Ultralytics YOLO26
قريبًا ⚠️
🚧 لا تزال نماذج YOLO26 قيد التطوير ولم يتم إصدارها بعد. أرقام الأداء الموضحة هنا هي معاينات فقط. ستتبع التنزيلات والإصدارات النهائية قريبًا — ابق على اطلاع دائم عبر YOLO Vision 2025.
نظرة عامة
Ultralytics YOLO26 هو أحدث تطور في سلسلة YOLO لكاشفات الأجسام في الوقت الفعلي، وقد تم تصميمه من الألف إلى الياء من أجل الأجهزة الطرفية والأجهزة منخفضة الطاقة. يقدم تصميمًا مبسطًا يزيل التعقيد غير الضروري مع دمج الابتكارات المستهدفة لتقديم نشر أسرع وأخف وزنًا وأكثر سهولة.
تسترشد بنية YOLO26 بثلاثة مبادئ أساسية:
- البساطة: YOLO26 هو نموذج أصلي شامل، ينتج تنبؤات مباشرة دون الحاجة إلى منع التداخل الأقصى (NMS). من خلال التخلص من خطوة المعالجة اللاحقة هذه، يصبح الاستدلال أسرع وأخف وأسهل في النشر في الأنظمة الواقعية. تم ريادة هذا النهج прорыв لأول مرة في YOLOv10 بواسطة Ao Wang في جامعة Tsinghua وتم تطويره بشكل أكبر في YOLO26.
- كفاءة النشر: يقلل التصميم الشامل من مرحلة كاملة من خط الأنابيب، مما يبسط التكامل بشكل كبير، ويقلل زمن الوصول، ويجعل النشر أكثر قوة عبر البيئات المتنوعة.
- ابتكار التدريب: يقدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD و Muon — مُستوحى من اختراقات Kimi K2 من Moonshot AI في تدريب LLM. يجلب هذا المحسن استقرارًا مُحسَّنًا وتقاربًا أسرع، وينقل تحسينات التحسين من النماذج اللغوية إلى رؤية الكمبيوتر.
تجتمع هذه الابتكارات لتقديم عائلة نماذج تحقق دقة أعلى على الكائنات الصغيرة، وتوفر نشرًا سلسًا، وتعمل بسرعة أكبر بنسبة تصل إلى 43٪ على وحدات المعالجة المركزية (CPUs) - مما يجعل YOLO26 أحد نماذج YOLO الأكثر عملية وقابلية للنشر حتى الآن للبيئات ذات الموارد المحدودة.
الميزات الرئيسية
إزالة DFL
في حين أن وحدة Distribution Focal Loss (DFL) فعالة، إلا أنها غالبًا ما تعقد عملية التصدير وتحد من توافق الأجهزة. يزيل YOLO26 وحدة DFL تمامًا، مما يبسط الاستدلال ويوسع الدعم لـ الأجهزة الطرفية ومنخفضة الطاقة.الاستدلال الشامل الخالي من NMS
على عكس الكاشفات التقليدية التي تعتمد على NMS كخطوة معالجة لاحقة منفصلة، فإن YOLO26 شامل أصليًا. يتم إنشاء التنبؤات مباشرةً، مما يقلل من زمن الوصول ويجعل التكامل في أنظمة الإنتاج أسرع وأخف وزنًا وأكثر موثوقية.ProgLoss + STAL
تحسين وظائف الخسارة يزيد من دقة الـ detect، مع تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو مطلب حاسم لتطبيقات إنترنت الأشياء والروبوتات والتصوير الجوي وغيرها من التطبيقات الطرفية.محسن MuSGD
مُحسِّن هجين جديد يجمع بين SGD و Muon. مُستوحى من Kimi K2 من Moonshot AI، يُدخل MuSGD طرق تحسين متقدمة من تدريب LLM في رؤية الكمبيوتر، مما يُمكّن تدريبًا أكثر استقرارًا وتقاربًا أسرع.استدلال أسرع لوحدة المعالجة المركزية CPU بنسبة تصل إلى 43٪
تم تحسين YOLO26 خصيصًا للحوسبة الطرفية، ويوفر استدلالًا أسرع لوحدة المعالجة المركزية CPU بشكل ملحوظ، مما يضمن أداءً في الوقت الفعلي على الأجهزة التي لا تحتوي على وحدات معالجة الرسوميات GPUs.
المهام والأوضاع المدعومة
تم تصميم YOLO26 كـ عائلة نماذج متعددة المهام، مما يوسع من تنوع YOLO عبر تحديات رؤية الكمبيوتر المتنوعة:
| النموذج | المهمة | الاستدلال | التحقق | التدريب | تصدير |
|---|---|---|---|---|---|
| YOLO26 | اكتشاف | ✅ | ✅ | ✅ | ✅ |
| YOLO26-seg | تجزئة المثيل | ✅ | ✅ | ✅ | ✅ |
| YOLO26-pose | الوضع/النقاط الرئيسية | ✅ | ✅ | ✅ | ✅ |
| YOLO26-obb | الكشف الموجه | ✅ | ✅ | ✅ | ✅ |
| YOLO26-cls | التصنيف | ✅ | ✅ | ✅ | ✅ |
يضمن هذا الإطار الموحد أن يكون YOLO26 قابلاً للتطبيق عبر الكشف في الوقت الفعلي، و segmentation، و classification، و pose estimation، و oriented object detection — كل ذلك مع دعم التدريب والتحقق والاستدلال والتصدير.
مقاييس الأداء
معاينة الأداء
المعايير التالية هي معاينات مبكرة. سيتم إصدار الأرقام النهائية والأوزان القابلة للتنزيل بمجرد اكتمال التدريب.
تم التدريب على COCO مع 80 فئة مدربة مسبقًا. راجع Detection Docs للاستخدام بمجرد إصدار النماذج.
| النموذج | الحجم (بالبكسل) | mAPval 50-95(e2e) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n | 640 | 39.8 | 40.3 | 38.90 ± 0.7 | 1.7 ± 0.0 | 2.4 | 5.4 |
| YOLO26s | 640 | 47.2 | 47.6 | 87.16 ± 0.9 | 2.7 ± 0.0 | 9.5 | 20.7 |
| YOLO26m | 640 | 51.5 | 51.7 | 220.0 ± 1.4 | 4.9 ± 0.1 | 20.4 | 68.2 |
| YOLO26l | 640 | 53.0* | 53.4* | 286.17 ± 2.0* | 6.5 ± 0.2* | 24.8 | 86.4 |
| YOLO26x | 640 | - | - | - | - | - | - |
*مقاييس YOLO26l و YOLO26x قيد التقدم. ستتم إضافة المعايير النهائية هنا.
مقاييس الأداء قادمة قريبًا.
مقاييس الأداء قادمة قريبًا.
مقاييس الأداء قادمة قريبًا.
مقاييس الأداء قادمة قريبًا.
الاقتباسات والإقرارات
منشور Ultralytics YOLO26
لم تنشر Ultralytics ورقة بحثية رسمية لـ YOLO26 نظرًا للطبيعة سريعة التطور للنماذج. بدلاً من ذلك، نركز على تقديم نماذج متطورة وتسهيل استخدامها. للحصول على آخر التحديثات حول ميزات وهياكل واستخدام YOLO، تفضل بزيارة مستودع GitHub الخاص بنا و الوثائق.
إذا كنت تستخدم YOLO26 أو برامج Ultralytics أخرى في عملك، فيرجى الاستشهاد بها على النحو التالي:
@software{yolo26_ultralytics,
author = {Glenn Jocher and Jing Qiu},
title = {Ultralytics YOLO26},
version = {26.0.0},
year = {2025},
url = {https://github.com/ultralytics/ultralytics},
orcid = {0000-0001-5950-6979, 0000-0003-3783-7069},
license = {AGPL-3.0}
}
DOI معلق. يتوفر YOLO26 بموجب تراخيص AGPL-3.0 و Enterprise.
الأسئلة الشائعة
ما هي التحسينات الرئيسية في YOLO26 مقارنة بـ YOLO11؟
- إزالة DFL: يبسط التصدير ويوسع توافق الحافة
- الاستدلال الشامل الخالي من NMS: يزيل NMS لنشر أسرع وأبسط
- ProgLoss + STAL: يعزز الدقة، خاصة على الأجسام الصغيرة
- محسن MuSGD: يجمع بين SGD و Muon (مستوحى من Kimi K2 من Moonshot) لتدريب أكثر استقرارًا وكفاءة
- استدلال أسرع لوحدة المعالجة المركزية CPU بنسبة تصل إلى 43٪: مكاسب كبيرة في الأداء للأجهزة التي تعمل بوحدة المعالجة المركزية CPU فقط
ما هي المهام التي سيدعمها YOLO26؟
تم تصميم YOLO26 كـ عائلة نماذج موحدة، مما يوفر دعمًا شاملاً لمهام رؤية الكمبيوتر المتعددة:
من المخطط أن يدعم كل نوع حجم (n, s, m, l, x) جميع المهام عند الإصدار.
لماذا تم تحسين YOLO26 للنشر على الحافة؟
يوفر YOLO26 أداءً متطورًا على الحافة من خلال:
- استدلال أسرع لوحدة المعالجة المركزية CPU بنسبة تصل إلى 43٪
- تقليل حجم النموذج والبصمة الذاكرة
- تبسيط الهيكلة لتحقيق التوافق (بدون DFL، بدون NMS)
- تنسيقات تصدير مرنة بما في ذلك TensorRT و ONNX و CoreML و TFLite و OpenVINO
متى ستتوفر نماذج YOLO26؟
لا تزال نماذج YOLO26 قيد التدريب ولم يتم فتحها مفتوحة المصدر بعد. يتم عرض معاينات الأداء هنا، مع التخطيط للتنزيلات والإصدارات الرسمية في المستقبل القريب. راجع YOLO Vision 2025 للحصول على محادثات YOLO26.
