Ultralytics YOLO26#

نظرة عامة#

YOLO26 من Ultralytics عائلة موحدة من نماذج الرؤية الآنية، موصوفة في ورقة Ultralytics YOLO26. ويقدّم استدلالًا أصليًا من البداية إلى النهاية، ورأس كشف أخف وزنًا، ووصفة تدريب محدّثة، ورؤوسًا خاصة بمهام الكشف والتجزئة وتقدير الوضعية والتصنيف والكشف الموجّه.

عبر مقاييس الكشف الخمسة، يحقق YOLO26 40.9-57.5 mAP على COCO بزمن استجابة 1.7-11.8 ms باستخدام T4 TensorRT. وتذكر الورقة أيضًا أن استدلال YOLO26n على CPU باستخدام ONNX أسرع بما يصل إلى 43% مقارنةً بـ YOLO11n على Intel Xeon CPU @ 2.00 GHz.

راجع معاينة YOLO27 غير الصادر للاطلاع على البنية والمهام والمعايير الأولية المخطط لها.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج YOLO26n مدرّب مسبقًا⁩
results = model("path/to/bus.jpg")  # ⁨تشغيل الاستدلال⁩

تتمحور عائلة نماذج YOLO26 حول أربعة مجالات تصميم:

• الاستدلال الأصلي من البداية إلى النهاية: ينتج رأس الكشف الاختياري أحادي المطابقة التنبؤات دون قمع غير الأعظميات (NMS)، ما يبسّط النشر ويقلّل المعالجة اللاحقة.
• انحدار مربعات أخف وزنًا: يزيل YOLO26 خسارة البؤرة التوزيعية (DFL)، ما يقلّل تعقيد رأس الكشف مع الحفاظ على نطاق انحدار غير مقيّد.
• تحديثات وصفة التدريب: يجمع مسار التدريب بين MuSGD (مُحسِّن هجين يجمع Muon وSGD) وProgressive Loss وSTAL (إسناد التسميات المراعي للأهداف الصغيرة) لتحسين التحسين، وتوجيه الإشراف نحو الرأس المستخدم أثناء الاستدلال، والحفاظ على تغطية إيجابية للتسميات الخاصة بالأجسام الصغيرة. وترد المعلمات الفائقة الكاملة وراء نقاط التحقق الصادرة في دليل وصفة تدريب YOLO26.
• رؤوس وخسائر خاصة بالمهام: يضيف YOLO26 تصميمات مخصصة لتجزئة المثيلات، وأنواع التجزئة الدلالية، وتقدير الوضعية، والكشف الموجّه، مع الحفاظ على مسار نموذج واحد عبر المهام.

تحسّن هذه التحديثات مجتمعةً المفاضلة بين الدقة وزمن الاستجابة عبر مقاييس النماذج وأهداف النشر المختلفة.

الميزات الرئيسية#

• انحدار بلا DFL يزيل YOLO26 خسارة البؤرة التوزيعية (DFL)، ما يقلّل تعقيد رأس الكشف ويسهّل التصدير.

• استدلال من البداية إلى النهاية وخالٍ من NMS يدعم YOLO26 الاستدلال الأصلي من البداية إلى النهاية باستخدام nms=False، وينتج التنبؤات دون خطوة NMS منفصلة. ويستخدم المسار الافتراضي من واحد إلى متعدد NMS لتحقيق الدقة.

• Progressive Loss + STAL يوجّه Progressive Loss تركيز التدريب نحو الرأس المستخدم أثناء الاستدلال، بينما يحسّن STAL التغطية الإيجابية للتسميات الخاصة بالأجسام الصغيرة.

• مُحسِّن MuSGD مُحسِّن هجين يجمع SGD مع Muon، ويكيّف أفكار التحسين من تدريب النماذج اللغوية الكبيرة لتناسب الرؤية الحاسوبية.

• النشر الفعّال يقلّل الرأس المبسّط والمسار الاختياري الخالي من NMS الحمل الزائد للاستدلال عبر أهداف التصدير وملفات تعريف الأجهزة، بما في ذلك تسريع CPU باستخدام ONNX الذي أبلغت عنه الورقة لـ YOLO26n مقارنةً بـ YOLO11n.

• تحسينات تجزئة المثيلات يضيف خسارة التجزئة الدلالية لتحسين تقارب النموذج، ووحدة proto مطوّرة تستفيد من المعلومات متعددة المقاييس لتحسين جودة الأقنعة. وتذكر الورقة مكاسب مقارنةً بـ YOLO11 تصل إلى +2.5 AP للمربعات و+3.7 AP للأقنعة في تجزئة المثيلات على COCO.

• تقدير دقيق للوضعية يدمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحديد مواقع نقاط الارتكاز بدقة أكبر، ويحسّن عملية فك الترميز لزيادة سرعة الاستدلال. وتذكر الورقة مكاسب تصل إلى +7.2 AP مقارنةً بـ YOLO11 في تقدير الوضعية على COCO.

• فك ترميز OBB محسّن يضيف خسارة زاوية متخصصة لتحسين دقة الكشف عن الأجسام المربعة، ويحسّن فك ترميز OBB لمعالجة مشكلات الانقطاع عند الحدود. وتذكر الورقة مكاسب تصل إلى +3.4 mAP مقارنةً بـ YOLO11 في الكشف الموجّه على DOTA-v1.0.

المهام والأوضاع المدعومة#

يدعم YOLO26 مجموعة مهام Ultralytics القياسية عبر خمسة مقاييس للنماذج:

يشمل هذا الإطار الموحد الكشف في الوقت الفعلي، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق أحادي العين، والتصنيف، وتقدير الوضعية، والكشف عن الأجسام الموجّهة، مع دعم التدريب والتحقق والاستدلال والتصدير.

مقاييس الأداء#

قيم Params وFLOPs خاصة بالنموذج المدمج بعد طي Conv/BatchNorm وإزالة فرع الكشف غير المستخدم. تختار قياسات السرعة الرأس الخالية من NMS باستخدام nms=False. تحتفظ نقاط التحقق المدربة مسبقًا ببنية التدريب الكاملة وقد تُظهر أعدادًا أعلى.

أمثلة الاستخدام#

يقدم هذا القسم أمثلة مبسطة على تدريب YOLO26 والاستدلال به. للاطلاع على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات وثائق التنبؤ والتدريب والتحقق والتصدير.

لاحظ أن المثال أدناه خاص بنماذج YOLO26 للكشف عن الكائنات. للاطلاع على المهام الأخرى المدعومة، راجع وثائق التقسيم والتقسيم الدلالي والعمق والتصنيف وتقدير الوضعية وOBB.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مدرب مسبقًا على COCO⁩
model = YOLO("yolo26n.pt")

# ⁨تنفيذ الاستدلال باستخدام نموذج YOLO26n على الصورة 'bus.jpg'⁩
results = model("path/to/bus.jpg")

# ⁨تدريب النموذج على مجموعة بيانات المثال COCO8 لمدة 100 حقبة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# ⁨استخدام رأس واحد إلى متعدد (افتراضي، يطبّق Ultralytics تقنية NMS)⁩
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# ⁨اختيار رأس واحد إلى واحد الخالي من NMS⁩
results = model.predict("image.jpg", nms=False)  # inference
metrics = model.val(data="coco.yaml", nms=False)  # validation
model.export(format="onnx", nms=False)  # export

YOLOE-26: الكشف والتقسيم بمفردات مفتوحة#

يشغّل YOLO26 أيضًا YOLOE-26، وهو إصدار بمفردات مفتوحة يكشف فئات الكائنات ويقسّمها استنادًا إلى مطالبات نصية أو مطالبات مرئية أو وضع بلا مطالبات، بدلًا من قائمة فئات ثابتة يتعلمها أثناء التدريب. يحتفظ YOLOE-26 برأس YOLO26 الاختياري الشامل من البداية إلى النهاية (e2e) والخالي من NMS، ما يجعل الاستدلال بمفردات مفتوحة سريعًا بما يكفي للبيئات الديناميكية التي تتغير فيها الفئات المستهدفة بمرور الوقت. يحقق YOLOE-26x مقدار 40.6 AP على LVIS minival باستخدام المطالبات النصية، و38.5 AP باستخدام المطالبات المرئية، و31.1 AP دون مطالبات — وهي أرقام الورقة البحثية لنمط Non-E2E، ويتأخر عنها الرأس الشامل من البداية إلى النهاية بمقدار 1.1 و2.3 و1.2 AP.

راجع وثائق YOLOE للاطلاع على جداول الأداء بحسب الحجم، والإصدارات التي لا تتطلب مطالبات، وأمثلة الاستخدام الكاملة.

الاستشهادات والشكر والتقدير#

للاطلاع على وصف تقني كامل لبنية YOLO26 ووصفة التدريب ورؤوس المهام وامتداد YOLOE-26 ذي المفردات المفتوحة، اقرأ Ultralytics YOLO26: نماذج رؤية موحدة وآنية وشاملة من البداية إلى النهاية. إذا استخدمت YOLO26 في بحثك، يُرجى الاستشهاد بما يلي:

@misc{jocher2026ultralyticsyolo26unifiedrealtime,
  title = {Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models},
  author = {Glenn Jocher and Jing Qiu and Mengyu Liu and Shuai Lyu and Fatih Cagatay Akyon and Muhammet Esat Kalfaoglu},
  year = {2026},
  eprint = {2606.03748},
  archivePrefix = {arXiv},
  primaryClass = {cs.CV},
  doi = {10.48550/arXiv.2606.03748},
  url = {https://arxiv.org/abs/2606.03748},
}

يتوفر رمز YOLO26 ونماذجه ووثائقه في مستودع Ultralytics على GitHub ووثائق Ultralytics بموجب ترخيصي AGPL-3.0 والمؤسسات.

الأسئلة الشائعة#