تعرَّف على Ultralytics YOLO26: نموذج YOLO أفضل وأسرع وأصغر
استكشف أحدث نموذج Ultralytics YOLO، وهو Ultralytics YOLO26، ومميزاته المتطورة التي تدعم توازناً مثالياً بين السرعة والدقة والقابلية للنشر.
في 25 سبتمبر، وفي فعاليته السنوية الهجينة، YOLO Vision 2025 (YV25) في لندن، أعلن Glenn Jocher، مؤسسنا والرئيس التنفيذي، رسمياً عن أحدث إنجاز في سلسلة نماذج Ultralytics YOLO، وهو Ultralytics YOLO26! نموذج الرؤية الحاسوبية الجديد لدينا، YOLO26، يمكنه تحليل وتفسير الصور والفيديوهات ببنية مبسطة توازن بين السرعة والدقة وسهولة النشر.
بينما يبسط Ultralytics YOLO26 جوانب من تصميم النموذج ويضيف تحسينات جديدة، فإنه يستمر أيضاً في تقديم الميزات المألوفة التي يتوقعها المستخدمون من نماذج Ultralytics YOLO. على سبيل المثال، يتميز Ultralytics YOLO26 بسهولة الاستخدام، ويدعم مجموعة من مهام الرؤية الحاسوبية، ويوفر خيارات تكامل ونشر مرنة.
وغني عن القول إن هذا يجعل الانتقال إلى استخدام Ultralytics YOLO26 أمراً سهلاً، ونحن نتوق لرؤية المستخدمين وهم يجربون ذلك بأنفسهم عندما يصبح متاحاً للجمهور في نهاية شهر أكتوبر.
الشكل 1. مثال على استخدام Ultralytics YOLO26 اكتشاف الكائنات في صورة.
ببساطة، Ultralytics YOLO26 هو نموذج ذكاء اصطناعي للرؤية أفضل وأسرع وأصغر. في هذه المقالة، سنستكشف الميزات الرئيسية لـ Ultralytics YOLO26 وما يقدمه. لنبدأ!
توسيع حدود ذكاء الرؤية الاصطناعي مع Ultralytics YOLO26#
قبل أن نتعمق في الميزات الرئيسية لـ Ultralytics YOLO26 والتطبيقات التي يجعلها ممكنة، دعونا نتراجع خطوة للوراء ونناقش الإلهام والدافع الذي قاد إلى تطوير هذا النموذج.
في Ultralytics، طالما آمنا بقوة الابتكار. منذ البداية، كانت مهمتنا ذات شقين. من ناحية، نريد أن نجعل ذكاء الرؤية الاصطناعي في متناول الجميع حتى يتمكن أي شخص من استخدامه دون عوائق. ومن ناحية أخرى، نحن ملتزمون بنفس القدر بالحفاظ عليه في طليعة الابتكار، ودفع حدود ما يمكن أن تحققه computer vision models.
العامل الرئيسي وراء هذه المهمة هو أن مجال الذكاء الاصطناعي يتطور دائماً. على سبيل المثال، يتم اعتماد الذكاء الاصطناعي عند الحافة (Edge AI)، والذي يتضمن تشغيل نماذج الذكاء الاصطناعي مباشرة على الأجهزة بدلاً من الاعتماد على السحابة، بسرعة كبيرة عبر مختلف الصناعات.
من الكاميرات الذكية إلى الأنظمة المستقلة، يُتوقع الآن من الأجهزة عند الحافة 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. وكما يقول Glenn Jocher: "كان أحد أكبر التحديات هو ضمان حصول المستخدمين على أقصى استفادة من YOLO26 مع الاستمرار في تقديم أداء متفوق."
نظرة عامة على Ultralytics YOLO26#
يتوفر YOLO26 جاهزاً للاستخدام بخمسة متغيرات مختلفة للنموذج، مما يمنحك المرونة للاستفادة من قدراته في التطبيقات بمختلف الأحجام. تدعم جميع متغيرات النموذج هذه مهام رؤية حاسوبية متعددة، تماماً مثل نماذج Ultralytics YOLO السابقة. هذا يعني بغض النظر عن الحجم الذي تختاره، يمكنك الاعتماد على YOLO26 لتقديم مجموعة واسعة من القدرات، تماماً مثل Ultralytics YOLO11.
إليك نظرة عامة على مهام الرؤية الحاسوبية التي تدعمها Ultralytics YOLO26:
- اكتشاف الكائنات: تستطيع Ultralytics YOLO26 تحديد وتعيين مواقع عدة كائنات داخل صورة أو إطار فيديو.
- تجزئة المثيلات: بخطوة تتجاوز مجرد الاكتشاف، يمكن لـ Ultralytics YOLO26 توليد حدود دقيقة بدقة البكسل حول كل كائن تقوم بتحديده.
- Image classification: يمكن للنموذج تحليل الصورة بأكملها وتصنيفها ضمن فئة أو تسمية محددة.
- تقدير الوضعيات: تستطيع Ultralytics YOLO26 اكتشاف النقاط الرئيسية وتقدير وضعيات البشر وكذلك الكائنات الأخرى.
- Oriented bounding boxes (OBB): يمكن للنموذج اكتشاف الكائنات بأي زاوية، وهو أمر مفيد بشكل خاص للصور الجوية، وصور الطائرات بدون طيار (الدرون)، وصور الأقمار الصناعية، حيث قد لا تكون العناصر مثل المباني أو المركبات أو المحاصيل محاذية لإطار الصورة.
- تتبع الكائنات: يمكن استخدام Ultralytics YOLO26 لتتبع الكائنات عبر إطارات الفيديو أو التدفقات في الوقت الفعلي.
الشكل 2. اكتشاف الكائنات في صورة باستخدام Ultralytics YOLO26.
نظرة على هندسة Ultralytics YOLO26#
الآن وبعد أن أصبح لدينا فهم أفضل لما قادرة عليه Ultralytics YOLO26، دعونا نستعرض بعض الابتكارات في بنيتها.
تم تبسيط تصميم النموذج عن طريق إزالة وحدة Distribution Focal Loss (DFL)، والتي كانت تبطئ سابقاً عملية الاستدلال وتحد من دقة تراجع مربع الإحاطة (BBox regression).
تم تبسيط عملية التنبؤ أيضاً مع خيار الاستدلال من البداية إلى النهاية (E2E)، والذي يسمح للنموذج بتخطي خطوة Non-Maximum Suppression (NMS) التقليدية. يقلل هذا التحسين من التعقيد ويسمح للنموذج بتقديم النتائج بسرعة أكبر، مما يجعل النشر أسهل في تطبيقات العالم الحقيقي.
إضافة إلى ذلك، تجعل التحسينات الأخرى النموذج أكثر ذكاءً وموثوقية. يساعد Progressive Loss Balancing (ProgLoss) في استقرار التدريب وتحسين الدقة، بينما يضمن Small-Target-Aware Label Assignment (STAL) اكتشاف النموذج للكائنات الصغيرة بشكل أكثر فعالية. علاوة على ذلك، يعمل محسن MuSGD الجديد على تحسين تقارب التدريب وتعزيز الأداء العام.
في الواقع، يعمل أصغر إصدار من Ultralytics YOLO26، وهو نموذج nano، الآن بسرعة أسرع بنسبة تصل إلى 43% على وحدات المعالجة المركزية القياسية، مما يجعله مناسباً بشكل خاص لتطبيقات الجوال، والكاميرات الذكية، وغير ذلك من أجهزة الحافة حيث تكون السرعة والكفاءة أمرًا بالغ الأهمية. وإليك ملخص سريع لميزات YOLO26 وما يمكن للمستخدمين نتطلع إليه:
- إزالة DFL: لقد أزلنا وحدة Distribution Focal Loss من بنية النموذج. بغض النظر عن أحجام الكائنات في الصورة، تستطيع Ultralytics YOLO26 وضع مربعات حدودية مخصصة مع تشغيل أكثر كفاءة.
- الاستدلال الشامل الخالي من NMS: تضيف Ultralytics YOLO26 وضعاً اختيارياً لا يحتاج إلى Non-Maximum Suppression (NMS)، وهي خطوة تستخدم عادة لإزالة التنبؤات المكررة، مما يجعل نشر النماذج أبسط وأسرع للاستخدام في الوقت الفعلي.
- ProgLoss and STAL: تجعل هذه التحسينات التدريب أكثر استقراراً وتعزز الدقة بشكل كبير، خاصة لاكتشاف الكائنات الصغيرة في المشاهد المعقدة.
- محسن MuSGD: تستخدم Ultralytics YOLO26 مُحسِّناً جديداً يجمع بين نقاط القوة لاثنين من مُحسِّنات التدريب (Muon و SGD)، مما يساعد النموذج على التعلم بشكل أسرع والوصول إلى دقة أعلى.
الشكل 3. تقييم أداء Ultralytics YOLO26.
تبسيط النشر مع Ultralytics YOLO26#
سواء كنت تعمل على تطبيقات الهاتف المحمول، أو الكاميرات الذكية، أو الأنظمة المؤسسية، فإن نشر YOLO26 يعد أمراً بسيطاً ومرناً. تدعم حزمة Ultralytics Python package عدداً متزايداً باستمرار من export formats، مما يسهل دمج YOLO26 في سير العمل الحالي ويجعله متوافقاً مع أي منصة تقريباً.
تشمل بعض خيارات التصدير TensorRT للحصول على أقصى تسريع لـ GPU، و ONNX للتوافق الواسع، وCoreML لتطبيقات iOS الأصلية، وTFLite للأجهزة الطرفية وأجهزة Android، وOpenVINO للأداء المحسن على عتاد Intel. تجعل هذه المرونة الانتقال بـ Ultralytics YOLO26 من التطوير إلى الإنتاج أمراً مباشراً وبدون عقبات إضافية.
جزء حاسم آخر من عملية النشر هو التأكد من أن النماذج تعمل بكفاءة على الأجهزة ذات الموارد المحدودة. وهنا يأتي دور التكميم (Quantization). بفضل بنيتها المبسطة، تتعامل Ultralytics YOLO26 مع هذا الأمر بشكل استثنائي. فهي تدعم نشر INT8 (باستخدام ضغط 8-بت لتقليل الحجم وتحسين السرعة مع الحد الأدنى من فقدان الدقة) بالإضافة إلى الدقة النصفية (FP16) للاستدلال بشكل أسرع على الأجهزة المدعومة.
الأهم من ذلك، أن Ultralytics YOLO26 تقدم أداءً متسقاً عبر مستويات التكميم هذه، لذا يمكنك الاعتماد عليها سواء كانت تعمل على خادم قوي أو جهاز طرفي مدمج.
من الروبوتات إلى التصنيع: حالات استخدام Ultralytics YOLO26#
يمكن استخدام Ultralytics YOLO26 في مجموعة واسعة من تطبيقات الرؤية الحاسوبية عبر العديد من الصناعات وحالات الاستخدام المختلفة. من الروبوتات إلى التصنيع، يمكنها إحداث تأثيراً كبيراً من خلال تحسين سير العمل وتمكين اتخاذ قرارات أسرع وأكثر دقة.
على سبيل المثال، يعد مجال الروبوتات مثالاً جيداً، حيث يمكن لـ Ultralytics YOLO26 مساعدة الروبوتات في تفسير محيطها في الوقت الفعلي. هذا يجعل التنقل أكثر سلاسة والتعامل مع الكائنات أكثر دقة. كما أنه يتيح تعاوناً أكثر أماناً مع البشر.
مثال آخر هو مجال manufacturing، حيث يمكن استخدام النموذج للكشف عن العيوب. يمكنه تحديد العيوب تلقائياً على خطوط الإنتاج بسرعة وبدقة أكبر من الفحص اليدوي.
الشكل 4. اكتشاف الزجاجات في مصنع تصنيع باستخدام Ultralytics YOLO26.
بشكل عام، ونظراً لأن Ultralytics YOLO26 أفضل وأسرع وأخف وزناً، فإنها تتكيف بسهولة مع مجموعة واسعة من البيئات، بدءاً من الأجهزة الطرفية خفيفة الوزن وحتى أنظمة المؤسسات الكبيرة. هذا يجعلها خياراً عملياً للصناعات التي تتطلع إلى تحسين الكفاءة والدقة والموثوقية.
أبرز النقاط#
Ultralytics YOLO26 هو نموذج رؤية حاسوبية أفضل وأسرع وأخف، مع بقائه سهل الاستخدام وتقديمه أداءً قوياً. إنه يعمل عبر مجموعة واسعة من المهام والمنصات وسيكون متاحاً للجميع بحلول نهاية أكتوبر. نحن نتوق لرؤية كيف سيستخدمه المجتمع لإنشاء حلول جديدة وتوسيع حدود الرؤية الحاسوبية.
انضم إلى community المتنامي لدينا! استكشف GitHub repository الخاص بنا لمعرفة المزيد عن الذكاء الاصطناعي. اكتشف الابتكارات مثل computer vision in retail وAI in the automotive industry من خلال زيارة صفحات الحلول الخاصة بنا. للبدء في البناء باستخدام الرؤية الحاسوبية اليوم، تحقق من licensing options الخاصة بنا.
