسيط رأس الاكتشاف، مما يجعله صديقاً للغاية للنشر على أجهزة الذكاء الاصطناعي على الحافة.

تعرف على المزيد حول YOLO26

Link to this sectionالابتكارات المعمارية والتدريبية#

يجلب YOLO26 العديد من التطورات المخفية التي تحسن بشكل كبير عن خط أساس YOLOv8.

Link to this sectionتدريب محسّن مع MuSGD#

تعد كفاءة التدريب سمة مميزة لنماذج Ultralytics، التي تتميز عادة بمتطلبات ذاكرة أقل بكثير مقارنة بالبنى الضخمة القائمة على Transformer مثل RT-DETR. يعزز YOLO26 هذا بشكل أكبر مع إدخال مُحسِّن MuSGD. وبوحي من تقنيات تدريب النماذج اللغوية الكبيرة (LLM) (وتحديداً Kimi K2 من Moonshot AI)، يضمن هذا الهجين من Stochastic Gradient Descent (SGD) وMuon تقارباً أسرع وديناميكيات تدريب مستقرة للغاية عبر مجموعات البيانات المعقدة.

Link to this sectionدوال خسارة متقدمة#

بالنسبة للمهام التي تتطلب دقة عالية، مثل صور الطائرات بدون طيار أو مستشعرات IoT، يقدم YOLO26 ProgLoss + STAL. توفر وظائف الخسارة المحسنة هذه تحسينات ملحوظة في التعرف على الأشياء الصغيرة. بالإضافة إلى ذلك، يجلب YOLO26 تحسينات خاصة بالمهام عبر المجالات: نموذج أولي متعدد المقاييس لتوليد أقنعة متفوق في التجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير وضع أدق، وخسارة زاوية متخصصة لحل مشكلات الحدود في اكتشاف صندوق التحديد الموجه (OBB).

Link to this sectionتحليل الأداء والمقارنة#

يسلط الجدول التالي الضوء على اختلافات الأداء بين النموذجين باستخدام مجموعة بيانات COCO. يتم تمييز أفضل القيم أداءً في كل فئة حجم بـ الخط العريض.

Link to this sectionتحليل المقاييس#

تكشف البيانات عن قفزة جيلية. يتفوق YOLO26 بشكل كبير على YOLOv8 عبر جميع المقاييس. يحقق نموذج YOLO26 Nano (YOLO26n) دقة مذهلة قدرها 40.9 mAP، وهي أعلى بكثير من 37.3 لنموذج YOLOv8n، مع استخدام عدد أقل من المعلمات وFLOPs.

أحد أكثر التحسينات لفتاً للانتباه هو سرعة الاستنتاج على المعالج (CPU). نظراً لبنيته المحسنة وإزالة DFL، يوفر YOLO26 سرعة استنتاج على CPU أسرع بنسبة تصل إلى 43% عبر ONNX. هذا يجعل YOLO26 لا مثيل له بالنسبة لـ Raspberry Pi وأجهزة الحافة الأخرى ذات الموارد المحدودة. وفي حين أن سرعات معالج الرسومات (GPU) باستخدام TensorRT تنافسية في كلا النموذجين، فإن كفاءة المعلمات الإجمالية لـ YOLO26 تترجم إلى بصمات ذاكرة أقل أثناء التدريب والاستنتاج على حد سواء.

Link to this sectionسهولة الاستخدام والنظام البيئي#

يستفيد كلا النموذجين بشكل كبير من نظام Ultralytics البيئي الذي يتم صيانته جيداً. يشيد المطورون بسهولة الاستخدام التي توفرها واجهة برمجة التطبيقات (API) الموحدة، والتي تتيح التبديل بين YOLOv8 وYOLO26 بمجرد تغيير سلسلة اسم النموذج.

سواء كنت تقوم بـ ضبط المعلمات الفائقة، أو إجراء تتبع التجارب، أو استكشاف مجموعات بيانات جديدة، فإن توثيق Ultralytics يوفر موارد واسعة. علاوة على ذلك، توفر منصة Ultralytics طريقة مبسطة لتصنيف، وتدريب، ونشر هذه النماذج بسلاسة في السحابة أو محلياً.

Link to this sectionمثال برمجي#

البدء بالتدريب والاستنتاج بسيط للغاية. أدناه مثال كامل وقابل للتشغيل باستخدام واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics:

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")

Link to this sectionحالات الاستخدام المثالية#

اختيار النموذج الصحيح يحدد نجاح مشروعك.

متى تختار YOLO26:

• حوسبة الحافة والروبوتات: سرعته على المعالج (CPU) الأسرع بنسبة 43% وعدم اعتماده على NMS يجعله الخيار الأفضل على الإطلاق للأنظمة المدمجة، والأجهزة المحمولة، والروبوتات المستقلة.
• الصور الجوية والفضائية: يمنح تنفيذ ProgLoss + STAL لنموذج YOLO26 ميزة واضحة في اكتشاف الأشياء الصغيرة في المناظر الطبيعية المعقدة وعالية الدقة.
• المشاريع الجديدة: كأحدث إصدار مستقر، يوصى بـ YOLO26 لأي خط أنابيب تعلم آلي جديد، حيث يوفر تنوعاً متفوقاً في جميع المهام.

متى تحتفظ بـ YOLOv8:

• البنية التحتية القديمة: إذا كان خط إنتاجك الحالي مرتبطاً بشدة بموترات المخرجات المحددة وآليات المرساة (anchor) الخاصة بـ YOLOv8، فقد تتطلب الهجرة تكيفاً طفيفاً.
• خطوط الأساس الأكاديمية: يظل YOLOv8 خط أساس مستقر ومستشهد به بكثرة لبحوث رؤية الحاسوب الأكاديمية التي تقارن البنى القديمة.

في الختام، بينما وضع YOLOv8 معياراً مذهلاً لمهام الرؤية في الوقت الفعلي، فإن YOLO26 يعيد تعريف ما هو ممكن. من خلال مزج مكاسب الكفاءة الهائلة على المعالجات (CPUs) مع مُحسِّنات تدريب مبتكرة مستوحاة من النماذج اللغوية الكبيرة (LLM)، يضمن YOLO26 للمطورين القدرة على نشر ذكاء اصطناعي عالي الدقة في أي بيئة أجهزة تقريباً.