YOLOv9 مقابل YOLO26#

شهد مجال اكتشاف الأجسام في الزمن الحقيقي تطورًا كبيرًا خلال السنوات القليلة الماضية. ومع سعي ممارسي تعلم الآلة إلى نشر النماذج على مجموعة متنوعة من العتاد، يصبح اختيار البنية المعمارية المناسبة أمرًا بالغ الأهمية. في هذا الدليل التقني الشامل، نقارن بين محطتين بارزتين في مجال الرؤية الحاسوبية: YOLOv9، الذي طُرح في أوائل عام 2024 مع التركيز على تحسينات مسارات التدرج، و Ultralytics YOLO26، أحدث إطار عمل متطور صدر في أوائل عام 2026، والذي يعيد تعريف الاستدلال على الأجهزة الطرفية واستقرار التدريب بالكامل.

ملخص تنفيذي: سلالة النماذج ومؤلفوها#

يوفّر فهم أصول نماذج التعلم العميق هذه سياقًا قيّمًا بشأن خيارات تصميم بنياتها والجمهور المستهدف منها.

YOLOv9#

ألّف YOLOv9 تشين-ياو وانغ وهونغ-يوان مارك لياو من معهد علوم المعلومات في أكاديميا سينيكا في تايوان، وصدر في 21 فبراير 2024. يركّز النموذج بشدة على المفاهيم النظرية للتعلم العميق، وتحديدًا معالجة مشكلة عنق الزجاجة المعلوماتية في الشبكات العصبية الالتفافية العميقة (CNNs).

تعرّف على المزيد عن YOLOv9

Ultralytics YOLO26#

ألّف غلين جوشر وجينغ تشيو YOLO26 في Ultralytics، وصدر في 14 يناير 2026. واستنادًا إلى النجاح الكبير لأسلافه مثل YOLO11 وYOLOv8، صُمم YOLO26 من الصفر لإعطاء الأولوية للجاهزية للإنتاج والنشر الطرفي والكفاءة الشاملة الأصلية.

ابتكارات البنية#

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

معلومات التدرّج القابلة للبرمجة في YOLOv9#

تتمثل المساهمة الأساسية لـ YOLOv9 في هذا المجال في تقديم معلومات التدرّج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات المعممة الفعالة (GELAN). فمع ازدياد عمق الشبكات العصبية، غالبًا ما تعاني من فقدان المعلومات أثناء عملية التمرير الأمامي. تضمن PGI بقاء التدرّجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي دقيقة وموثوقة، ما يسمح لبنية GELAN بتحقيق دقة عالية باستخدام عدد أقل من المعلمات.

مع ذلك، يعتمد YOLOv9 اعتمادًا كبيرًا على قمع غير الأعظميات التقليدي (NMS) للمعالجة اللاحقة، ما قد يشكّل عنق زجاجة لزمن الاستجابة أثناء الاستدلال في ظروف الاستخدام الفعلية.

بنية YOLO26 المصممة للأجهزة الطرفية أولًا#

يتبع YOLO26 نهجًا مختلفًا جذريًا من خلال تحسين المسار الكامل للعملية، بدءًا من التدريب وصولًا إلى النشر في الوقت الفعلي. وهو يستند إلى التصميم الشامل من البداية إلى النهاية الذي لا يتطلب NMS، والذي طُوّر لأول مرة في YOLOv10، ويُلغي تمامًا الحاجة إلى المعالجة اللاحقة باستخدام NMS. وينتج عن ذلك زمن استجابة منخفض للغاية، ما يجعله محسّنًا بدرجة كبيرة للأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

علاوة على ذلك، يزيل YOLO26 تمامًا خسارة التركيز التوزيعي (DFL). ويبسّط هذا التغيير البنيوي عملية تصدير النموذج إلى ONNX، ويوفّر توافقًا أفضل بكثير مع الأجهزة الطرفية منخفضة الطاقة.

في مرحلة التدريب، يدمج YOLO26 مُحسِّن MuSGD الجديد، وهو مزيج من الانحدار المتدرج العشوائي وMuon (المستلهم من منهجيات تدريب النماذج اللغوية الكبيرة لدى Kimi K2 من Moonshot AI). ويسد هذا الفجوة بين ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) والرؤية الحاسوبية، موفّرًا تدريبًا أكثر استقرارًا بكثير وأوقات تقارب أسرع.

مقارنة الأداء والمقاييس#

عند إجراء المقارنة المعيارية على مجموعة بيانات COCO المستخدمة على نطاق واسع، يُظهر كلا النموذجين قدرات استثنائية، لكن منظومة Ultralytics تتفوق في سرعات الاستدلال العملية وكفاءة المعلمات.

تحليل النتائج#

• السرعة والكفاءة: بفضل استخدام YOLO26 لبنية لا تتطلب NMS ودوال خسارة مبسطة، فإنه يحقق استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنة بالبنى القديمة. ويعمل نموذج YOLO26n بسرعة مذهلة تبلغ 1.7ms على وحدة معالجة الرسومات NVIDIA T4 باستخدام TensorRT، ما يجعله الخيار الأمثل لتدفقات 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. يتطلب YOLO26 ذاكرة CUDA أقل بكثير أثناء تدريب النموذج والاستدلال مقارنةً بـنماذج الرؤية القائمة على Transformer المعقدة، ما يسمح للمطورين باستخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.

المنظومة وسهولة الاستخدام وتعدد الاستخدامات#

تكمن القوة الحقيقية لمنظومة Ultralytics في تجربة المستخدم. فبينما يتعين على الباحثين الذين يستخدمون قاعدة شيفرة YOLOv9 على GitHub التعامل مع إعدادات بيئة معقدة وكتابة التعليمات البرمجية يدويًا، يتكامل YOLO26 بالكامل مع واجهة Python API البديهية من Ultralytics.

مثال مبسّط على API#

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

from ultralytics import YOLO

# ⁨تحميل أحدث نموذج YOLO26 أصلي شامل من البداية إلى النهاية⁩
model = YOLO("yolo26s.pt")

# ⁨تدريب النموذج؛ يختار optimizer="auto" مُحسِّن MuSGD لعمليات التشغيل الأطول (>10k iterations)⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨التصدير مباشرةً إلى تنسيق ONNX بأمر واحد⁩
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 فور تثبيته. وتتضمن البنية تحسينات محددة لمجموعة متنوعة من التطبيقات:

• تقسيم المثيلات: يتضمن خسارة متخصصة للتقسيم الدلالي ونموذجًا أوليًا متعدد المقاييس لإنتاج أقنعة دقيقة على مستوى البكسل.
• تقدير الوضعية: يدمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتتبّع النقاط المفتاحية للهيكل العظمي بدقة فائقة.
• مربعات الإحاطة الموجّهة (OBB): يتضمن دالة خسارة متخصصة للزوايا، صُممت خصيصًا لمعالجة مشكلات الحدود في اكتشاف الأجسام المُدارة في الصور الجوية.
• تصنيف الصور: تصنيف موثوق للصور الكاملة وفق معايير ImageNet.

تطبيقات واقعية#

غالبًا ما يعتمد الاختيار بين هذه النماذج على البيئة التي ستُنشر فيها.

إنترنت الأشياء والروبوتات الطرفية#

في مجالات الروبوتات والطائرات المسيّرة ذاتية التشغيل وأجهزة IoT المنزلية الذكية، يُعدّ YOLO26 البطل بلا منازع. يُحقق دمج ProgLoss + STAL تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالمراقبة الزراعية بواسطة الطائرات المسيّرة التي تحلّق على ارتفاعات عالية. وبالاقتران مع استدلال أسرع بنسبة 43% على CPU وتصميم خالٍ من NMS، يمكن تشغيل YOLO26 بسلاسة على أجهزة لا تحتوي على وحدات GPU مخصصة.

البحث الأكاديمي وتحليل التدرّج#

لا يزال YOLOv9 يحظى بتقدير كبير في الأوساط الأكاديمية. وسيجد الباحثون الذين يدرسون الحدود النظرية لتدفق التدرّج، أو يسعون إلى إنشاء طبقات PyTorch مخصصة استنادًا إلى مفهوم PGI، أن قاعدة شيفرة YOLOv9 تشكّل أساسًا ممتازًا لاستكشاف نظرية التعلم العميق.

مسارات التصنيع عالية السرعة#

في البيئات الصناعية، مثل اكتشاف العيوب آليًا على السيور الناقلة عالية السرعة، تضمن السرعات الفائقة لنماذج YOLO26 باستخدام TensorRT عدم إسقاط أي إطارات، ما يزيد إلى أقصى حد معدل إنتاجية أنظمة ضمان الجودة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv9 وYOLO26 على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.

متى تختار YOLOv9#

يُعد YOLOv9 خيارًا قويًا لما يلي:

• أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
• دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
• اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.

متى تختار YOLO26#

يوصى بـ YOLO26 لما يلي:

• النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

الخلاصة#

يمثل كلا النموذجين قفزات هائلة إلى الأمام للمجتمع مفتوح المصدر. قدّم YOLOv9 تحسينات نظرية مهمة لتدفق التدرّج، وستلهم هذه التحسينات تصميم البنى لسنوات مقبلة. ومع ذلك، يُعد Ultralytics YOLO26 الخيار الواضح للمطورين والشركات الناشئة وفرق المؤسسات الحديثة التي تسعى إلى تحقيق توازن مثالي بين السرعة والدقة وسهولة النشر.

من خلال توفير الاستدلال الذي لا يتطلب NMS، وتقديم مُحسِّن MuSGD القوي، وإتاحة مجموعة أدوات لا مثيل لها لمهام الاكتشاف والتقسيم وتقدير الوضعية، يضمن YOLO26 بناء مشاريع الرؤية الحاسوبية لديك على إطار العمل الأكثر موثوقية وجاهزية للمستقبل والمتاح اليوم.