تأثير تصميم Ultralytics YOLO26 الأسرع والأكثر تركيزاً على الحافة

في وقت سابق من هذا الأسبوع، أطلقت Ultralytics رسمياً Ultralytics YOLO26، وهو نموذج YOLO أسرع وأخف وأصغر يهدف إلى إعادة تعريف أداء أنظمة الرؤية الحاسوبية على الطرفيات (edge). يدعم YOLO26 نفس مهام الرؤية الأساسية مثل نماذج YOLO السابقة، بما في ذلك اكتشاف الكائنات وتجزئة المثيلات.

الشكل 1. مثال على استخدام Ultralytics YOLO26 لتجزئة عنصر.

الفرق الفاصل بين Ultralytics YOLO26 والنماذج السابقة هو البيئة التي صُمم للعمل فيها. فبدلاً من التحسين الأساسي لوحدات معالجة الرسومات السحابية (GPUs) أو الأداء الموجه نحو المعايير القياسية، صُمم YOLO26 من الصفر لل نشر في العالم الحقيقي على الأجهزة الطرفية والأجهزة المضمنة.

مع انتقال رؤية الكمبيوتر من البحث إلى الإنتاج، تصبح حقيقة قيود الأداء أكثر وضوحاً. تتشكل بيئات الطرفيات (edge) من خلال ميزانيات زمن انتقال ضيقة، وذاكرة محدودة، وقيود الطاقة والحرارة، والحاجة إلى سلوك يمكن التنبؤ به عبر منصات متنوعة.

في هذه الإعدادات، لا يعتمد أداء النظام العام فقط على سرعة الاستدلال الخام، بل أيضاً على مدى كفاءة تشغيل خط المعالجة بالكامل. غالباً ما تكون تكاليف المعالجة اللاحقة، وضغوط الذاكرة، ومسارات التنفيذ الخاصة بالمنصة بمثابة اختناقات.

يتعامل Ultralytics YOLO26 مع هذه التحديات من خلال اتباع نهج أسرع وموجه نحو الأجهزة الطرفية أولاً، والذي يدرس مسار الاستدلال بالكامل بدلاً من مقاييس النموذج الفردية. ومن خلال التركيز على التحسين للطرفيات، وتبسيط مسار الاستدلال، وإزالة خطوات المعالجة اللاحقة غير الضرورية، يقدم YOLO26 تحسينات في السرعة تؤدي إلى زمن انتقال أقل وسلوك أكثر موثوقية في بيئة الإنتاج.

في هذه المقالة، سنستكشف كيف تترجم الخيارات المعمارية لـ Ultralytics YOLO26 إلى تحسينات في الأداء في العالم الحقيقي، ويفسر لماذا يغير الأسرع على الحافة بشكل أساسي ما هو ممكن لتطبيقات الرؤية الحاسوبية للجيل القادم.

حقيقة النشر على الحافة#

تشغيل نماذج الرؤية الحاسوبية على الطرفيات يختلف تماماً عن تشغيلها في السحابة. في البيئات السحابية، عادةً ما تتمتع الأنظمة بإمكانية الوصول إلى وحدات معالجة رسومية قوية، وكميات كبيرة من الذاكرة، وأجهزة مستقرة. على الطرفيات، لا تنطبق نفس الافتراضات.

تعتمد معظم عمليات النشر على الحافة على بنى أجهزة متنوعة، وليس وحدات GPU. وعادة ما تستخدم الأجهزة معالجات متخصصة متعددة لمهام مختلفة، والتي يتم تحسينها للكفاءة واستهلاك الطاقة المنخفض بدلاً من سعة الحوسبة الخام لوحدات GPU السحابية.

يعد زمن الانتقال قيداً رئيسياً آخر. غالباً ما تعمل أنظمة الحافة ضمن حدود زمنية حقيقية ضيقة، حيث يمكن أن تؤثر حتى التأخيرات الصغيرة على الاستجابة أو السلامة. في هذه الحالات، يهم زمن الانتقال من البداية إلى النهاية أكثر من سرعة الاستدلال الخام. يمكن أن يكون النموذج سريعاً على الورق ولكنه لا يزال قاصراً بمجرد إضافة المعالجة اللاحقة وحركة البيانات.

تلعب الذاكرة أيضاً دوراً كبيراً. تمتلك العديد من أجهزة الحافة ذاكرة محدودة وذاكرات تخزين مؤقت مشتركة. يمكن أن تؤدي الموترات الوسيطة الكبيرة والاستخدام غير الفعال للذاكرة إلى إبطاء الأنظمة، حتى عندما يكون النموذج نفسه فعالاً.

تضيف قيود الطاقة والحرارة المزيد من القيود. غالباً ما تعمل أجهزة الحافة بدون تبريد نشط وضمن ميزانيات طاقة ثابتة. يجب أن يكون الأداء فعالاً ومستداماً، وليس مجرد سريع في فترات قصيرة.

علاوة على كل هذا، تتطلب عمليات النشر على الحافة الاتساق. يجب أن تتصرف النماذج بنفس الطريقة عبر الأجهزة وأوقات التشغيل. يمكن أن تؤدي التعليمات البرمجية الخاصة بالمنصة أو خطوات المعالجة اللاحقة المعقدة إلى تقديم اختلافات طفيفة تجعل الأنظمة أصعب في النشر والصيانة.

الشكل 2. نظرة على قيود النشر على الحافة. الصورة للمؤلف.

تحدد هذه القيود ما يعنيه الأداء حقاً عند الحافة. بعبارة أخرى، يتم تحديد الأداء من خلال خط المعالجة بالكامل، وليس من خلال مقياس واحد.

لماذا تتطلب رؤية الحافة نموذج أداء مختلفاً#

إذاً، كيف ترتبط قيود النشر على الحافة بمتطلبات نموذج الرؤية الحاسوبية المصمم للحافة؟ يصبح الارتباط واضحاً بمجرد انتقال النماذج من إعدادات البحث إلى أنظمة العالم الحقيقي.

في البيئات السحابية، غالباً ما يتم قياس الأداء باستخدام معايير مثل سرعة الاستدلال والدقة. عند الحافة، لا تروي هذه المقاييس سوى جزء من القصة. تعمل أنظمة الرؤية عادة عبر أجهزة غير متجانسة، حيث يتم تفريغ استدلال الشبكة العصبية إلى مسرعات متخصصة بينما تعمل الأجزاء الأخرى من خط المعالجة على معالجات عامة الغرض.

في هذا السياق، لا تكفي سرعة النموذج. كيفية أداء النظام بأكمله بمجرد نشر النموذج هي المفتاح. يمكن أن يبدو النموذج سريعاً بمفرده، ولكنه لا يزال قاصراً إذا أضافت المعالجة اللاحقة، أو حركة البيانات، أو الخطوات الخاصة بالمنصة تكاليف إضافية.

لهذا السبب تتطلب رؤية الحافة نموذج أداء يركز على كفاءة مستوى النظام بدلاً من المعايير المعزولة. يعكس Ultralytics YOLO26 هذا التحول من خلال التركيز على التحسين الموجه للحافة أولاً، والاستدلال المبسط، والتنفيذ من البداية إلى النهاية المصمم لنشر العالم الحقيقي.

أساس السرعة: تصميم ملائم للحافة أولاً#

عند الحافة، يتم تحديد الأداء من خلال مدى توافق النموذج مع بنية الأجهزة الفعلية للجهاز. يضمن التصميم الموجه للحافة أولاً تشغيل أنظمة الرؤية بشكل موثوق عبر منصات العالم الحقيقي، بغض النظر عن المزيج المحدد لوحدات المعالجة المتاحة.

يعطي النهج الموجه للحافة الأولوية للتنفيذ المتوقع والفعال عبر الأجهزة غير المتجانسة، بدلاً من تكييف النماذج التي تم تحسينها لوحدات GPU السحابية بعد وقوع الأمر. ببساطة، يعني هذا تفضيل العمليات التي تترجم بشكل جيد إلى مسرعات الشبكة العصبية، وتقليل العمل غير العصبي خارج النموذج، وتقليل التعقيد غير الضروري الذي يمكن أن يبطئ التنفيذ من البداية إلى النهاية.

صُمم Ultralytics YOLO26 مع وضع هذه القيود في الاعتبار. وتركز بنيته على الأداء الثابت بدلاً من الحد الأقصى للإنتاجية في ظل الظروف المثالية. ومن خلال تبسيط مسارات التنفيذ والتخلص من العمليات الحسابية غير الضرورية، يقلل YOLO26 من الحمل الزائد عبر مسار الاستدلال ويستغل بشكل أفضل التسارع المتاح في الجهاز وتسلسل الذاكرة الهرمي.

هذا النهج يحسن الموثوقية أيضاً. يؤدي التحسين الموجه للحافة أولاً إلى توقيت أكثر قابلية للتنبؤ وتقليل طفرات الأداء، وهو أمر بالغ الأهمية للأنظمة في الوقت الفعلي. بدلاً من الاعتماد على الأجهزة المتخصصة أو المعالجة اللاحقة الثقيلة لتحقيق السرعة، يؤكد Ultralytics YOLO26 على الكفاءة طوال خط أنابيب الاستدلال.

الاستدلال من البداية إلى النهاية وتكلفة المعالجة اللاحقة#

قد تتساءل عما يعنيه القضاء على خطوات المعالجة اللاحقة غير الضرورية. لفهم ذلك، دعنا نتراجع خطوة إلى الوراء وننظر إلى كيفية عمل أنظمة اكتشاف الكائنات التقليدية.

في العديد من خطوط معالجة اكتشاف الكائنات، لا ينتهي الاستدلال عندما ينتج النموذج تنبؤاته. بدلاً من ذلك، يخرج النموذج عدداً كبيراً من مربعات الإحاطة المتداخلة، والتي تحتاج بعد ذلك إلى التصفية والتحسين قبل استخدامها. تحدث عملية التنظيف هذه من خلال خطوات المعالجة اللاحقة التي تعمل خارج النموذج نفسه.

تُعد إحدى أكثر خطوات ما بعد المعالجة شيوعاً هي Non-Maximum Suppression، أو NMS. تقارن NMS مربعات الإحاطة المتداخلة وتحتفظ فقط بالجهات الأكثر ثقة في الاكتشاف، مع إزالة التكرارات التي تشير إلى نفس الكائن. وفي حين أن هذا النهج فعال، إلا أنه يفرض عملية حسابية إضافية بعد اكتمال الاستدلال.

الشكل 3. فهم NMS. الصورة للمؤلف.

عند الحافة، يأتي هذا العمل الإضافي بتكلفة. خطوات المعالجة اللاحقة مثل NMS ليست مناسبة تماماً للمسرعات المتخصصة المستخدمة لاستدلال الشبكة العصبية، والتي تم تحسينها للحوسبة العصبية الكثيفة بدلاً من العمليات التي تستهلك الكثير من التحكم أو الذاكرة.

ونتيجة لذلك، تقدم NMS زمن انتقال إضافياً وتكاليف ذاكرة إضافية، وتنمو تكلفتها مع زيادة عدد التنبؤات. حتى عندما يكون النموذج نفسه سريعاً، لا تزال NMS قادرة على استهلاك جزء كبير من إجمالي وقت التشغيل.

تزيد المعالجة اللاحقة أيضاً من تعقيد النظام. نظراً لأنها تعيش خارج النموذج، يجب تنفيذها بشكل منفصل لأوقات تشغيل وأهداف أجهزة مختلفة. غالباً ما يؤدي هذا إلى مسارات تعليمات برمجية خاصة بالمنصة، وسلوك غير متسق عبر الأجهزة، وخطوط نشر أكثر هشاشة.

والأهم من ذلك، أن المعالجة اللاحقة تكسر فكرة الأداء الحقيقي من البداية إلى النهاية. لا يعكس قياس سرعة استدلال النموذج كيفية تصرف النظام في الإنتاج. ما يهم في النهاية هو الوقت الإجمالي من الإدخال إلى الإخراج النهائي، بما في ذلك كل خطوة في خط المعالجة.

في هذه المواقف، تصبح المعالجة اللاحقة عنق زجاجة مخفياً عند الحافة. فهي تضيف زمن انتقال، وتستهلك موارد وحدة المعالجة المركزية، وتعقد النشر، كل ذلك بينما تقع خارج النموذج نفسه.

كيف يزيل Ultralytics YOLO26 خوارزمية NMS ولماذا يجعل ذلك الأداء أسرع#

يزيل YOLO26 تقنية NMS من خلال معالجة السبب الجذري للاكتشافات المكررة بدلاً من تنظيفها بعد الاستدلال. بدلاً من إنتاج العديد من التنبؤات المتداخلة التي تحتاج إلى تصفية، يتم تدريب النموذج على توليد مجموعة أصغر من التنبؤات النهائية الواثقة مباشرة.

يصبح هذا ممكناً من خلال تغيير كيفية تعلم الاكتشافات أثناء التدريب. يشجع Ultralytics YOLO26 علاقة أوضح بنسبة واحد لواحد بين الكائنات والتنبؤات، مما يقلل التكرار من مصادره. ونتيجة لذلك، يتم حل الاكتشافات المكررة داخل الشبكة نفسها بدلاً من خلال المعالجة اللاحقة الخارجية.

لإزالة NMS تأثير فوري على أداء الحافة. نظراً لأن NMS لا تتوافق جيداً مع مسرعات الشبكة العصبية، فإن القضاء عليها يقلل من حركة الذاكرة ويتجنب خطوات المعالجة غير العصبية المكلفة. يؤدي هذا إلى تقليل زمن الانتقال من البداية إلى النهاية ويجعل الأداء أكثر قابلية للتنبؤ، خاصة على أجهزة الحافة حيث يمكن للمعالجة اللاحقة بخلاف ذلك استهلاك جزء ملحوظ من إجمالي وقت التشغيل.

كما أنه يبسط خط الاستدلال. مع وجود خطوات أقل خارج النموذج، هناك حركة بيانات أقل وعمليات تسليم أقل بين المكونات. مخرجات النموذج هي بالفعل النتيجة النهائية، مما يجعل التنفيذ أكثر قابلية للتنبؤ.

إزالة DFL لتمكين الأداء الحقيقي من البداية إلى النهاية#

ابتكار آخر في Ultralytics YOLO26 هو إزالة دالة فقدان بؤري للتوزيع (Distribution Focal Loss)، أو DFL، والتي تم استخدامها في نماذج YOLO السابقة لانحدار مربع التحديد (bounding box). بدلاً من التنبؤ بإحداثي واحد مباشرة، تعلمت النماذج التي تستخدم DFL توزعاً للقيم المحتملة ثم استمدت مربع تحديد نهائي من ذلك التوزيع. ساعد هذا النهج في تحسين دقة التوطين وكان خطوة للأمام مهمة في الأجيال السابقة.

مع مرور الوقت، قدمت DFL أيضاً مقايضات. يؤدي التنبؤ بالتوزيعات إلى زيادة العمليات الحسابية وإضافة تعقيد إلى بنية النموذج، مما قد يؤدي إلى إبطاء الاستدلال على وحدة المعالجة المركزية (CPU) وصعوبة تصدير النماذج عبر تنسيقات النشر. فرضت DFL أيضاً نطاقات انحدار ثابتة، مما قد يحد من المرونة عند اكتشاف الكائنات الكبيرة جداً.

يزيل Ultralytics YOLO26 طبقة DFL كجزء من توجهه نحو تصميم أبسط ومن البداية إلى النهاية. وقد اعيد تصميم عملية الانحدار لصناديق الإحاطة لتكون أكثر مباشرة، مما يقلل من الحسابات غير الضرورية مع الحفاظ على الدقة. يتوافق هذا التغيير مع النهج الخالي من NMS في YOLO26.

من أين تأتي سرعة استدلال وحدة المعالجة المركزية بنسبة 43%#

في المعايير القائمة على وحدة المعالجة المركزية (CPU)، يُظهر YOLO26 تحسناً واضحاً في الأداء مقارنة بنماذج YOLO السابقة. مقارنةً بـ Ultralytics YOLO11، يقدم نموذج YOLO26 nano استدلالاً أسرع لوحدة المعالجة المركزية بنسبة تصل إلى 43%، وهو فرق له تأثير كبير في عمليات نشر الحوسبة الطرفية في العالم الحقيقي.

الشكل 4. قياس أداء سرعة الاستدلال على وحدة المعالجة المركزية لـ Ultralytics YOLO26.

يأتي هذا المكسب من تبسيط خط الاستدلال الكامل بدلاً من تحسين مكون واحد. يزيل التنفيذ من البداية إلى النهاية تكاليف المعالجة اللاحقة، وتقلل طريقة انحدار مربع الإحاطة الأكثر مباشرة من الحوسبة، وتعمل خيارات التصميم الموجهة لوحدة المعالجة المركزية أولاً على تحسين كفاءة التنفيذ على المعالجات عامة الغرض.

معاً، تقلل هذه التغييرات زمن الانتقال، وتخفض عبء عمل وحدة المعالجة المركزية، وتؤدي إلى أداء أسرع وأكثر اتساقاً على أجهزة الحافة في العالم الحقيقي.

تأثير Ultralytics YOLO26 على النشر والتصدير على الأجهزة الطرفية (Edge)#

تمتد مكاسب أداء Ultralytics YOLO26 إلى ما بعد الاستدلال الأسرع. من خلال تبسيط النموذج وتقليل العبء الإضافي للذاكرة، يصبح نشر النموذج أسهل وأكثر موثوقية للتشغيل عبر بيئات الحافة.

يبسط تصميم Ultralytics YOLO26 الشامل أيضاً export. مع وجود مكونات إضافية أقل وعدم وجود خطوات معالجة لاحقة خارجية، فإن النماذج المصدرة مكتملة ذاتياً بالكامل. هذا يقلل الاعتماديات الخاصة بالمنصة ويساعد في ضمان سلوك متسق عبر أوقات التشغيل وأهداف الأجهزة.

في التطبيق العملي، هذا يعني أنه يمكن نشر Ultralytics YOLO26 بسهولة أكبر على أجهزة الحافة مثل الكاميرات، والروبوتات، والأنظمة المضمنة، باستخدام تنسيقات تصدير مختلفة. ما تقوم بتصديره هو ما تقوم بتشغيله، مع خطوات تكامل أقل ومخاطر أقل لانحراف النشر.

استدلال الحافة الأسرع يتيح الروبوتات وذكاء الرؤية الصناعي#

حتى الآن، نظرنا في كيفية تحسين تصميم Ultralytics YOLO26 الموجه للحافة أولاً للأداء على مستوى النظام. ومع ذلك، يكمن التأثير الحقيقي في كيفية تسهيل دمج ذكاء الرؤية الاصطناعية في التطبيقات الواقعية.

على سبيل المثال، في الروبوتات والبيئات الصناعية، غالباً ما تعمل أنظمة الرؤية تحت قيود صارمة في الوقت الفعلي. يجب اتخاذ القرارات بسرعة وبشكل متسق، باستخدام موارد حوسبة محدودة ودون الاعتماد على الاتصال السحابي. مع Ultralytics YOLO26، يصبح تلبية هذه المتطلبات أمراً عملياً.

تستفيد تطبيقات مثل ملاحة الروبوت ومعالجة الكائنات من زمن انتقال أقل واستدلال أكثر قابلية للتنبؤ، مما يسمح للروبوتات بالاستجابة بسلاسة للتغيرات في بيئتها. وبالمثل، في الإعدادات الصناعية، يمكن لنماذج الرؤية أن تعمل مباشرة على خطوط الإنتاج لاكتشاف العيوب، وتتبع المكونات، ومراقبة العمليات دون تقديم تأخيرات أو تعقيد إضافي.

من خلال تمكين الاستدلال السريع والموثوق على أجهزة الحافة، يساعد Ultralytics YOLO26 في جعل ذكاء الرؤية الاصطناعية جزءاً طبيعياً من الروبوتات والأنظمة الصناعية، بدلاً من أن يكون تحدياً في النشر والصيانة.

أبرز النقاط#

بُني Ultralytics YOLO26 للطرفيات، حيث تحدد قيود العالم الحقيقي مثل زمن الانتقال والذاكرة والموثوقية ما هو ممكن. ومن خلال تصميم النموذج ليعتمد على التنفيذ بـ CPU أولاً، والاستدلال الشامل، والنشر الأبسط، يجعل YOLO26 الذكاء الاصطناعي للرؤية عملياً للدمج في الأنظمة الحقيقية. يمكن هذا النهج الموجه للطرفيات أولاً نطاقاً واسعاً من التطبيقات، بدءاً من الروبوتات والرؤية الصناعية وحتى الذكاء الاصطناعي المضمن وعلى الأجهزة، حيث يكون الأداء والتنبؤ بأهمية قصوى.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد ذكاء اصطناعي عملية. لبناء تطبيقات بالرؤية الحاسوبية اليوم، استكشف خيارات الترخيص الخاصة بنا. تعرّف على كيف يقوم الذكاء الاصطناعي في الزراعة بتحويل الزراعة وكيف يشكل الذكاء الاصطناعي للرؤية في الرعاية الصحية المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.