بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
في 25 سبتمبر، في حدثنا السنوي المختلط، YOLO Vision 2025 (YV25) في لندن، أعلن Glenn Jocher، مؤسسنا والرئيس التنفيذي، رسميًا عن أحدث اختراق في سلسلة نماذج Ultralytics YOLO، Ultralytics YOLO26! يمكن لنموذج الرؤية الحاسوبية الجديد الخاص بنا، YOLO26، تحليل وتفسير الصور ومقاطع الفيديو بهندسة مبسطة توازن بين السرعة والدقة وسهولة النشر.
في حين أن Ultralytics YOLO26 يبسط جوانب تصميم النموذج ويضيف تحسينات جديدة، إلا أنه يواصل أيضًا تقديم الميزات المألوفة التي يتوقعها المستخدمون من نماذج Ultralytics YOLO. على سبيل المثال، Ultralytics YOLO26 سهل الاستخدام، ويدعم مجموعة من مهام الرؤية الحاسوبية، ويوفر خيارات تكامل ونشر مرنة.
وغني عن القول، فإن هذا يجعل التبديل إلى استخدام Ultralytics YOLOv8 خاليًا من المتاعب، ولا يسعنا الانتظار لرؤية المستخدمين يجربونه بأنفسهم عندما يصبح متاحًا للجمهور في نهاية أكتوبر.
الشكل 1. مثال على استخدام YOLO26 لاكتشاف الأجسام في صورة.
ببساطة، Ultralytics YOLO26 هو نموذج رؤية اصطناعية أفضل وأسرع وأصغر. في هذه المقالة، سوف نستكشف الميزات الرئيسية لـ Ultralytics YOLO26 وما يقدمه. هيا بنا نبدأ!
تجاوز حدود الذكاء الاصطناعي البصري مع Ultralytics YOLO26
قبل أن نتعمق في الميزات الرئيسية لـ Ultralytics YOLO26 والتطبيقات التي يتيحها، دعنا نعود خطوة إلى الوراء ونناقش الإلهام والدافع الذي دفع تطوير هذا النموذج.
في Ultralytics، لطالما آمنا بقوة الابتكار. منذ البداية، كانت مهمتنا ذات شقين. من ناحية، نريد أن نجعل الرؤية المدعومة بالذكاء الاصطناعي في متناول الجميع حتى يتمكن أي شخص من استخدامها دون حواجز. من ناحية أخرى، نحن ملتزمون بنفس القدر بإبقائها في الطليعة، ودفع حدود ما يمكن أن تحققه نماذج رؤية الكمبيوتر.
أحد العوامل الرئيسية وراء هذه المهمة هو أن مجال الذكاء الاصطناعي يتطور دائمًا. على سبيل المثال، يتم اعتماد الذكاء الاصطناعي الطرفي، الذي يتضمن تشغيل نماذج الذكاء الاصطناعي مباشرة على الأجهزة بدلاً من الاعتماد على السحابة، بسرعة عبر الصناعات.
من الكاميرات الذكية إلى الأنظمة المستقلة، يُتوقع الآن من الأجهزة الطرفية معالجة المعلومات في الوقت الفعلي. يتطلب هذا التحول نماذج أخف وأسرع، مع الاستمرار في تقديم نفس المستوى العالي من الدقة.
لهذا السبب هناك حاجة مستمرة لمواصلة تحسين نماذج Ultralytics YOLO الخاصة بنا. على حد تعبير جلين جوتشر، "كان أحد أكبر التحديات هو التأكد من أن المستخدمين يمكنهم تحقيق أقصى استفادة من YOLO26 مع الاستمرار في تقديم أفضل أداء."
نظرة عامة على Ultralytics YOLOv8
يتوفر YOLO26 جاهزًا للاستخدام بخمسة متغيرات نماذج مختلفة، مما يمنحك المرونة اللازمة للاستفادة من قدراته في التطبيقات من أي حجم. تدعم جميع متغيرات النماذج هذه مهام رؤية الكمبيوتر المتعددة، تمامًا مثل نماذج Ultralytics YOLO السابقة. هذا يعني أنه بغض النظر عن الحجم الذي تختاره، يمكنك الاعتماد على YOLO26 لتقديم مجموعة واسعة من الإمكانات، تمامًا مثل Ultralytics YOLO11.
اكتشاف الكائنات: يمكن لـ YOLO26 تحديد وتحديد مواقع كائنات متعددة داخل إطار صورة أو فيديو.
تجزئة المثيل: بالانتقال خطوة إلى ما بعد الاكتشاف، يمكن لـ YOLO26 إنشاء حدود مثالية بالبكسل حول كل كائن يحدده.
تصنيف الصور: يمكن للنموذج تحليل صورة كاملة وتعيينها لفئة أو تسمية معينة.
تقدير الوضعية: يمكن لـ YOLO26 اكتشاف النقاط الرئيسية وتقدير الأوضاع للبشر وكذلك الكائنات الأخرى.
مربعات الإحاطة الموجهة (OBB): يمكن للنموذج اكتشاف الكائنات في أي زاوية، وهو أمر مفيد بشكل خاص للصور الجوية والطائرات بدون طيار والأقمار الصناعية، حيث قد لا تتماشى عناصر مثل المباني أو المركبات أو المحاصيل مع إطار الصورة.
تتبع الكائنات: يمكن استخدام YOLO26 لتتبع الكائنات عبر إطارات الفيديو أو التدفقات في الوقت الفعلي.
الشكل 2. الكشف عن الكائنات في صورة باستخدام YOLO26.
نظرة على بنية YOLO26
الآن بعد أن أصبح لدينا فهم أفضل لما يمكن أن يفعله YOLOv5، دعنا نستعرض بعض الابتكارات في بنيته.
تم تبسيط تصميم النموذج عن طريق إزالة وحدة توزيع الفقد البؤري (DFL)، التي كانت تبطئ الاستدلال وتقيد انحدار المربع المحيط.
تم أيضًا تبسيط عملية التنبؤ باستخدام خيار الاستدلال الشامل (E2E)، والذي يتيح للنموذج تخطي خطوة منع التداخل غير الأقصى (NMS) التقليدية. يعزز هذا التحسين من تقليل التعقيد ويتيح للنموذج تقديم النتائج بسرعة أكبر، مما يجعل النشر أسهل في التطبيقات الواقعية.
تحسينات أخرى تجعل النموذج أكثر ذكاءً وموثوقية. يساعد موازنة الخسارة التدريجية (ProgLoss) على استقرار التدريب وتحسين الدقة، بينما يضمن تعيين التسمية المدرك للأهداف الصغيرة (STAL) أن يكتشف النموذج الكائنات الصغيرة بشكل أكثر فعالية. علاوة على ذلك، يعمل مُحسِّن MuSGD الجديد على تحسين تقارب التدريب وتعزيز الأداء العام.
في الواقع، يعمل أصغر إصدار من YOLO26، وهو نموذج النانو، الآن بسرعة تصل إلى 43% على وحدات المعالجة المركزية القياسية، مما يجعله مناسبًا بشكل خاص لتطبيقات الهاتف المحمول والكاميرات الذكية والأجهزة الطرفية الأخرى حيث السرعة والكفاءة أمران بالغان الأهمية.
إليك ملخص سريع لميزات YOLO26 وما يمكن للمستخدمين التطلع إليه:
إزالة DFL: لقد أزلنا وحدة Distribution Focal Loss من بنية النموذج. بغض النظر عن أحجام الكائنات في الصورة، يمكن لـ YOLO26 وضع مربعات إحاطة مخصصة أثناء التشغيل بكفاءة أكبر.
الاستدلال الشامل والخالي من NMS: يضيف YOLO26 وضعًا اختياريًا لا يحتاج إلى تثبيط غير الأقصى (NMS)، وهي خطوة تستخدم عادةً لإزالة التنبؤات المكررة، مما يجعل النشر أبسط وأسرع للاستخدام في الوقت الفعلي.
ProgLoss و STAL: هذه التحسينات تجعل التدريب أكثر استقرارًا وتعزز الدقة بشكل كبير، خاصةً لاكتشاف الأجسام الصغيرة في المشاهد المعقدة.
محسِّن MuSGD: يستخدم YOLO26 محسِّنًا جديدًا يجمع بين نقاط القوة في محسِّني التدريب (Muon و SGD)، مما يساعد النموذج على التعلم بشكل أسرع والوصول إلى دقة أعلى.
الشكل 3. قياس أداء YOLO26.
تبسيط النشر باستخدام Ultralytics YOLO26
سواء كنت تعمل على تطبيقات الهاتف المحمول أو الكاميرات الذكية أو أنظمة المؤسسات، فإن نشر YOLO26 بسيط ومرن. تدعم حزمة Ultralytics Python عددًا متزايدًا باستمرار من تنسيقات التصدير، مما يسهل دمج YOLO26 في مهام سير العمل الحالية ويجعله متوافقًا مع أي نظام أساسي تقريبًا.
تتضمن بعض خيارات التصدير TensorRT لتحقيق أقصى قدر من تسريع وحدة معالجة الرسومات، وONNX للتوافق الواسع، وCoreML لتطبيقات iOS الأصلية، وTFLite لأجهزة Android والحافة، وOpenVINO للأداء الأمثل على أجهزة Intel. هذه المرونة تجعل من السهل نقل YOLO26 من التطوير إلى الإنتاج دون عقبات إضافية.
جزء آخر مهم من النشر هو التأكد من أن النماذج تعمل بكفاءة على الأجهزة ذات الموارد المحدودة. هذا هو المكان الذي يأتي فيه التكميم. بفضل بنيته المبسطة، يتعامل YOLO26 مع هذا بشكل جيد للغاية. وهو يدعم نشر INT8 (باستخدام ضغط 8 بت لتقليل الحجم وتحسين السرعة مع الحد الأدنى من فقدان الدقة) بالإضافة إلى نصف الدقة (FP16) للاستدلال بشكل أسرع على الأجهزة المدعومة.
الأهم من ذلك، يقدم YOLO26 أداءً ثابتًا عبر مستويات التكميم هذه، لذلك يمكنك الاعتماد عليه سواء كان يعمل على خادم قوي أو جهاز طرفي صغير.
من الروبوتات إلى التصنيع: حالات استخدام YOLOv8
يمكن استخدام YOLO26 في مجموعة واسعة من تطبيقات رؤية الكمبيوتر عبر العديد من الصناعات وحالات الاستخدام المختلفة. من الروبوتات إلى التصنيع، يمكن أن يحدث تأثيرًا كبيرًا من خلال تحسين سير العمل وتمكين اتخاذ قرارات أسرع وأكثر دقة.
على سبيل المثال، مثال جيد على ذلك هو في الروبوتات، حيث يمكن أن يساعد YOLO26 الروبوتات على تفسير محيطها في الوقت الفعلي. وهذا يجعل التنقل أكثر سلاسة والتعامل مع الأجسام أكثر دقة. كما أنه يتيح تعاونًا أكثر أمانًا مع الأشخاص.
مثال آخر هو التصنيع، حيث يمكن استخدام النموذج للكشف عن العيوب. يمكنه تحديد العيوب تلقائيًا على خطوط الإنتاج بسرعة ودقة أكبر من الفحص اليدوي.
الشكل 4. اكتشاف الزجاجات في مصنع باستخدام YOLO26.
بشكل عام، نظرًا لأن YOLO26 أفضل وأسرع وأخف وزنًا، فإنه يتكيف بسهولة مع مجموعة واسعة من البيئات، من الأجهزة الطرفية خفيفة الوزن إلى أنظمة المؤسسات الكبيرة. هذا يجعله خيارًا عمليًا للصناعات التي تتطلع إلى تحسين الكفاءة والدقة والموثوقية.
النقاط الرئيسية
Ultralytics YOLO26 هو نموذج رؤية حاسوبية أفضل وأسرع وأخف وزنًا، مع الحفاظ على سهولة الاستخدام وتقديم أداء قوي. إنه يعمل عبر مجموعة واسعة من المهام والمنصات وسيكون متاحًا للجميع بحلول نهاية شهر أكتوبر. نحن متشوقون لرؤية كيف سيستخدمه المجتمع لإنشاء حلول جديدة ودفع حدود الرؤية الحاسوبية.
.webp)