Ultralytics YOLO26#

نظرة عامة#

Ultralytics YOLO26 هو عائلة موحدة من نماذج الرؤية في الوقت الفعلي الموضحة في بحث Ultralytics YOLO26. يقدم استنتاجاً أصلياً من البداية إلى النهاية، ورأس اكتشاف أخف وزناً، ووصِفة تدريب محدثة، ورؤوساً خاصة بالمهمة للكشف، والتقسيم، وتقدير الوضعية، والتصنيف، والاكتشاف الموجه.

عبر مقاييس الكشف الخمسة الخاصة بها، تحقق YOLO26 دقة 40.9-57.5 mAP على COCO مع زمن استجابة 1.7-11.8 ms لـ T4 TensorRT. تشير الورقة البحثية أيضاً إلى استنتاج ONNX على وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43% لنموذج YOLO26n مقارنة بـ YOLO11n على وحدة معالجة مركزية Intel Xeon بسرعة 2.00 GHz.

from ultralytics import YOLO

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

تم بناء عائلة نماذج YOLO26 حول أربعة مجالات تصميم:

• استنتاج أصلي شامل (End-to-end): ينتج رأس الكشف الافتراضي من نوع "واحد لواحد" تنبؤات دون الحاجة إلى كبت غير الحد الأقصى (NMS)، مما يبسط عملية النشر ويقلل من المعالجة اللاحقة.
• انحدار صندوق (BBox) أخف: تزيل YOLO26 خسارة التركيز التوزيعية (DFL)، مما يقلل من تعقيد رأس الكشف مع الحفاظ على نطاق انحدار غير مقيد.
• تحديثات وصِفة التدريب: يجمع خط أنابيب التدريب بين MuSGD (محسّن هجيني يدمج Muon و SGD)، وProgressive Loss، وSTAL (Small-Target-Aware Label Assignment) لتحسين التحسين، وتوجيه الإشراف نحو رأس وقت الاستنتاج، والحفاظ على تغطية العلامات الإيجابية للأجسام الصغيرة. يتم توثيق المعلمات الفائقة الكاملة وراء نقاط التفتيش المُصنفة في دليل وصِفة تدريب YOLO26.
• رؤوس وخسائر خاصة بالمهام: تضيف YOLO26 تصميمات مستهدفة لتجزئة المثيلات، ومتغيرات التجزئة الدلالية، وتقدير الوضعية، والكشف الموجه مع الحفاظ على خط نموذج واحد عبر المهام.

تعمل هذه التحديثات معاً على تحسين المقايضة بين الدقة وزمن الاستجابة عبر مقاييس النماذج وأهداف النشر.

الميزات الرئيسية#

• انحدار خالٍ من DFL تزيل YOLO26 خسارة التركيز التوزيعية (DFL)، مما يقلل من تعقيد رأس الكشف ويبسط التصدير.

• استنتاج شامل (End-to-End) خالٍ من NMS على عكس الكواشف التقليدية التي تعتمد على NMS كخطوة معالجة لاحقة منفصلة، فإن YOLO26 تعمل بشكل شامل وأصلي افتراضياً. يتم إنشاء التنبؤات مباشرة، مما يقلل من زمن الاستجابة ويجعل تكامل الإنتاج أبسط.

• خسارة تدريجية (Progressive Loss) + STAL تعمل الخسارة التدريجية على تحويل تركيز التدريب نحو رأس وقت الاستنتاج، بينما تحسن STAL تغطية التسميات الإيجابية للأجسام الصغيرة.

• محسّن MuSGD محسّن هجيني يجمع بين SGD وMuon، ويقوم بتكييف أفكار التحسين من تدريب نماذج اللغات الكبيرة لتطبيقها على رؤية الكمبيوتر.

• نشر فعال يقلل الرأس المبسط والمسار الافتراضي الخالي من NMS من عبء الاستنتاج عبر أهداف التصدير وملفات تعريف الأجهزة، بما في ذلك تسريع CPU ONNX المذكور في الورقة البحثية لنموذج YOLO26n مقارنة بـ YOLO11n.

• تحسينات تجزئة المثيلات تُدخل خسارة التجزئة الدلالية لتحسين تقارب النموذج ووحدة بروتو (proto module) مطورة تستفيد من المعلومات متعددة المقاييس لجودة قناع متفوقة. تشير الورقة إلى مكاسب مقارنة بـ YOLO11 تصل إلى +2.5 لـ box AP و +3.7 لـ mask AP على COCO instance segmentation.

• تقدير الوضعية بدقة عالية يدمج Residual Log-Likelihood Estimation (RLE) لتحديد مواقع النقاط الرئيسية بدقة أكبر ويُحسّن عملية فك التشفير لزيادة سرعة الاستنتاج. يُبلغ البحث عن تحسن يصل إلى +7.2 AP مقارنة بـ YOLO11 في تقدير وضعية COCO.

• فك تشفير OBB محسن تُدخل خسارة زاوية متخصصة لتحسين دقة الكشف للأجسام المربعة الشكل وتحسن فك تشفير OBB لحل مشكلات انقطاع الحدود. تشير الورقة إلى تحسن يصل إلى +3.4 mAP مقارنة بـ YOLO11 على DOTA-v1.0 oriented detection.

المهام والأوضاع المدعومة#

تدعم YOLO26 مجموعة مهام Ultralytics القياسية عبر خمسة مقاييس للنموذج:

يغطي هذا الإطار الموحد مهام الكشف في الوقت الفعلي، وتجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق أحادي العين، والتصنيف، وتقدير الوضع، وكشف الأشياء الموجهة، مع دعم للتدريب، والتحقق، والاستدلال، والتصدير.

مقاييس الأداء#

قيم المعلمات وFLOPs مخصصة للنموذج المدمج بعد model.fuse()، والذي يدمج طبقات Conv وBatchNorm ويزيل رأس الكشف المساعد من واحد إلى متعدد. تحتفظ نقاط التحقق المدربة مسبقاً ببنية التدريب الكاملة وقد تظهر عدداً أعلى.

أمثلة الاستخدام#

يوفر هذا القسم أمثلة بسيطة لتدريب واستنتاج YOLO26. للحصول على الوثائق الكاملة حول هذه الأوضاع وغيرها، راجع صفحات مستندات Predict وTrain وVal وExport.

لاحظ أن المثال أدناه مخصص لنماذج Detect من YOLO26 لـ اكتشاف الأجسام. للمهام الأخرى المدعومة، 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-one head (default, no NMS required)
results = model.predict("image.jpg")  # inference
metrics = model.val(data="coco.yaml")  # validation
model.export(format="onnx")  # export

# Use one-to-many head (requires NMS)
results = model.predict("image.jpg", end2end=False)  # inference
metrics = model.val(data="coco.yaml", end2end=False)  # validation
model.export(format="onnx", end2end=False)  # export

YOLOE-26: الكشف والتقسيم ذو المفردات المفتوحة#

يدعم YOLO26 أيضاً YOLOE-26، وهو متغير مفتوح المفردات يكتشف ويزجزئ فئات الأجسام من موجهات نصية، أو موجهات بصريّة، أو وضع خالٍ من الموجه بدلاً من قائمة فئات ثابتة يتم تعلمها وقت التدريب. يحافظ YOLOE-26 على تصميم YOLO26 الخالي من NMS ومن البداية إلى النهاية (e2e)، بحيث يظل الاستنتاج مفتوح المفردات سريعاً بما يكفي للبيئات الديناميكية حيث تتغير فئات الهدف بمرور الوقت. يصل YOLOE-26x إلى 40.6 AP على LVIS minival تحت التوجيه النصي، و38.5 AP تحت التوجيه البصري، و31.1 AP في إعداد Non-E2E الخالي من الموجه.

راجع وثائق YOLOE لمعرفة جداول الأداء لكل مقياس، والمتغيرات الخالية من الموجه، وأمثلة الاستخدام الكاملة.

الاقتباسات والشكر#

للحصول على وصف تقني كامل لهندسة YOLO26، ووصِفة التدريب، ورؤوس المهام، وامتداد المفردات المفتوحة YOLOE-26، اقرأ Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models. إذا كنت تستخدم YOLO26 في بحثك، فيرجى الاستشهاد بـ:

@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},
}

كود YOLO26 والنماذج والوثائق متوفرة في مستودع GitHub الخاص بـ Ultralytics ومستندات Ultralytics بموجب ترخيصي AGPL-3.0 وEnterprise.

الأسئلة الشائعة#