بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
في 25 سبتمبر، في حدثنا الهجين السنوي، YOLO Vision 2025 (YV25) في لندن، أعلن جلين يوتشر، مؤسسنا ومديرنا التنفيذي، رسميًا عن أحدث إنجاز في سلسلة نماذج Ultralytics YOLO، وهو Ultralytics YOLO26! يمكن لنموذج الرؤية الحاسوبية الجديد لدينا، YOLO26، تحليل الصور والفيديو وتفسيرها من خلال بنية مبسطة توازن بين السرعة والدقة وسهولة النشر.
بينما يعمل Ultralytics YOLO26 على تبسيط جوانب تصميم النموذج وإضافة تحسينات جديدة، فإنه يستمر أيضًا في تقديم الميزات المألوفة التي يتوقعها المستخدمون من نماذج Ultralytics YOLO. على سبيل المثال، يعد Ultralytics YOLO26 سهل الاستخدام، ويدعم مجموعة من مهام الرؤية الحاسوبية، ويوفر خيارات تكامل ونشر مرنة.
وغني عن القول أن هذا يجعل التحول إلى استخدام Ultralytics YOLO26 خاليًا من المتاعب، ولا يسعنا الانتظار حتى نرى المستخدمين يختبرونه بأنفسهم عندما يصبح متاحًا للجمهور في نهاية أكتوبر.
الشكل 1. مثال على استخدام YOLO26 للكشف عن الأجسام في الصورة.
ببساطة، فإن Ultralytics YOLO26 هو نموذج ذكاء اصطناعي فيجن أفضل وأسرع وأصغر حجماً. في هذه المقالة، سنستكشف الميزات الرئيسية لـ Ultralytics YOLO26 وما يقدمه إلى الطاولة. لنبدأ!
دفع حدود الذكاء الاصطناعي للرؤية مع Ultralytics YOLO26
قبل أن نغوص في الميزات الرئيسية لـ Ultralytics YOLO26 والتطبيقات التي يتيحها، دعنا نأخذ خطوة إلى الوراء ونناقش الإلهام والدافع الذي دفع إلى تطوير هذا النموذج.
لطالما آمنا في Ultralytics بقوة الابتكار. ومنذ البداية، كانت مهمتنا ذات شقين. فمن ناحية، نريد أن نجعل الذكاء الاصطناعي فيجن متاحاً للجميع حتى يتمكن أي شخص من استخدامه دون عوائق. ومن ناحية أخرى، نحن ملتزمون بالقدر نفسه بإبقائه في الطليعة، ودفع حدود ما يمكن أن تحققه نماذج الرؤية الحاسوبية.
أحد العوامل الرئيسية وراء هذه المهمة هو أن مجال الذكاء الاصطناعي في تطور مستمر. على سبيل المثال، يتم اعتماد الذكاء الاصطناعي المتطور، الذي يتضمن تشغيل نماذج الذكاء الاصطناعي مباشرةً على الأجهزة بدلاً من الاعتماد على السحابة، بسرعة في مختلف الصناعات.
من الكاميرات الذكية إلى الأنظمة المستقلة، من المتوقع الآن أن تقوم الأجهزة الموجودة على الحافة بمعالجة 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. وكما يقول جلين يوتشر، "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 YOLO26
يتوفر YOLO26 خارج الصندوق في خمسة نماذج مختلفة، مما يمنحك المرونة للاستفادة من قدراته في التطبيقات من أي نطاق. تدعم جميع هذه النماذج المختلفة مهام الرؤية الحاسوبية المتعددة، تمامًا مثل نماذج Ultralytics YOLO السابقة. هذا يعني أنه بغض النظر عن الحجم الذي تختاره، يمكنك الاعتماد على YOLO26 لتقديم مجموعة واسعة من القدرات، تمامًا مثل Ultralytics YOLO11.
اكتشاف الأجسام: يمكن لـ YOLO26 تحديد وتحديد موقع كائنات متعددة داخل صورة أو إطار فيديو.
تجزئة المثيل: للذهاب إلى ما هو أبعد من الاكتشاف، يمكن لـ YOLO26 إنشاء حدود مثالية بالبكسل حول كل كائن يحدده.
تصنيف الصور: يمكن للنموذج تحليل صورة كاملة وتعيينها إلى فئة أو تصنيف معين.
تقدير الوضعية: يمكن ل YOLO26 اكتشاف النقاط الرئيسية وتقدير الوضعيات للبشر وكذلك الأجسام الأخرى.
المربعات المحدودة الموجهة (OBB): يمكن للنموذج اكتشاف الأجسام من أي زاوية، وهو أمر مفيد بشكل خاص للصور الجوية وصور الطائرات بدون طيار وصور الأقمار الصناعية، حيث قد لا تكون عناصر مثل المباني أو المركبات أو المحاصيل بمحاذاة إطار الصورة.
تتبع الأجسام: يمكن استخدام YOLO26 لتتبع الكائنات عبر إطارات الفيديو أو التدفقات في الوقت الفعلي.
الشكل 2. اكتشاف الأجسام في صورة باستخدام YOLO26.
نظرة على بنية YOLO26
والآن بعد أن أصبح لدينا فهم أفضل لما يمكن ل YOLO26 القيام به، دعنا نستعرض بعض الابتكارات في بنيته.
لقد تم تبسيط تصميم النموذج من خلال إزالة وحدة الخسارة البؤرية للتوزيع (DFL)، والتي كانت تبطئ في السابق من عملية الاستدلال وتحد من انحدار الصندوق المحدود.
كما تم تبسيط عملية التنبؤ أيضًا من خلال خيار الاستدلال من طرف إلى طرف (E2E)، والذي يتيح للنموذج تخطي خطوة الكبح غير الأقصى التقليدية (NMS). يقلل هذا التحسين من التعقيد ويتيح للنموذج تقديم النتائج بسرعة أكبر، مما يجعل النشر أسهل في التطبيقات الواقعية.
تجعل التحسينات الأخرى النموذج أكثر ذكاءً وموثوقية. تساعد موازنة الخسارة التدريجية (ProgLoss) على استقرار التدريب وتحسين الدقة، بينما يضمن تعيين التسمية الواعية بالأهداف الصغيرة (STAL) أن يكتشف النموذج الأجسام الصغيرة بشكل أكثر فعالية. علاوةً على ذلك، يعمل مُحسِّن MuSGD الجديد على تحسين تقارب التدريب وتعزيز الأداء العام.
في الواقع، يعمل الإصدار الأصغر من YOLO26، وهو طراز النانو، الآن بنسبة تصل إلى 43% أسرع على وحدات المعالجة المركزية القياسية، مما يجعله مناسبًا بشكل خاص لتطبيقات الأجهزة المحمولة والكاميرات الذكية والأجهزة المتطورة الأخرى التي تكون فيها السرعة والكفاءة أمرًا بالغ الأهمية.
إليك ملخص سريع لميزات YOLO26 وما يمكن للمستخدمين التطلع إليه:
إزالة DFL: أزلنا وحدة الخسارة البؤرية للتوزيع من بنية النموذج. بغض النظر عن أحجام الأجسام في الصورة، يمكن لـ YOLO26 وضع مربعات محصورة مصممة خصيصًا أثناء التشغيل بكفاءة أكبر.
الاستدلال الخالي من NMS من البداية إلى النهاية: تضيف YOLO26 وضعًا اختياريًا لا يحتاج إلى كبت غير الحد الأقصى (NMS)، وهي خطوة تُستخدم عادةً لإزالة التنبؤات المكررة، مما يجعل النشر أبسط وأسرع للاستخدام في الوقت الفعلي.
ProgLoss و STAL: تجعل هذه التحسينات التدريب أكثر استقرارًا وتعزز الدقة بشكل كبير، خاصةً لاكتشاف الأجسام الصغيرة في المشاهد المعقدة.
مُحسِّن MuSGD: يستخدم YOLO26 مُحسِّنًا جديدًا يجمع بين نقاط قوة مُحسِّنَي التدريب (Muon وSGD)، مما يساعد النموذج على التعلم بشكل أسرع والوصول إلى دقة أعلى.
الشكل 3. المقارنة المعيارية YOLO26.
تبسيط عملية النشر باستخدام Ultralytics YOLO26
سواء كنت تعمل على تطبيقات الأجهزة المحمولة أو الكاميرات الذكية أو أنظمة المؤسسات، فإن نشر YOLO26 بسيط ومرن. تدعم حزمة Ultralytics Python عددًا متزايدًا باستمرار من تنسيقات التصدير، مما يجعل من السهل دمج YOLO26 في عمليات سير العمل الحالية ويجعله متوافقًا مع أي منصة تقريبًا.
تتضمن بعض خيارات التصدير TensorRT لتحقيق أقصى قدر من التسريع لوحدة معالجة الرسومات، وONNX للتوافق الواسع، وCoreML لتطبيقات iOS الأصلية، وTFLite لأجهزة Android والأجهزة المتطورة، وOpenVINO للأداء المحسّن على أجهزة Intel. هذه المرونة تجعل من السهل نقل YOLO26 من مرحلة التطوير إلى مرحلة الإنتاج دون عقبات إضافية.
جزء آخر مهم من عملية النشر هو التأكد من تشغيل النماذج بكفاءة على الأجهزة ذات الموارد المحدودة. وهنا يأتي دور التكميم. وبفضل بنيته المبسطة، يتعامل YOLO26 مع هذا الأمر بشكل جيد للغاية. فهو يدعم نشر INT8 (باستخدام ضغط 8 بت لتقليل الحجم وتحسين السرعة مع الحد الأدنى من فقدان الدقة) بالإضافة إلى نصف الدقة (FP16) للاستدلال الأسرع على الأجهزة المدعومة.
والأهم من ذلك، يوفر YOLO26 أداءً متسقًا عبر مستويات التكميم هذه، لذا يمكنك الاعتماد عليه سواء كان يعمل على خادم قوي أو جهاز حافة صغير الحجم.
من الروبوتات إلى التصنيع: حالات استخدام YOLO26
يمكن استخدام YOLO26 في مجموعة متنوعة من تطبيقات الرؤية الحاسوبية في العديد من الصناعات وحالات الاستخدام المختلفة. من الروبوتات إلى التصنيع، يمكن أن يكون لها تأثير كبير من خلال تحسين سير العمل وتمكين اتخاذ قرارات أسرع وأكثر دقة.
على سبيل المثال، من الأمثلة الجيدة على ذلك في مجال الروبوتات، حيث يمكن أن يساعد YOLO26 الروبوتات على تفسير محيطها في الوقت الفعلي. وهذا يجعل التنقل أكثر سلاسة والتعامل مع الأشياء أكثر دقة. كما أنه يتيح تعاوناً أكثر أماناً مع الأشخاص.
مثال آخر هو التصنيع، حيث يمكن استخدام النموذج للكشف عن العيوب. ويمكنه تحديد العيوب تلقائيًا على خطوط الإنتاج بسرعة ودقة أكبر من الفحص اليدوي.
الشكل 4. الكشف عن الزجاجات في مصنع تصنيع باستخدام YOLO26.
بشكل عام، نظرًا لأن YOLO26 أفضل وأسرع وأخف وزنًا، فإنه يتكيف بسهولة مع مجموعة واسعة من البيئات، بدءًا من الأجهزة الطرفية خفيفة الوزن إلى أنظمة المؤسسات الكبيرة. وهذا يجعله خيارًا عمليًا للصناعات التي تتطلع إلى تحسين الكفاءة والدقة والموثوقية.
الوجبات الرئيسية
إن Ultralytics YOLO26 هو نموذج للرؤية الحاسوبية أفضل وأسرع وأخف وزناً، مع الحفاظ على سهولة استخدامه واستمراره في تقديم أداء قوي. يعمل عبر مجموعة واسعة من المهام والمنصات وسيكون متاحًا للجميع بحلول نهاية أكتوبر. نحن متشوقون لرؤية كيف يستخدمه المجتمع لابتكار حلول جديدة وتخطي حدود الرؤية الحاسوبية.
.webp)
