YOLOv9 مقابل YOLO26#

شهد مجال كشف الأجسام في الوقت الفعلي تطورًا كبيرًا خلال السنوات القليلة الماضية. ومع سعي ممارسي تعلم الآلة إلى نشر النماذج على أنواع متعددة من العتاد، يصبح اختيار البنية المناسبة أمرًا بالغ الأهمية. يقارن هذا الدليل التقني بين محطتين بارزتين في مجال الرؤية الحاسوبية: YOLOv9، التي قُدّمت مطلع عام 2024 مع التركيز على تحسينات مسارات التدرج، وUltralytics YOLO26، أحدث نماذج Ultralytics، التي صدرت في يناير 2026 مع التركيز على الاستدلال الطرفي واستقرار التدريب.

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 Glenn Jocher وJing Qiu نموذج YOLO26 في Ultralytics، وصدر في 14 يناير 2026. واستنادًا إلى نماذج سابقة مثل YOLO11 وYOLOv8، صُممت YOLO26 من الأساس لإعطاء الأولوية للجاهزية للإنتاج والنشر الطرفي والكفاءة الشاملة الأصلية.

ابتكارات البنية#

يُحدث كلا النموذجين تغييرات مهمة في طريقة معالجة الشبكات العصبية للبيانات المرئية، لكنهما يتناولان المشكلة من منظورين مختلفين.

معلومات التدرّج القابلة للبرمجة في YOLOv9#

يتمثل الإسهام الأساسي لـYOLOv9 في المجال في تقديم معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). فمع ازدياد عمق الشبكات العصبية، كثيرًا ما تعاني فقدان المعلومات أثناء التمرير الأمامي. وتضمن PGI بقاء التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي دقيقة وموثوقة، ما يتيح لبنية GELAN تحقيق دقة عالية بعدد أقل من المعلمات.

لكن YOLOv9 تعتمد على كبت غير الأعظم (NMS) التقليدي للمعالجة اللاحقة، ما قد يشكل عنق زجاجة لزمن الاستجابة أثناء الاستدلال في ظروف العالم الحقيقي.

بنية YOLO26 المصممة للأجهزة الطرفية أولًا#

يتبع YOLO26 نهجًا مختلفًا، بتصميم يضع الأجهزة الطرفية في المقام الأول ويحسّن المسار بالكامل، من التدريب حتى النشر الآني. ويستند إلى التصميم الشامل من البداية إلى النهاية بلا NMS الذي أدخله YOLOv10 إلى نماذج YOLO، ملغيًا الحاجة إلى المعالجة اللاحقة باستخدام NMS. ويقلل ذلك زمن الاستجابة ويجعله مناسبًا تمامًا للأجهزة الطرفية مثل Raspberry Pi أو NVIDIA Jetson.

تزيل YOLO26 أيضًا Distribution Focal Loss (DFL). ويسهّل هذا التغيير البنيوي تصدير النماذج إلى ONNX، كما يوفر توافقًا أفضل مع الأجهزة الطرفية منخفضة الطاقة.

في مرحلة التدريب، تدمج YOLO26 مُحسِّن MuSGD، وهو مزيج هجين من الانحدار المتدرج العشوائي وMuon (مستوحى من منهجيات تدريب نماذج اللغة الكبيرة لدى Kimi K2 من Moonshot AI). وينقل ذلك ابتكارات تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية، موفرًا تدريبًا أكثر استقرارًا وتقاربًا أسرع.

مقارنة الأداء والمقاييس#

عند إجراء المقارنة المعيارية على مجموعة بيانات COCO واسعة الاستخدام، يحقق كلا النموذجين أداءً قويًا، لكن YOLO26 تتفوق في الدقة وسرعة الاستدلال على T4 عند كل الأحجام، مع عدد معلمات مماثل.

تحليل النتائج#

• السرعة والكفاءة: بفضل استخدام YOLO26 بنية خالية من NMS ورأس كشف مبسّط، تحقق YOLO26n استدلالًا أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـYOLO11n. ويعمل نموذج YOLO26n في 1.7 ms على وحدة معالجة الرسومات NVIDIA T4 باستخدام TensorRT، ما يجعله خيارًا قويًا لتدفقات الفيديو في الوقت الفعلي.
• الدقة: يحقق نموذج YOLO26x مقدار 57.5 mAP، متفوقًا على أكبر نموذج YOLOv9e مع الحفاظ على زمن استجابة أقل.
• متطلبات الذاكرة: تشتهر نماذج Ultralytics بكفاءتها. وتتطلب YOLO26 ذاكرة CUDA أقل بكثير أثناء تدريب النماذج والاستدلال مقارنةً بـنماذج الرؤية القائمة على Transformer المعقدة، ما يتيح للمطورين استخدام أحجام دفعات أكبر على العتاد الاستهلاكي.

المنظومة وسهولة الاستخدام وتعدد الاستخدامات#

تُعد تجربة المستخدم من أبرز نقاط قوة منظومة Ultralytics. فبينما يضطر الباحثون الذين يستخدمون قاعدة شيفرة YOLOv9 على GitHub إلى التعامل مع إعدادات بيئية معقدة وبرمجة يدوية، تتكامل YOLO26 بالكامل مع واجهة Ultralytics Python البسيطة.

مثال مبسّط على API#

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

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 المهام#

على عكس YOLOv9، المصممة أساسًا لكشف الأجسام القياسي، تدعم YOLO26 أصلاً جميع مهام الرؤية الحاسوبية السبع في Ultralytics، بما فيها التقسيم الدلالي وتقدير العمق. وتتضمن البنية تحسينات محددة لتطبيقات متنوعة:

• تقسيم الكائنات: يضيف خسارة للتقسيم الدلالي ووحدة proto متعددة المقاييس لإنتاج أقنعة أعلى جودة.
• تصنيف الصور: تصنيف موثوق للصور الكاملة وفق معايير ImageNet.
• تقدير الوضعية: يدمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحديد مواقع النقاط المفتاحية بدقة أكبر.
• مربعات الإحاطة الموجّهة (OBB): تتضمن دالة خسارة متخصصة للزاوية، صُممت لمعالجة مشكلات الحدود في كشف الأجسام المستديرة ضمن الصور الجوية.

تطبيقات واقعية#

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

إنترنت الأشياء والروبوتات الطرفية#

للروبوتات والطائرات المسيّرة ذاتية القيادة وأجهزة إنترنت الأشياء المنزلية الذكية، تُعد YOLO26 الخيار الأفضل. ويحسّن ProgLoss + STAL كشف الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالمراقبة الزراعية باستخدام الطائرات المسيّرة على ارتفاعات عالية. وبالاقتران مع استدلال أسرع على CPU بنسبة تصل إلى 43% (YOLO26n مقارنةً بـYOLO11n) وتصميمها الخالي من NMS، تعمل YOLO26 بسلاسة على العتاد الذي لا يحتوي على وحدات GPU مخصصة.

البحث الأكاديمي وتحليل التدرّج#

تظل YOLOv9 نموذجًا يحظى بتقدير واسع في الأوساط الأكاديمية. وسيجد الباحثون الذين يدرسون الحدود النظرية لتدفق التدرج، أو الذين يسعون إلى إنشاء طبقات PyTorch مخصصة استنادًا إلى مفهوم PGI، أن قاعدة شيفرة YOLOv9 أساس جيد لاستكشاف نظرية التعلم العميق.

مسارات التصنيع عالية السرعة#

في البيئات الصناعية، مثل كشف العيوب آليًا على السيور الناقلة عالية السرعة، تساعد سرعات TensorRT العالية لنماذج YOLO26 على تجنب إسقاط الإطارات، ما يزيد إنتاجية أنظمة ضمان الجودة إلى أقصى حد.

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 تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

الخلاصة#

يمثل كلا النموذجين تقدمًا مهمًا للمجتمع مفتوح المصدر. وقدمت YOLOv9 تحسينات نظرية مهمة لتدفق التدرج لا تزال تؤثر في البنى الجديدة. لكن بالنسبة إلى المطورين والشركات الناشئة وفرق المؤسسات الذين يسعون إلى التوازن بين السرعة والدقة وسهولة النشر، فإن Ultralytics YOLO26 هي الخيار الواضح.

بفضل الاستدلال الخالي من NMS ومُحسِّن MuSGD والأدوات التي تشمل الكشف والتقسيم وتقدير الوضعية وغيرها، توفر YOLO26 أساسًا موثوقًا ومدعومًا جيدًا لمشاريع الرؤية الحاسوبية.