Ultralytics YOLO26#

نظرة عامة#

تُعدّ Ultralytics YOLO26 عائلةً موحّدةً من نماذج الرؤية الآنية الموصوفة في ورقة Ultralytics YOLO26. وتقدّم استدلالًا أصليًا شاملًا من البداية إلى النهاية، ورأس كشف أخف، ووصفة تدريب محدّثة، ورؤوسًا خاصة بكل مهمة للكشف، والتقسيم، وتقدير الوضعية، والتصنيف، والكشف الموجّه.

عبر مقاييس الكشف الخمسة، تحقق YOLO26 قيمة 40.9-57.5 mAP على COCO بزمن استجابة 1.7-11.8 ms على T4 TensorRT. وتذكر الورقة أيضًا استدلالًا على CPU باستخدام ONNX أسرع بنسبة تصل إلى 43% لنموذج YOLO26n مقارنةً بـ YOLO11n على معالج Intel Xeon CPU @ 2.00 GHz.

راجع مع معاينة YOLO27 غير الإصدار المعمارية المخططة، والمهام، والمعايير التمهيدية.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # load a pretrained YOLO26n model
results = model("path/to/bus.jpg")  # run inference

تتمحور عائلة نماذج YOLO26 حول أربعة مجالات تصميم:

• الاستدلال الأصلي من البداية إلى النهاية: ينتج رأس الكشف الاختياري من واحد لواحد تنبؤات بدون قمع الحد الأقصى (NMS)، مما يبسط النشر ويقلل من المعالجة اللاحقة.
• انحدار مربعات أخف: يزيل YOLO26 خسارة البؤرة التوزيعية (DFL)، مما يقلّل تعقيد رأس الكشف مع الحفاظ على نطاق انحدار غير مقيّد.
• تحديثات وصفة التدريب: يجمع مسار التدريب بين MuSGD (محسّن هجين يجمع بين Muon وSGD)، وProgressive Loss، وSTAL (إسناد التسميات الواعي بالأهداف الصغيرة) لتحسين التحسين، وتحويل الإشراف نحو رأس الاستدلال، والحفاظ على تغطية التسميات الموجبة للأجسام الصغيرة. وقد وُثّقت المعلمات الفائقة الكاملة الكامنة وراء نقاط التحقق المُصدرة في دليل وصفة تدريب YOLO26.
• رؤوس وخسائر خاصة بكل مهمة: يضيف YOLO26 تصميمات موجّهة لتقسيم المثيلات، ومتغيرات التقسيم الدلالي، وتقدير الوضعية، والكشف الموجّه، مع الحفاظ على مسار نموذج واحد عبر المهام.

تعمل هذه التحديثات مجتمعةً على تحسين المفاضلة بين الدقة وزمن الاستجابة عبر مقاييس النماذج وأهداف النشر.

الميزات الرئيسية#

• الانحدار الخالي من DFL يزيل YOLO26 خسارة البؤرة التوزيعية (DFL)، مما يقلّل تعقيد رأس الكشف ويبسّط التصدير.

• الاستدلال من البداية إلى النهاية بدون قمع الحد الأقصى (NMS-Free) يدعم YOLO26 الاستدلال الأصلي من البداية إلى النهاية مع nms=False، مما ينتج تنبؤات بدون تمرير منفصل لقمع الحد الأقصى (NMS). يستخدم المسار الافتراضي من واحد لمتعدد قمع الحد الأقصى (NMS) لتحقيق الدقة.

• Progressive Loss + STAL تنقل Progressive Loss تركيز التدريب نحو رأس وقت الاستدلال، بينما تحسّن STAL تغطية التسميات الموجبة للأجسام الصغيرة.

• محسّن MuSGD محسّن هجين يجمع بين SGD وMuon، ويكيّف أفكار التحسين من تدريب نماذج اللغة الكبيرة مع الرؤية الحاسوبية.

• النشر الكفء يؤدي الرأس المبسط ومسار الاختياري بدون قمع الحد الأقصى (NMS) إلى تقليل عبء الاستدلال عبر أهداف التصدير وملفات تعريف الأجهزة، بما في ذلك تسريع وحدة المعالجة المركزية (CPU) بتنسيق ONNX المبلغ عنه في الورقة البحثية لنموذج YOLO26n مقارنة بنموذج YOLO11n.

• تحسينات تقسيم المثيلات يقدّم خسارة التقسيم الدلالي لتحسين تقارب النموذج، ووحدة proto محدّثة تستفيد من المعلومات متعددة المقاييس لتحسين جودة الأقنعة. وتذكر الورقة مكاسب مقارنةً بـ YOLO11 تصل إلى +2.5 box AP و+3.7 mask AP في تقسيم المثيلات على COCO.

• تقدير دقيق للوضعية يدمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحديد مواضع النقاط المفتاحية 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 منقّح يقدّم خسارة زاوية متخصصة لتحسين دقة الكشف عن الأجسام مربعة الشكل، ويحسّن فك ترميز OBB لمعالجة مشكلات عدم استمرارية 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:

يغطي هذا الإطار الموحّد الكشف الآني، وتقسيم المثيلات، والتقسيم الدلالي، وتقدير العمق أحادي العين، والتصنيف، وتقدير الوضعية، والكشف عن الأجسام الموجّهة، مع دعم التدريب والتحقق والاستدلال والتصدير.

مقاييس الأداء#

قيم المعلمات وعدد العمليات في الثانية (FLOPs) مخصصة للنموذج المدمج بعد طي العمليات Conv/BatchNorm وإزالة فرع الكشف غير المستخدم. تحدد قياسات السرعة الرأس الخالي من قمع الحد الأقصى (NMS) مع nms=False. تحتفظ نقاط التحقق المدربة مسبقاً ببنية التدريب الكاملة وقد تظهر أعداداً أعلى.

أمثلة على الاستخدام#

يقدّم هذا القسم أمثلةً بسيطةً على تدريب YOLO26 واستدلاله. للحصول على التوثيق الكامل لهذه الأوضاع وغيرها، راجع صفحات توثيق Predict وTrain وVal وExport.

لاحظ أن المثال أدناه مخصّص لنماذج YOLO26 Detect الخاصة بـالكشف عن الأجسام. للاطلاع على المهام المدعومة الإضافية، راجع مستندات Segment وSemantic Segmentation وDepth وClassify وPose وOBB.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

# Train the model on the COCO8 example dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Use one-to-many head (default, Ultralytics applies NMS)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Opt into the NMS-free one-to-one head
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 بالمفردات المفتوحة#

يدعم YOLO26 أيضاً YOLOE-26، وهو متغير مفتوح المفردات يكتجز ويفجز فئات الكائنات من موجهات نصوص، أو موجهات مرئية، أو وضع بلا موجهات بدلاً من قائمة فئات ثابتة يتم تعلمها وقت التدريب. يحتفظ YOLOE-26 برأس YOLO26 الاختياري من طرف إلى طرف (e2e) الخالي من NMS، لذا يظل الاستدلال مفتوح المفردات سريعاً بالقدر الكافي للبيئات الديناميكية التي تتغير فيها فئات الأهداف بمرور الوقت. يصل YOLOE-26x إلى 40.6 AP على LVIS minival في ظل التوجيه بالنصوص، و38.5 AP في ظل التوجيه المرئي و31.1 AP بدون توجيه - وهي أرقام Non-E2E الخاصة بالورقة البحثية، والتي يتخلف عنها رأس الطرف إلى طرف بمقدار 1.1 و2.3 و1.2 AP.

راجع توثيق YOLOE للاطلاع على جداول الأداء لكل مقياس، والإصدارات الخالية من المطالبات، وأمثلة الاستخدام الكاملة.

الاقتباسات والشكر والتقدير#

للحصول على وصف تقني كامل لبنية YOLO26، ووصفة التدريب، ورؤوس المهام، وامتداد YOLOE-26 ذي المفردات المفتوحة، اقرأ Ultralytics YOLO26: نماذج رؤية موحّدة وآنية وشاملة من البداية إلى النهاية. إذا استخدمت YOLO26 في بحثك، فيُرجى 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 وتوثيقه في مستودع Ultralytics على GitHub ومستندات Ultralytics بموجب ترخيصي AGPL-3.0 والمؤسسات.

الأسئلة الشائعة#