Link to this sectionYOLOv9 مقارنة بـ YOLO26#
لقد تطور مشهد اكتشاف الكائنات في الوقت الفعلي بشكل ملحوظ على مدى السنوات القليلة الماضية. ونظراً لسعي ممارسي تعلم الآلة لنشر النماذج عبر مجموعة متنوعة من الأجهزة، أصبح اختيار البنية الصحيحة أمراً بالغ الأهمية. في هذا الدليل التقني الشامل، نقارن بين علامتين فارقتين في مجال الرؤية الحاسوبية: YOLOv9، الذي تم تقديمه في أوائل عام 2024 مع التركيز على تحسينات مسار التدرج، و Ultralytics YOLO26، وهو أحدث إطار عمل متطور تم إصداره في أوائل عام 2026 والذي يعيد تعريف استنتاج الحافة واستقرار التدريب بالكامل.
Link to this sectionملخص تنفيذي: سلالة النماذج والنسب#
إن فهم أصول نماذج التعلم العميق هذه يوفر سياقاً قيماً فيما يتعلق بخيارات التصميم المعماري والجمهور المستهدف.
Link to this sectionYOLOv9#
تم إصدار YOLOv9 في 21 فبراير 2024، وهو من تأليف تشيان-ياو وانغ وهونغ-يوان مارك لياو من معهد علوم المعلومات في أكاديمية سينيكا في تايوان. يركز النموذج بشكل كبير على مفاهيم التعلم العميق النظرية، وتحديداً معالجة مشكلة عنق زجاجة المعلومات في الشبكات العصبية التلافيفية (CNNs) العميقة.
Link to this sectionUltralytics YOLO26#
تم إصدار YOLO26 في 14 يناير 2026، وهو من تأليف غلين جوشر وجينغ تشيو في Ultralytics. وبالبناء على النجاح الهائل لأسلافه مثل YOLO11 و YOLOv8، تم تصميم YOLO26 من الصفر لإعطاء الأولوية لجاهزية الإنتاج، ونشر الحافة، والكفاءة الأصلية من البداية إلى النهاية.
هل أنت مستعد لترقية خط أنابيب الرؤية الحاسوبية الخاص بك؟ يمكنك بسهولة تدريب ونشر نماذج YOLO26 في السحابة دون كتابة أي كود باستخدام منصة Ultralytics.
Link to this sectionالابتكارات المعمارية#
يقدم كلا النموذجين تغييرات رائدة في كيفية معالجة الشبكات العصبية للبيانات المرئية، لكنهما يتعاملان مع المشكلة من زوايا مختلفة.
Link to this sectionمعلومات التدرج القابلة للبرمجة في YOLOv9#
تتمثل المساهمة الأساسية لـ YOLOv9 في هذا المجال في تقديم معلومات التدرج القابلة للبرمجة (PGI) و شبكة تجميع الطبقات الفعالة المعممة (GELAN). ومع زيادة عمق الشبكات العصبية، غالباً ما تعاني من فقدان المعلومات أثناء عملية التغذية الأمامية. تضمن PGI بقاء التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي دقيقة وموثوقة، مما يسمح لـ بنية GELAN بتحقيق دقة عالية بعدد أقل من المعلمات.
ومع ذلك، يعتمد YOLOv9 بشكل كبير على كبت غير الحد الأقصى (NMS) التقليدي للمعالجة اللاحقة، وهو ما قد يصبح عنق زجاجة في زمن الوصول أثناء الاستنتاج في العالم الحقيقي.
Link to this sectionبنية الحافة أولاً في YOLO26#
يتخذ YOLO26 نهجاً مختلفاً جذرياً من خلال تحسين خط الأنابيب بالكامل بدءاً من التدريب وحتى النشر في الوقت الفعلي. وهو يعتمد على التصميم الخالي من NMS من البداية إلى النهاية الذي تم ريادته لأول مرة في YOLOv10، مما يلغي الحاجة إلى المعالجة اللاحقة بواسطة NMS تماماً. وهذا يؤدي إلى زمن وصول منخفض للغاية، مما يجعله مُحسناً بشكل كبير لأجهزة الحافة مثل Raspberry Pi أو NVIDIA Jetson.
علاوة على ذلك، يزيل YOLO26 فقدان التوزيع البؤري (DFL) تماماً. هذا التغيير الهيكلي يبسط تصدير النموذج إلى ONNX ويوفر توافقاً أفضل بكثير مع وحدات التحكم الدقيقة منخفضة الطاقة.
بالنسبة لمرحلة التدريب، يدمج YOLO26 مُحسّن MuSGD الجديد، وهو هجين من الانحدار التدرجي العشوائي و Muon (المستوحى من منهجيات تدريب نماذج اللغات الكبيرة الخاصة بـ Kimi K2 من Moonshot AI). وهذا يسد الفجوة بين ابتكارات تدريب نماذج اللغات الكبيرة (LLM) والرؤية الحاسوبية، مما يوفر تدريباً أكثر استقراراً بشكل كبير وأوقات تقارب أسرع.
Link to this sectionمقارنة الأداء والمقاييس#
عند إجراء القياس على مجموعة بيانات COCO المستخدمة على نطاق واسع، يظهر كلا النموذجين قدرات استثنائية، لكن نظام Ultralytics يتفوق في سرعات الاستنتاج العملية وكفاءة المعلمات.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
Link to this sectionتحليل النتائج#
- السرعة والكفاءة: نظراً لأن YOLO26 يستخدم بنية خالية من NMS ووظائف فقدان مبسطة، فإنه يتميز بـ استنتاج CPU أسرع بنسبة تصل إلى 43% مقارنة بالبنيات القديمة. يعمل نموذج YOLO26n بسرعة مذهلة تبلغ 1.7 مللي ثانية على وحدة معالجة الرسوميات NVIDIA T4 باستخدام TensorRT، مما يجعله الخيار الأمثل لبث الفيديو في الوقت الفعلي.
- الدقة: يحقق نموذج YOLO26x دقة 57.5 mAP لا مثيل لها، متفوقاً على أكبر نموذج YOLOv9e مع الحفاظ على زمن وصول أقل.
- متطلبات الذاكرة: تشتهر نماذج Ultralytics بكفاءتها. يتطلب YOLO26 ذاكرة CUDA أقل بكثير أثناء تدريب النموذج والاستنتاج مقارنة بـ نماذج الرؤية القائمة على المحولات المعقدة، مما يسمح للمطورين باستخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
Link to this sectionالنظام البيئي، سهولة الاستخدام، وتعدد الاستخدامات#
تكمن القوة الحقيقية لنظام Ultralytics في تجربة المستخدم. فبينما يجب على الباحثين الذين يستخدمون قاعدة كود GitHub الخاصة بـ YOLOv9 التعامل مع إعدادات بيئة معقدة وبرمجة يدوية، فإن YOLO26 مدمج بالكامل في واجهة برمجة تطبيقات Ultralytics Python البديهية.
Link to this sectionمثال على واجهة برمجة التطبيقات المبسطة#
يتطلب تدريب نموذج YOLO26 متطور بضعة أسطر فقط من كود 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")Link to this sectionتعدد مهام لا مثيل له#
على عكس YOLOv9، الذي تم تصميمه في المقام الأول لاكتشاف الكائنات القياسي، يدعم YOLO26 أصلاً مجموعة واسعة من مهام الرؤية الحاسوبية مباشرة. تتضمن البنية تحسينات محددة لتطبيقات متنوعة:
- تجزئة المثيلات: يتميز بفقد تجزئة دلالي متخصص وبروتو متعدد النطاقات لأقنعة خالية من العيوب على مستوى البكسل.
- تقدير الوضع: يدمج تقدير احتمالية اللوغاريتم المتبقي (RLE) لتتبع النقاط الهيكلية بدقة فائقة.
- صناديق التقييد الموجهة (OBB): يتضمن وظيفة فقدان زاوية متخصصة مصممة خصيصاً لحل مشكلات الحدود في اكتشاف الكائنات الدوارة للصور الجوية.
- تصنيف الصور: تصنيف قوي للصور بالكامل بناءً على معايير ImageNet.
تستفيد جميع نماذج YOLO26 من التكامل السلس مع منصة Ultralytics، مما يوفر وضع علامات على مجموعة البيانات، والتعلم النشط، وخطوط أنابيب النشر الفوري.
Link to this sectionتطبيقات العالم الحقيقي#
غالباً ما يعتمد الاختيار بين هذه النماذج على البيئة التي سيتم نشرها فيها.
Link to this sectionإنترنت الأشياء وروبوتات الحافة#
بالنسبة للروبوتات، والطائرات بدون طيار ذاتية القيادة، وأجهزة إنترنت الأشياء المنزلية الذكية، فإن YOLO26 هو البطل بلا منازع. يجلب دمج ProgLoss + STAL تحسينات ملحوظة على التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ المراقبة الزراعية من الطائرات بدون طيار عالية الارتفاع. جنباً إلى جنب مع استنتاج CPU أسرع بنسبة 43% وتصميمه الخالي من NMS، يمكن لـ YOLO26 العمل بسلاسة على الأجهزة التي لا تحتوي على وحدات معالجة رسوميات مخصصة.
Link to this sectionالبحث الأكاديمي وتحليل التدرج#
YOLOv9 لا يزال نموذجاً يحظى باحترام كبير في الأوساط الأكاديمية. سيجد الباحثون الذين يحققون في الحدود النظرية لتدفق التدرج، أو أولئك الذين يسعون لبناء طبقات PyTorch مخصصة بناءً على مفهوم PGI، أن قاعدة كود YOLOv9 أساس ممتاز لاستكشاف نظرية التعلم العميق.
Link to this sectionخطوط أنابيب التصنيع عالية السرعة#
في البيئات الصناعية مثل اكتشاف العيوب الآلي على سيور النقل عالية السرعة، تضمن سرعات TensorRT الفائقة لنماذج YOLO26 عدم فقدان أي إطارات، مما يزيد من إنتاجية أنظمة ضمان الجودة.
Link to this sectionحالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv9 و YOLO26 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
Link to this sectionمتى تختار YOLOv9#
YOLOv9 هي خيار قوي لـ:
- أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
- دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
- قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.
Link to this sectionمتى تختار YOLO26#
يوصى بـ YOLO26 لـ:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.
Link to this sectionالخلاصة#
يمثل كلا النموذجين قفزات لا تصدق إلى الأمام للمجتمع مفتوح المصدر. قدم YOLOv9 تحسينات نظرية حيوية لتدفق التدرج التي ستلهم البنيات لسنوات قادمة. ومع ذلك، بالنسبة للمطورين الحديثين، والشركات الناشئة، وفرق المؤسسات التي تسعى إلى توازن مثالي بين السرعة والدقة وسهولة النشر، فإن Ultralytics YOLO26 هو التوصية الواضحة.
من خلال التخلص من NMS، وتقديم مُحسّن MuSGD القوي، وتوفير مجموعة لا مثيل لها من الأدوات عبر مهام الاكتشاف والتجزئة والوضع، يضمن YOLO26 أن مشاريع الرؤية الحاسوبية الخاصة بك مبنية على أكثر الأطر موثوقية وقابلية للمستقبل المتاحة اليوم.