Link to this sectionUltralytics YOLO26#

Link to this sectionنظرة عامة#

Ultralytics YOLO26 عبارة عن عائلة موحدة من نماذج الرؤية الحاسوبية في الوقت الفعلي، وهي موصوفة في ورقة بحث Ultralytics YOLO26. تقدم هذه النماذج استنتاجاً أصلياً شاملاً (end-to-end)، ورأس كشف أخف، ووصفة تدريب محدثة، ورؤوساً مخصصة لمهام الكشف، والتجزئة، وتقدير الوضعية، والتصنيف، والكشف 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 وصفة التدريب: يجمع خط أنابيب التدريب بين MuSGD (محسن هجين يجمع بين Muon و SGD)، و Progressive Loss، و STAL (تخصيص التسميات الواعي بالأهداف الصغيرة) لتحسين التحسين، وتوجيه الإشراف نحو الرأس المستخدم في وقت الاستدلال، والحفاظ على تغطية التسميات الإيجابية للأهداف الصغيرة. تم توثيق المعلمات الفائقة الكاملة المستخدمة في نقاط التحقق الصادرة في دليل وصفة 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.

Link to this sectionالميزات 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.

• مُحسّن MuSGD مُحسّن هجين يجمع بين SGD و Muon، مما يكيف أفكار التحسين من تدريب نماذج اللغات الكبيرة إلى الرؤية الحاسوبية.

• 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 وضعية دقيق تدمج Residual Log-Likelihood Estimation (RLE) لتحديد مواقع النقاط الرئيسية بدقة أكبر وتحسن عملية فك التشفير لزيادة سرعة الاستنتاج. تشير الورقة إلى تحسن يصل إلى +7.2 AP مقارنة بـ YOLO11 على COCO pose estimation.

• 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.

Link to this sectionالمهام 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.

Link to this sectionمقاييس الأداء#

قيم المعاملات (Params) و FLOPs خاصة بالنموذج المدمج بعد تنفيذ model.fuse()، والتي تقوم بدمج طبقات Conv و BatchNorm وإزالة رأس الكشف الإضافي واحد-إلى-متعدد. تحتفظ نقاط التحقق المدربة مسبقًا بهيكلية التدريب الكاملة وقد تظهر أعدادًا أعلى.

Link to this sectionأمثلة الاستخدام#

يوفر هذا القسم أمثلة بسيطة لتدريب واستنتاج YOLO26. للحصول على التوثيق الكامل حول هذه الأنماط وغيرها من الأنماط، راجع صفحات مستندات التنبؤ والتدريب والتحقق والتصدير.

لاحظ أن المثال أدناه مخصص لنماذج YOLO26 للكشف عن الأشياء. للمزيد من المهام المدعومة، راجع مستندات التجزئة، والتجزئة الدلالية، والعمق، والتصنيف، وOBB، وتقدير الوضع.

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

Link to this sectionYOLOE-26: الكشف والتقسيم ذو المفردات المفتوحة#

يعمل YOLO26 أيضاً على تشغيل YOLOE-26، وهو متغير مفتوح المفردات يكتشف ويقسم فئات الكائنات من موجهات نصية، أو موجهات مرئية، أو وضع بدون موجهات بدلاً من قائمة فئات ثابتة يتم تعلمها في وقت التدريب. يحافظ YOLOE-26 على تصميم YOLO26 الخالي من NMS والشامل (e2e)، لذا يظل الاستدلال مفتوح المفردات سريعاً بما يكفي للبيئات الديناميكية التي تتغير فيها الفئات المستهدفة بمرور الوقت. يصل YOLOE-26x إلى 40.6 AP على LVIS minival تحت التوجيه النصي، و 38.5 AP تحت التوجيه المرئي، و 31.1 AP في إعداد Non-E2E بدون موجهات.

راجع وثائق YOLOE للحصول على جداول الأداء لكل مقياس، والمتغيرات التي لا تتطلب موجهات، وأمثلة الاستخدام الكاملة.

Link to this sectionالاقتباسات والشكر#

للحصول على وصف تقني كامل لهيكلية YOLO26، ووصفة 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، يرجى الاستشهاد به:

@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},
}

تتوفر أكواد ونماذج ووثائق YOLO26 في مستودع Ultralytics على GitHub ووثائق Ultralytics بموجب تراخيص AGPL-3.0 وEnterprise.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي التحسينات الرئيسية في YOLO26؟#

• تراجع خالٍ من DFL: يبسط رأس الكشف ومسار التصدير
• استدلال شامل وخالٍ من NMS: يزيل NMS من مسار الاستدلال الافتراضي
• خسارة تدريجية + STAL: يحسن محاذاة التدريب وتغطية ملصقات الكائنات الصغيرة
• مُحسِّن MuSGD: يجمع بين SGD والتحسين المستوحى من Muon من أجل تدريب مستقر
• رؤوس وخسائر خاصة بالمهمة: يحسن دعم التجزئة، وتقدير الوضع، والكشف الموجه

Link to this sectionما هي المهام التي يدعمها YOLO26؟#

YOLO26 هو عائلة نماذج موحدة، توفر دعماً شاملاً لمهام رؤية الحاسوب المتعددة:

• اكتشاف الكائنات
• تجزئة المثيلات
• التجزئة الدلالية
• تقدير العمق أحادي العين
• تصنيف الصور
• تقدير الوضع
• اكتشاف الكائنات الموجه (OBB)

يدعم كل متغير حجم (n, s, m, l, x) جميع المهام، بالإضافة إلى إصدارات مفتوحة المفردات عبر YOLOE-26.

Link to this sectionلماذا يعتبر YOLO26 فعالاً للنشر؟#

يعمل YOLO26 على تحسين كفاءة النشر من خلال:

• استدلال أصلي من طرف إلى طرف (end-to-end) بدون NMS افتراضياً
• تراجع (regression) خالٍ من DFL ورأس اكتشاف أخف
• تصدير النموذج المدمج (fused-model) الذي يزيل المكونات الإضافية الخاصة بالتدريب فقط
• استدلال ONNX أسرع بنسبة تصل إلى 43% على CPU لنموذج YOLO26n مقارنة بنموذج YOLO11n على معالج Intel Xeon CPU بتردد 2.00 GHz
• تنسيقات تصدير مرنة تشمل TensorRT و ONNX و CoreML و LiteRT و OpenVINO

Link to this sectionكيف أبدأ استخدام YOLO26؟#

تتوفر نماذج YOLO26 للتنزيل من خلال حزمة ultralytics. قم بتثبيت الحزمة أو تحديثها وقم بتحميل نموذج:

from ultralytics import YOLO

# Load a pretrained YOLO26 nano model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("image.jpg")

راجع قسم أمثلة الاستخدام للحصول على تعليمات التدريب والتحقق والتصدير.