تعرّف على Ultralytics YOLO26: نموذج YOLO أفضل وأسرع وأصغر حجمًا

في 25 سبتمبر، وخلال فعاليتنا السنوية الهجينة، YOLO Vision 2025 (YV25) في لندن، أعلن Glenn Jocher، مؤسسنا ومديرنا التنفيذي، رسميًا عن أحدث نموذج في سلسلة Ultralytics YOLO، وهو Ultralytics YOLO26. يستطيع نموذجنا الجديد للرؤية الحاسوبية، YOLO26، تحليل الصور ومقاطع الفيديو وتفسيرها ببنية مبسطة توازن بين السرعة والدقة وسهولة النشر.

مع أن Ultralytics YOLO26 يبسّط جوانب من تصميم النموذج ويضيف تحسينات جديدة، فإنه يواصل أيضًا تقديم الميزات المألوفة التي يتوقعها المستخدمون من نماذج Ultralytics YOLO. فعلى سبيل المثال، يتميز Ultralytics YOLO26 بسهولة الاستخدام، ويدعم مجموعة من مهام الرؤية الحاسوبية، ويوفر خيارات مرنة للتكامل والنشر.

وهذا يجعل الانتقال إلى Ultralytics YOLO26 سهلًا، ونتطلع بشوق إلى رؤية المستخدمين وهم يجربونه بأنفسهم. أُطلق YOLO26 للعامة في 14 يناير 2026، وهو متاح الآن عبر حزمة Ultralytics Python وUltralytics Platform.

الشكل 1. مثال على استخدام Ultralytics YOLO26 لاكتشاف الأجسام في صورة.

ببساطة، Ultralytics YOLO26 نموذج أفضل وأسرع وأصغر للذكاء الاصطناعي للرؤية. في هذه المقالة، سنستكشف الميزات الأساسية لـ Ultralytics YOLO26 وما يقدمه.

توسيع آفاق الذكاء الاصطناعي للرؤية باستخدام Ultralytics YOLO26#

قبل استعراض الميزات الأساسية لـ Ultralytics YOLO26 والتطبيقات التي يتيحها، إليك لمحة عن الإلهام والدوافع التي قادت إلى تطوير هذا النموذج.

لطالما آمنا في Ultralytics بقوة الابتكار. ومنذ البداية، كانت مهمتنا ذات شقين. فمن ناحية، نريد إتاحة الذكاء الاصطناعي للرؤية للجميع ليتمكنوا من استخدامه دون عوائق. ومن ناحية أخرى، نلتزم بالقدر نفسه بالحفاظ على ريادته التقنية ودفع حدود ما تستطيع نماذج الرؤية الحاسوبية تحقيقه.

ومن العوامل الأساسية وراء هذه المهمة أن مجال الذكاء الاصطناعي يتطور باستمرار. فعلى سبيل المثال، ينتشر اعتماد الذكاء الاصطناعي الطرفي، الذي يشغّل نماذج الذكاء الاصطناعي مباشرةً على الأجهزة بدلًا من الاعتماد على السحابة، بسرعة في مختلف القطاعات.

من الكاميرات الذكية إلى الأنظمة ذاتية التشغيل، يُتوقع الآن من الأجهزة الطرفية معالجة المعلومات في الوقت الفعلي. ويتطلب هذا التحول نماذج أخف وأسرع، مع الحفاظ على المستوى نفسه من الدقة العالية.

ولهذا نحتاج باستمرار إلى تحسين نماذج Ultralytics YOLO. وكما يقول Glenn Jocher: «كان من أكبر التحديات ضمان استفادة المستخدمين إلى أقصى حد من YOLO26 مع الحفاظ على أعلى مستويات الأداء».

نظرة عامة على Ultralytics YOLO26#

يتوفر YOLO26 مباشرةً بخمسة إصدارات مختلفة من النماذج، ما يمنحك المرونة للاستفادة من إمكاناته في تطبيقات بمختلف الأحجام. وتدعم جميع هذه الإصدارات مهام متعددة في الرؤية الحاسوبية، تمامًا مثل نماذج Ultralytics YOLO السابقة. وهذا يعني أنه أيًا كان الحجم الذي تختاره، يمكنك الاعتماد على YOLO26 لتقديم مجموعة واسعة من الإمكانات، على غرار Ultralytics YOLO11.

إليك نظرة عامة على مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO26:

• اكتشاف الأجسام: يستطيع Ultralytics YOLO26 تحديد أجسام متعددة داخل صورة أو إطار فيديو وتحديد مواقعها.
• تجزئة المثيلات: يتجاوز Ultralytics YOLO26 مرحلة الاكتشاف، إذ يمكنه إنشاء حدود دقيقة على مستوى البكسل حول كل جسم يحدده.
• تصنيف الصور: يستطيع النموذج تحليل صورة كاملة وإسنادها إلى فئة أو تسمية محددة.
• تقدير الوضعيات: يستطيع Ultralytics YOLO26 اكتشاف النقاط الرئيسية وتقدير وضعيات البشر والأجسام الأخرى.
• مربعات الإحاطة الموجّهة (OBB): يستطيع النموذج اكتشاف الأجسام بأي زاوية، وهو أمر مفيد خصوصًا في الصور الجوية وصور الطائرات المسيّرة والأقمار الصناعية، حيث قد لا تتوازى عناصر مثل المباني والمركبات والمحاصيل مع إطار الصورة.
• تتبّع الأجسام: يمكن استخدام Ultralytics YOLO26 لتتبّع الأجسام عبر إطارات الفيديو أو التدفقات في الوقت الفعلي.

الشكل 2. اكتشاف الأجسام في صورة باستخدام Ultralytics YOLO26.

نظرة على بنية Ultralytics YOLO26#

بعد أن تعرفنا بشكل أفضل على إمكانات Ultralytics YOLO26، لنستعرض بعض الابتكارات في بنيته.

جرى تبسيط تصميم النموذج بإزالة وحدة خسارة البؤرة التوزيعية (DFL)، التي كانت تبطئ الاستدلال وتحد من انحدار مربعات الإحاطة.

كما بُسّطت عملية التنبؤ باستخدام خيار الاستدلال الشامل من البداية إلى النهاية (E2E)، الذي يتيح للنموذج تخطي خطوة كبت غير الأعظمي التقليدية (NMS). ويقلل هذا التحسين التعقيد، ويتيح للنموذج تقديم النتائج بسرعة أكبر، ما يسهّل النشر في التطبيقات الواقعية.

وتجعل تحسينات أخرى النموذج أكثر ذكاءً وموثوقية. إذ تساعد موازنة الخسارة التدريجية (ProgLoss) على استقرار التدريب وتحسين الدقة، بينما يضمن إسناد التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف النموذج للأجسام الصغيرة بفاعلية أكبر. وإضافةً إلى ذلك، يحسّن مُحسِّن MuSGD الجديد تقارب التدريب ويرفع الأداء العام.

في الواقع، يعمل الآن الإصدار الأصغر من Ultralytics YOLO26، وهو نموذج nano، بسرعة أعلى تصل إلى 43% من YOLO11n على وحدات CPU القياسية، ما يجعله مناسبًا على نحو خاص للتطبيقات المحمولة والكاميرات الذكية وغيرها من الأجهزة الطرفية التي تُعد السرعة والكفاءة فيها عاملين حاسمين. إليك ملخصًا سريعًا لميزات YOLO26 وما يمكن للمستخدمين توقعه:

• إزالة DFL: أزلنا وحدة خسارة البؤرة التوزيعية من بنية النموذج. وبصرف النظر عن أحجام الأجسام في الصورة، يستطيع Ultralytics YOLO26 وضع مربعات إحاطة ملائمة بكفاءة أعلى.
• استدلال شامل من البداية إلى النهاية دون NMS: يضيف Ultralytics YOLO26 وضعًا اختياريًا لا يحتاج إلى كبت غير الأعظميات (NMS)، وهي خطوة تُستخدم عادةً لإزالة التنبؤات المكررة، ما يجعل النشر أبسط وأسرع للاستخدام في الوقت الفعلي.
• ProgLoss وSTAL: تجعل هذه التحسينات التدريب أكثر استقرارًا وتعزز الدقة بدرجة كبيرة، ولا سيما عند اكتشاف الأجسام الصغيرة في المشاهد المعقدة.
• مُحسِّن MuSGD: يستخدم Ultralytics YOLO26 مُحسِّنًا جديدًا يجمع مزايا مُحسِّنَي التدريب Muon وSGD، ما يساعد النموذج على التعلم بسرعة أكبر وتحقيق دقة أعلى.

الشكل 3. قياس أداء Ultralytics YOLO26.

تبسيط النشر باستخدام Ultralytics YOLO26#

سواء كنت تعمل على تطبيقات الأجهزة المحمولة أو الكاميرات الذكية أو أنظمة المؤسسات، فإن نشر YOLO26 سهل ومرن. تدعم حزمة Ultralytics Python عددًا متزايدًا باستمرار من تنسيقات التصدير، ما يسهّل دمج YOLO26 في مسارات العمل الحالية ويجعله متوافقًا مع أي منصة تقريبًا.

تشمل بعض خيارات التصدير TensorRT لتحقيق أقصى تسريع لوحدات GPU، وONNX للتوافق الواسع، وCoreML لتطبيقات iOS الأصلية، وTFLite لنظام Android والأجهزة الطرفية، وOpenVINO للأداء المحسّن على عتاد Intel. وتتيح هذه المرونة نقل Ultralytics YOLO26 بسلاسة من التطوير إلى الإنتاج دون عقبات إضافية.

ومن الجوانب المهمة الأخرى للنشر ضمان تشغيل النماذج بكفاءة على الأجهزة محدودة الموارد. وهنا يأتي دور التكميم. وبفضل بنيته المبسطة، يتعامل Ultralytics YOLO26 مع ذلك بكفاءة. فهو يدعم النشر بصيغة INT8 (باستخدام ضغط 8 بت لتقليل الحجم وتحسين السرعة مع خسارة طفيفة في الدقة)، كما يدعم الدقة النصفية (FP16) لتسريع الاستدلال على العتاد المدعوم.

والأهم من ذلك أن Ultralytics YOLO26 يقدم أداءً ثابتًا عبر مستويات التكميم هذه، لذا يمكنك الاعتماد عليه سواء أكان يعمل على خادم قوي أم على جهاز طرفي صغير.

من الروبوتات إلى التصنيع: حالات استخدام Ultralytics YOLO26#

يمكن استخدام Ultralytics YOLO26 في مجموعة واسعة من تطبيقات الرؤية الحاسوبية ضمن قطاعات وحالات استخدام متنوعة. ومن الروبوتات إلى التصنيع، يستطيع إحداث أثر ملموس عبر تحسين مسارات العمل وتمكين اتخاذ قرارات أسرع وأكثر دقة.

على سبيل المثال، يُعد مجال الروبوتات مثالًا جيدًا، إذ يمكن لـ Ultralytics YOLO26 مساعدة الروبوتات على فهم محيطها في الوقت الفعلي. وهذا يجعل التنقل أكثر سلاسة والتعامل مع الأجسام أدق، كما يتيح تعاونًا أكثر أمانًا مع الأشخاص.

ومن الأمثلة الأخرى التصنيع، حيث يمكن استخدام النموذج لاكتشاف العيوب. إذ يستطيع تحديد العيوب على خطوط الإنتاج تلقائيًا بسرعة ودقة تفوقان الفحص اليدوي.

الشكل 4. اكتشاف الزجاجات في مصنع باستخدام Ultralytics YOLO26.

عمومًا، وبفضل كونه أفضل وأسرع وأخف وزنًا، يتكيف Ultralytics YOLO26 بسهولة مع مجموعة واسعة من البيئات، بدءًا من الأجهزة الطرفية خفيفة الوزن ووصولًا إلى أنظمة المؤسسات الكبيرة. وهذا يجعله خيارًا عمليًا للقطاعات التي تسعى إلى تحسين الكفاءة والدقة والموثوقية.

أبرز النقاط#

Ultralytics YOLO26 نموذج للرؤية الحاسوبية أفضل وأسرع وأخف وزنًا، مع بقائه سهل الاستخدام وتقديمه أداءً قويًا. ويعمل عبر مجموعة واسعة من المهام والمنصات، وأصبح متاحًا للجميع منذ إطلاقه في يناير 2026. ونتطلع بشوق إلى رؤية كيفية استخدام المجتمع له لإنشاء حلول جديدة ودفع حدود الرؤية الحاسوبية.

انضم إلى مجتمعنا المتنامي! استكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف ابتكارات مثل الرؤية الحاسوبية في قطاع التجزئة والذكاء الاصطناعي في قطاع السيارات عبر زيارة صفحات الحلول لدينا. وللبدء في تطوير تطبيقات الرؤية الحاسوبية اليوم، اطّلع على خيارات الترخيص.