شرح بنية YOLO: من YOLOv3 إلى YOLO26

يتألف كل نموذج من نماذج Ultralytics YOLO من ثلاث مراحل: العمود الفقري الذي يستخرج السمات، والعنق الذي يدمجها عبر المقاييس، والرأس الذي يتنبأ بالصناديق والفئات. يوثّق هذا الدليل الوحدات التي تتكوّن منها كل مرحلة، وكيف تطورت من YOLOv3 إلى YOLO26، مع تتبّع كل مكوّن إلى تعريفه في ملفات التكوين ضمن ultralytics/cfg/models/ وإلى فئات الوحدات في ultralytics/nn/modules/.

يُعرّف كل نموذج تعريفًا تصريحيًا في ملف YAML على هيئة قائمة مرتّبة من الطبقات، وتتبع كل طبقة التنسيق [from, repeats, module, args]: الطبقة أو الطبقات التي تغذّيها، وعدد مرات تكرار الوحدة، وفئة الطبقة (Conv، C3k2، SPPF، Detect، …)، ووسائط المُنشئ. يوثّق دليل إعدادات نموذج YAML هذا التنسيق — بما في ذلك كيفية تغيّر مقياسي repeats وargs مع مضاعفي العمق والعرض للنسخة — إلى جانب نظام حلّ الوحدات بالكامل. يركّز هذا الدليل على الوحدات نفسها وكيف تغيّرت من إصدار إلى آخر.

المراحل الثلاث#

يمرّر كل نموذج Ultralytics YOLO الصورة عبر ثلاث مراحل متتابعة، لكل منها مهمة مميزة:

الوحدة الأساسية هي كتلة Conv (المعرّفة في conv.py): التفاف ثنائي الأبعاد، وتطبيع الدفعة، وتنشيط SiLU، تُطبّق بالتتابع. تتكوّن كل وحدة أكبر أدناه من تركيب كتل Conv.

مخططات البنية#

تحافظ كل نسخة على الهيكل نفسه المكوّن من العمود الفقري → العنق → الرأس، وتُغيّر مراحل محددة. تعرض علامات التبويب أدناه بنية كل نسخة: تتبع مراحل العمود الفقري والعنق الإعدادات في ultralytics/cfg/models/، بينما تُرسم رأسا YOLOv3 وYOLOv5 بصورتهما الأصلية المعتمدة على المراسي، لا برأس الإصدار المعتمد على المراسي u الذي تتضمنه إعدادات الحزم فعليًا. يوضّح استعراض علامات التبويب الإضافات التي أدخلها كل جيل. باختصار، يتلخص التطور في الآتي: YOLOv3 كاشف يعتمد على المراسي ويستخدم FPN فقط؛ ويضيف YOLOv5 مسار PAN من الأسفل إلى الأعلى وSPPF؛ وينتقل YOLOv8 إلى كتلة C2f مع رأس لا يعتمد على المراسي وDFL؛ ويُدرج YOLO11 آلية الانتباه C2PSA وكتلة C3k2؛ ويضيف YOLO26 وصلة متبقية SPPF، ويزيل DFL، ويضيف رأسًا اختياريًا لا يستخدم NMS.

تعرض مخططات YOLOv3 وYOLOv5 الرأس الأصلي المعتمد على المراسي. تتضمن حزمة ultralytics ملفي الإعداد المتغيّرين YOLOv3u وYOLOv5u الخاليين من المراسي — وهما يستخدمان العمودين الفقريين Darknet-53 وC3 نفسيهما، مع رأس Detect الخاص بـYOLOv8 — كما هو موضّح ضمن رأس الكشف.

كتل العمود الفقري: Bottleneck → C3 → C2f → C3k2#

يرصّ العمود الفقري كتلة CSP (جزئية عبر المراحل) متكررة بين طبقات خفض الدقة Conv ذات الخطوة 2. وقد شهدت هذه الكتلة المتكررة أكبر قدر من التغيير عبر الإصدارات. توجد جميع الكتل أدناه في block.py؛ ويمثل c1/c2 قنوات الإدخال/الإخراج، بينما يمثل c = 0.5 * c2 العرض المخفي.

Bottleneck (YOLOv3)#

الوحدة الأساسية هي Bottleneck: طبقتا Conv (بحجم النواة الافتراضي (3, 3)) مع جمع متبقٍ اختياري عند shortcut=True وc1 == c2. يرصّ العمود الفقري Darknet-53 في YOLOv3 هذه الوحدات مباشرة، من دون تقسيم CSP، ويجري الكشف عند ثلاثة مقاييس (الخطوات 8 و16 و32).

C3 (YOLOv5)#

تقسم وحدة C3 في YOLOv5 الإدخال على التفافين 1x1: يغذّي cv1 كتل Bottleneck المتتابعة وعددها n (بحجمي نواة (1, 1) ثم (3, 3))، بينما يتجاوزها cv2. يُسلسَل المساران ويُدمجان بواسطة 1x1 ثالث من نوع Conv:

def forward(self, x):
    # ⁨C3: يُسلسَل مسار الاختناق m(cv1(x)) مع مسار التجاوز cv2(x)، ثم يُدمجان بواسطة cv3⁩
    return self.cv3(torch.cat((self.m(self.cv1(x)), self.cv2(x)), 1))

لا يصل إلى التفاف الدمج سوى خرج كتلة الاختناق الأخيرة، لذا يتلقى cv3 خريطتي سمات.

C2f (YOLOv8)#

تغيّر وحدة C2f في YOLOv8 («كتلة اختناق CSP ذات التفافين، أسرع») السمات التي تصل إلى التفاف الدمج:

1. تُطبّق cv1 = Conv(c1, 2 * c, 1)، ثم تقسّم chunk(2) الخرج إلى موترين، لكل منهما c قناة.
2. تُشغّل كتل Bottleneck(c, c) من نوع n بالتتابع (بحجمي النواة (3, 3) و(3, 3))، وتتلقى كل كتلة خرج الكتلة السابقة.
3. تُسلسَل جميع الموترات الوسيطة n + 2 وتُدمج بواسطة cv2 = Conv((2 + n) * c, c2, 1).

بينما تمرر C3 خريطتي سمات إلى التفاف الدمج، تمرر C2f عدد n + 2 — إذ يُعاد استخدام كل خرج وسيط لكتلة الاختناق.

C3k2 (YOLO11 وYOLO26)#

يستخدم YOLO11 وYOLO26 الوحدة C3k2، وهي فئة فرعية من C2f تستبدل الوحدة المتكررة. وتتحول كل كتلة من كتل n، حسب أعلام المُنشئ، إلى:

• Bottleneck عادية (افتراضيًا، c3k=False)،
• كتلة C3k (c3k=True) — وهي صيغة من C3 ذات حجم نواة قابل للضبط، أو
• زوج Bottleneck + PSABlock (attn=True).

يضبط وسيط YAML الثاني c3k، إلا إذا كان المقياس m أو l أو x، إذ يُفرض عندها أن يكون True — وهكذا تخدم وحدة yolo11.yaml واحدة المتغيرات الخمسة. لذلك، تنشئ [-1, 2, C3k2, [512, False]] البنى الداخلية لـBottleneck عند n وs، بينما تنشئ البنى الداخلية لـC3k عند m وl وx؛ ويمثل الرقم 512 عدد القنوات قبل التحجيم، الذي يحوّله مضاعف العرض الخاص بالمتغير إلى 128 عند n وإلى 768 عند x. في وحدات CSP، يصبح الحقل repeats — وقيمته هنا 2 قبل تحجيمه بمضاعف العمق الخاص بالمتغير — عدد التكرارات الداخلية للكتلة بدلًا من رصّ وحدات منفصلة.

التجميع المكاني: SPP → SPPF#

في نهاية العمود الفقري، توسّع كتلة تجميع هرمي مكاني مجال الاستقبال. استبدل YOLOv5 SPP الأصلي متعدد النوى بـSPPF (التجميع الهرمي المكاني - السريع): تُطبّق MaxPool2d(kernel_size=5, stride=1, padding=2) واحدة n = 3 مرات متتالية، ثم تُدمج المدخلات وجميع المخرجات الثلاثة المجمّعة وتُدمج بواسطة 1x1 Conv. وهذا مكافئ رياضياً لـSPP(k=(5, 9, 13)) لكنه أقل تكلفة، لأن عمليات التجميع المتسلسلة 5x5 تغطي مجالات الاستقبال الخاصة بالنوى الأكبر.

يمرّر YOLO26 علم وصلة مختصرة (SPPF, [1024, 5, 3, True])؛ وبما أن c1 == c2 == 1024 عند أعمق طبقة، تضيف SPPF وصلة متبقية (return y + x).

الانتباه المكاني: C2PSA (YOLO11 وما بعده)#

أضاف YOLO11 C2PSA بعد SPPF. وهي كتلة CSP يتكوّن فرعها النشط من رصّة من وحدات PSABlock من نوع n (انتباه حساس للموضع): تقسّم cv1 = Conv(c1, 2 * c, 1) السمات، ويمرّ نصفها عبر رصّة PSABlock، ثم تدمج cv2 = Conv(2 * c, c1, 1) السمات المتسلسلة. وتطبّق كل وحدة PSABlock انتباهًا متعدد الرؤوس، يتبعه نموذج تغذية أمامية من طبقتين (Conv(c, 2 * c, 1) → Conv(2 * c, c, 1))، ولكل منهما وصلة متبقية. ويحافظ YOLO26 على العمود الفقري نفسه C3k2 + C2PSA.

العنق: FPN + PAN#

يدمج العنق خرائط ميزات P3/P4/P5 للعمود الفقري باستخدام شبكة هرمية للميزات (FPN) من أعلى إلى أسفل، تليها شبكة تجميع المسارات (PAN) من أسفل إلى أعلى. في قسم الرأس في YAML، تتألف FPN من nn.Upsample + Concat (لنقل المعلومات الدلالية إلى مستويات الدقة الأعلى)، وتتألف PAN من Conv + Concat بخطوة 2 (لإعادة معلومات تحديد الموقع إلى الأعلى):

# YOLO11 head (FPN top-down, then PAN bottom-up)
- [-1, 1, nn.Upsample, [None, 2, "nearest"]]
- [[-1, 6], 1, Concat, [1]] # cat backbone P4
- [-1, 2, C3k2, [512, False]] # 13
# ... second upsample + concat to P3 ...
- [-1, 1, Conv, [256, 3, 2]]
- [[-1, 13], 1, Concat, [1]] # cat head P4 (PAN)
- [-1, 2, C3k2, [512, False]] # 19

يعيد العنق استخدام كتلة العمود الفقري الخاصة بجيله — C3 في YOLOv5، وC2f في YOLOv8، وC3k2 في YOLO11 وYOLO26 — لذا تستخدم كل نقطة دمج الوحدة نفسها التي يستخدمها العمود الفقري. وتغذّي المخرجات الثلاثة المدمجة الرأس. ويُستثنى YOLOv3: فعنقه يستخدم FPN من الأعلى إلى الأسفل فقط (ولا يحتوي قسم الرأس في YAML على خفض دقة بخطوة 2)، من دون مسار PAN من الأسفل إلى الأعلى الذي قدّمه YOLOv5.

رأس الكشف: معتمد على المراسي → خالٍ من المراسي → خالٍ من NMS#

يحوّل الرأس خرائط الميزات الثلاث المدمجة إلى تنبؤات لمهمة الاكتشاف. وقد تغير تصميمه عبر الإصدارات، من الاعتماد على المراسي إلى الاستغناء عنها، ثم إلى الاستغناء عن NMS.

Detect خالٍ من المراسي ومنفصل الفروع#

استخدم YOLOv3 وYOLOv5 الأصليان رأسًا معتمدًا على المراسي ومترابط الفروع: صناديق مراسي محددة مسبقًا وفرع مشترك للتنبؤ بالصناديق والفئات. وتحافظ مستودعات ultralytics/yolov3 وultralytics/yolov5 المستقلة على هذا التصميم المعتمد على المراسي. أما الحزمة الرئيسية ultralytics فتتضمن بدلًا من ذلك المتغيرين YOLOv3u وYOLOv5u الخاليين من المراسي — وهما يستخدمان العمودين الفقريين Darknet-53 وC3 نفسيهما، مع رأس Detect الخالي من المراسي الخاص بـYOLOv8 — كما أن ملفي الإعداد yolov3.yaml وyolov5.yaml الموثقين هنا يخصان متغيرات u هذه، وليس التصميم التاريخي.

إن الرأس Detect (head.py) خالٍ من المراسي ومنفصل: فهو يشغّل فرعين متوازيين لكل مستوى هرمي، ويتنبأ مباشرةً عند نقاط الشبكة بدلاً من الاعتماد على مربعات المراسي.

• فرع الصناديق (cv2): Conv(x, c2, 3) → Conv(c2, c2, 3) → Conv2d(c2, 4 * reg_max, 1).
• فرع الفئات (cv3): في YOLO11 وYOLO26، وحدتان قابلتان للفصل عمقيًا (DWConv + 1x1 Conv) → Conv2d(c3, nc, 1)؛ أما YOLOv8 فيستخدم الصيغة القديمة، وهي طبقتان 3x3 Conv → Conv2d(c3, nc, 1).

لذلك تُصدر كل نقطة مرساة no = nc + 4 * reg_max مخرجات. ويؤدي إزالة المراسي المحددة مسبقاً إلى حذف أحجام مربعات المراسي ونسب أبعادها من المعلمات الفائقة الواجب ضبطها.

خسارة البؤرة التوزيعية (DFL)#

يقدّر YOLOv8 وYOLO11 كل إحداثي من إحداثيات الصندوق الأربع على هيئة توزيع على reg_max = 16 خانة بدلًا من قيمة عددية واحدة (الصيغة التكاملية من الخسارة البؤرية المعممة). تعيد الوحدة DFL تشكيل قنوات الصندوق 4 * reg_max إلى (4, reg_max)، وتطبّق softmax على reg_max خانة، ثم تأخذ الفهرس المتوقع للخانة — أي حاصل ضرب كل فهرس خانة في احتمال softmax الخاص به ثم جمع النتائج — بوصفه الإحداثي المتنبأ به. ويُنفّذ ذلك باستخدام التفاف ثابت 1x1 تكون أوزانه مؤشرات الخانات arange(reg_max)، لذا يُحسب المجموع الموزون بعملية ضرب نقطي واحدة.

YOLO26: خالٍ من NMS وDFL#

يضبط YOLO26 معاملي YAML اللذين يقرأهما الرأس مباشرة:

• end2end: True — تنسخ Detect فروع الرأس بعمق إلى رأس أحادي المطابقة (one2one_cv2/one2one_cv3) يتعلم تنبؤًا واحدًا لكل جسم. ينشئ إعداد YAML هذا رأسي التدريب كليهما؛ وفي وقت التشغيل، تختار nms=False الرأس أحادي المطابقة وتحذف خطوة المعالجة اللاحقة لقمع غير الأعظميات (NMS). راجع دليل الكشف الشامل من البداية إلى النهاية للاطلاع على تفاصيل الاستدلال والتصدير.
• reg_max: 1 — عند استخدام خانة واحدة، تصبح self.dfl هي nn.Identity() وno = nc + 4؛ ويتنبأ الرأس بالإحداثيات مباشرة، ولا تظهر أي عملية DFL في مخطط ONNX المُصدّر.

عبر أحجامه الخمسة (n/s/m/l/x)، يحقق YOLO26 قيمة mAP تتراوح بين 40.9 و57.5 على COCO، مع زمن استدلال يتراوح بين 1.7 و11.8 ms على T4 باستخدام TensorRT، وفقاً لما ورد في ورقة YOLO26.

ملخص حسب الإصدار#

للاطلاع على تفاصيل كل نموذج وجداول الأداء وأمثلة الاستخدام، راجع الصفحات المخصصة لـYOLOv3 وYOLOv5 وYOLOv8 وYOLO11 وYOLO26.

افحص البنية بنفسك#

تعرض الطريقة model.info() ملخصًا للطبقات والمعلمات وFLOPs، وتتوفر قائمة الوحدات المُحلّلة في model.model.model.

from ultralytics import YOLO

# ⁨تحميل نموذج مدرَّب مسبقًا⁩
model = YOLO("yolo11n.pt")

# ⁨ادمج طبقات Conv + BatchNorm لتتطابق الأعداد مع المواصفات المنشورة⁩
model.fuse()

# ⁨اطبع ملخصًا: الطبقات والمعلمات والتدرجات وGFLOPs⁩
model.info()

# ⁨افحص رأس الكشف (الوحدة الأخيرة في الشبكة)⁩
head = model.model.model[-1]
print(type(head).__name__, "| reg_max:", head.reg_max, "| DFL layer:", type(head.dfl).__name__)

يوضح تشغيل المقتطف عبر ثلاثة أجيال التغييرات بالأرقام. هذه مخرجات فعلية لنماذج مدمجة من حزمة ultralytics، وتطابق أعداد المعلمات وFLOPs المنشورة في صفحة كل نموذج:

يعرض YOLO26n القيمة reg_max=1 وطبقة DFL Identity. ويستخدم التنبؤ والتحقق افتراضيًا أسلوب المطابقة من واحد إلى متعدد مع NMS؛ اضبط nms=False للاستدلال الخالي من NMS. ويُدرّب كلا الرأسين.

الخلاصة#

تغيّرت بنية YOLO عبر الإصدارات مرحلةً تلو الأخرى: انتقل العمود الفقري من Darknet-53 إلى كتل C3 وC2f وC3k2 القائمة على CSP والمزوّدة بآلية الانتباه C2PSA؛ وحافظ العنق على بنيته FPN + PAN بينما أصبحت SPP هي SPPF؛ وانتقل الرأس من الاعتماد على المراسي إلى عدم الاعتماد عليها، ثم إلى تصميم YOLO26 الخالي من DFL، مع رأس اختياري شامل من البداية إلى النهاية لا يستخدم NMS.

لتعريف معماريات مخصصة، راجع دليل إعداد YAML للنموذج، أو قارن النماذج على صفحات النماذج. ولطرح الأسئلة، تواصل معنا عبر GitHub أو Discord.

الأسئلة الشائعة#