YOLOv9 مقابل YOLO26#

شهد مجال اكتشاف الأجسام في الوقت الفعلي تطورًا كبيرًا خلال السنوات القليلة الماضية. ومع سعي ممارسي تعلّم الآلة إلى نشر النماذج على مجموعة متنوعة من الأجهزة، يُعد اختيار البنية المناسبة أمرًا بالغ الأهمية. في هذا الدليل التقني الشامل، نقارن بين محطتين بارزتين في مجال الرؤية الحاسوبية: YOLOv9، الذي قُدّم في أوائل عام 2024 مع التركيز على تحسينات مسارات التدرج، و**Ultralytics YOLO26**، وهو أحدث إطار عمل متطور أُطلق في أوائل عام 2026 ويعيد تعريف الاستدلال على الأجهزة الطرفية واستقرار التدريب بالكامل.

الملخص التنفيذي: سلالة النماذج وحقوق التأليف#

يوفر فهم أصول نماذج التعلّم العميق هذه سياقًا قيّمًا بشأن خيارات تصميمها المعماري والجمهور المستهدف منها.

YOLOv9#

ألّف Chien-Yao Wang وHong-Yuan Mark Liao من معهد علوم المعلومات في Academia Sinica في تايوان نموذج YOLOv9، الذي أُطلق في 21 فبراير 2024. يركز النموذج بدرجة كبيرة على مفاهيم التعلّم العميق النظرية، ولا سيما معالجة مشكلة عنق الزجاجة المعلوماتي في الشبكات العصبية الالتفافية العميقة (CNNs).

تعرف على المزيد حول YOLOv9

Ultralytics YOLO26#

ألّف Glenn Jocher وJing Qiu في Ultralytics نموذج YOLO26، الذي أُطلق في 14 يناير 2026. واستنادًا إلى النجاح الهائل لأسلافه مثل YOLO11 وYOLOv8، صُمّم YOLO26 من الأساس لإعطاء الأولوية للجاهزية الإنتاجية والنشر على الأجهزة الطرفية والكفاءة الأصلية من البداية إلى النهاية.

الابتكارات المعمارية#

يقدم كلا النموذجين تغييرات رائدة في طريقة معالجة الشبكات العصبية للبيانات المرئية، لكنهما يتناولان المشكلة من زاويتين مختلفتين.

معلومات التدرج القابلة للبرمجة في YOLOv9#

تتمثل المساهمة الأساسية لـ YOLOv9 في المجال في تقديم معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN). فمع ازدياد عمق الشبكات العصبية، غالبًا ما تعاني من فقدان المعلومات أثناء عملية التمرير الأمامي. وتضمن PGI بقاء التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي دقيقة وموثوقة، مما يتيح لبنية GELAN تحقيق دقة عالية بعدد أقل من المعلمات.

ومع ذلك، يعتمد YOLOv9 بدرجة كبيرة على قمع القيمة العظمى غير المتعدد التقليدي (NMS) للمعالجة اللاحقة، وهو ما قد يصبح عنق زجاجة لزمن الاستجابة أثناء الاستدلال في العالم الحقيقي.

البنية التي تضع الأجهزة الطرفية أولًا في YOLO26#

يتبع YOLO26 نهجًا مختلفًا جذريًا من خلال تحسين المسار بأكمله، بدءًا من التدريب ووصولًا إلى النشر في الوقت الفعلي. وهو يبني على التصميم الشامل من البداية إلى النهاية والخالي من NMS الذي ابتُكر أولًا في YOLOv10، إذ يلغي تمامًا الحاجة إلى المعالجة اللاحقة باستخدام NMS. وينتج عن ذلك زمن استجابة منخفض للغاية، مما يجعله محسنًا بدرجة كبيرة للأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

علاوة على ذلك، يزيل YOLO26 تمامًا خسارة البؤرة التوزيعية (DFL). ويبسّط هذا التغيير البنيوي تصدير النموذج إلى ONNX ويوفر توافقًا أفضل بكثير مع المتحكمات الدقيقة منخفضة الطاقة.

بالنسبة إلى مرحلة التدريب، يدمج YOLO26 مُحسِّن MuSGD المبتكر، وهو مزيج من الانحدار المتدرج العشوائي وMuon (المستوحى من منهجيات تدريب نماذج اللغة الكبيرة التي تتبعها Moonshot AI في Kimi K2). ويسد هذا الفجوة بين ابتكارات تدريب نماذج اللغة الكبيرة (LLM) والرؤية الحاسوبية، موفرًا تدريبًا أكثر استقرارًا بكثير وأوقات تقارب أسرع.

مقارنة الأداء والمقاييس#

عند إجراء المقارنة المعيارية باستخدام مجموعة بيانات COCO واسعة الاستخدام، يُظهر كلا النموذجين قدرات استثنائية، لكن منظومة Ultralytics تتفوق في سرعات الاستدلال العملية وكفاءة المعلمات.

تحليل النتائج#

• السرعة والكفاءة: نظرًا إلى استخدام YOLO26 بنية خالية من NMS ودوال خسارة مبسطة، فإنه يحقق استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنة بالبنى القديمة. ويعمل نموذج YOLO26n بسرعة مذهلة تبلغ 1.7 مللي ثانية على وحدة معالجة الرسومات NVIDIA T4 باستخدام TensorRT، مما يجعله الخيار الأمثل لبث الفيديو في الوقت الفعلي.
• الدقة: يحقق نموذج YOLO26x قيمة 57.5 mAP غير مسبوقة، متفوقًا على أكبر نماذج YOLOv9e مع الحفاظ على زمن استجابة أقل.
• متطلبات الذاكرة: تشتهر نماذج Ultralytics بكفاءتها. ويتطلب YOLO26 قدرًا أقل بكثير من ذاكرة CUDA أثناء تدريب النموذج والاستدلال مقارنةً بـنماذج الرؤية القائمة على Transformer المعقدة، مما يتيح للمطورين استخدام أحجام دفعات أكبر على الأجهزة المخصصة للمستهلكين.

المنظومة وسهولة الاستخدام وتعدد الاستخدامات#

تكمن القوة الحقيقية لمنظومة Ultralytics في تجربة المستخدم. فبينما يتعين على الباحثين الذين يستخدمون قاعدة شيفرة GitHub الخاصة بـ YOLOv9 التعامل مع إعدادات بيئة معقدة وكتابة نصوص برمجية يدويًا، يتكامل YOLO26 بالكامل مع واجهة برمجة تطبيقات Ultralytics Python السهلة الاستخدام.

مثال مبسط على واجهة برمجة التطبيقات#

لا يتطلب تدريب نموذج YOLO26 متطور سوى بضعة أسطر من شيفرة Python:

from ultralytics import YOLO

# Load the latest native end-to-end YOLO26 model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with the default MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export natively to ONNX format in a single command
model.export(format="onnx")

تعدد استخدامات المهام بلا مثيل#

على خلاف YOLOv9، المصمم أساسًا لاكتشاف الأجسام القياسي، يدعم YOLO26 أصليًا مجموعة واسعة من مهام الرؤية الحاسوبية مباشرةً. وتتضمن البنية تحسينات محددة لتطبيقات متنوعة:

• تقسيم المثيلات: يتضمن خسارة متخصصة للتقسيم الدلالي ونموذجًا أوليًا متعدد المقاييس لإنتاج أقنعة دقيقة على مستوى البكسل.
• تقدير الوضعية: يدمج تقدير لوغاريتم الاحتمالية المتبقية (RLE) لتتبع النقاط الرئيسية للهيكل العظمي بدقة فائقة.
• المربعات المحيطة الموجّهة (OBB): يتضمن دالة خسارة متخصصة للزاوية، مصممة خصيصًا لحل مشكلات الحدود في اكتشاف الأجسام المدورة للصور الجوية.
• تصنيف الصور: تصنيف موثوق للصور الكاملة استنادًا إلى معايير ImageNet.

التطبيقات الواقعية#

غالبًا ما يتوقف الاختيار بين هذين النموذجين على البيئة التي سيُنشَران فيها.

إنترنت الأشياء والروبوتات الطرفية#

بالنسبة إلى الروبوتات والطائرات المسيّرة ذاتية القيادة وأجهزة إنترنت الأشياء المنزلية الذكية، يُعد YOLO26 الخيار المتفوق بلا منازع. ويؤدي دمج ProgLoss + STAL إلى تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لأغراض المراقبة الزراعية من الطائرات المسيّرة عالية الارتفاع. وبالاقتران مع استدلاله الأسرع على CPU بنسبة 43% وتصميمه الخالي من NMS، يمكن لـ YOLO26 العمل بسلاسة على أجهزة لا تحتوي على وحدات معالجة رسومات مخصصة.

البحث الأكاديمي وتحليل التدرجات#

يظل YOLOv9 نموذجًا يحظى باحترام كبير في الأوساط الأكاديمية. وسيجد الباحثون الذين يدرسون الحدود النظرية لتدفق التدرج، أو الذين يسعون إلى بناء طبقات PyTorch مخصصة استنادًا إلى مفهوم PGI، أن قاعدة شيفرة YOLOv9 تمثل أساسًا ممتازًا لاستكشاف نظرية التعلّم العميق.

مسارات التصنيع عالية السرعة#

في البيئات الصناعية، مثل اكتشاف العيوب آليًا على سيور ناقلة عالية السرعة، تضمن سرعات TensorRT الفائقة لنماذج YOLO26 عدم إسقاط أي إطارات، مما يزيد إنتاجية أنظمة ضمان الجودة إلى أقصى حد.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv9 وYOLO26 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLOv9#

يُعد YOLOv9 خيارًا قويًا لـ:

• أبحاث عنق الزجاجة المعلوماتي: المشاريع الأكاديمية التي تدرس معماريات المعلومات القابلة للبرمجة للتدرجات (PGI) وشبكة تجميع الطبقات الفعّالة المعمّمة (GELAN).
• دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
• قياس أداء اكتشاف عالي الدقة: السيناريوهات التي تحتاج إلى أداء YOLOv9 القوي في معيار COCO بوصفه نقطة مرجعية للمقارنات المعمارية.

متى تختار YOLO26#

يوصى باستخدام YOLO26 من أجل:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

الخلاصة#

يمثل كلا النموذجين قفزات هائلة إلى الأمام لمجتمع المصادر المفتوحة. فقد قدّم YOLOv9 تحسينات نظرية مهمة لتدفق التدرجات ستلهم البنى المعمارية لسنوات قادمة. ومع ذلك، بالنسبة إلى المطورين العصريين والشركات الناشئة وفرق المؤسسات التي تسعى إلى تحقيق توازن مثالي بين السرعة والدقة وسهولة النشر، فإن Ultralytics YOLO26 هو التوصية الواضحة.

من خلال إلغاء NMS، وتقديم مُحسِّن MuSGD القوي، وتوفير مجموعة أدوات لا مثيل لها عبر مهام الاكتشاف والتقسيم وتقدير الوضعية، يضمن YOLO26 أن تُبنى مشاريع الرؤية الحاسوبية لديك على الإطار الأكثر موثوقية واستعدادًا للمستقبل والمتاح اليوم.