أثر تصميم Ultralytics YOLO26 الأسرع، الذي يضع الأجهزة الطرفية أولًا

في وقت سابق من هذا الأسبوع، أطلقت Ultralytics رسميًا Ultralytics YOLO26، وهو نموذج YOLO أسرع وأخف وأصغر يهدف إلى إعادة تعريف طريقة أداء أنظمة الرؤية الحاسوبية على الحافة. يدعم YOLO26 مهام الرؤية الأساسية نفسها التي دعمتها نماذج YOLO السابقة، بما في ذلك اكتشاف الأجسام وتقسيم المثيلات.

الشكل 1. مثال على استخدام Ultralytics YOLO26 لتقسيم جسم.

يتمثل الاختلاف الأساسي بين Ultralytics YOLO26 والنماذج السابقة في البيئة التي صُمم للعمل فيها. فبدلًا من تحسينه أساسًا لوحدات معالجة الرسومات السحابية (GPUs) أو للأداء القائم على المعايير القياسية، صُمم YOLO26 من الأساس للنشر في العالم الحقيقي على أجهزة الحافة والعتاد المضمن.

مع انتقال الرؤية الحاسوبية من البحث إلى الإنتاج، تزداد وضوحًا حقيقة قيود الأداء. وتتميز بيئات الحافة بميزانيات زمن استجابة ضيقة، وقيود على الذاكرة والطاقة والحرارة، والحاجة إلى سلوك يمكن التنبؤ به عبر منصات متنوعة.

في هذه الإعدادات، لا يعتمد أداء النظام الإجمالي على سرعة الاستدلال الخام فحسب، بل يعتمد أيضًا على كفاءة عمل خط الأنابيب بأكمله. وغالبًا ما تشكل أعباء المعالجة اللاحقة، وضغط الذاكرة، ومسارات التنفيذ الخاصة بالمنصة عنق زجاجة.

يعالج Ultralytics YOLO26 هذه التحديات من خلال اتباع نهج أسرع، مصمم أولًا للحافة، ينظر إلى خط أنابيب الاستدلال بأكمله بدلًا من مقاييس النموذج الفردية. ومن خلال التركيز على تحسين الحافة، وتبسيط خط أنابيب الاستدلال، وإزالة خطوات المعالجة اللاحقة غير الضرورية، يحقق YOLO26 تحسينات في السرعة تؤدي إلى زمن استجابة أقل وسلوك أكثر موثوقية في الإنتاج.

سنستكشف في هذه المقالة كيف تُترجم الخيارات المعمارية في Ultralytics YOLO26 إلى تحسينات في الأداء الواقعي، ولماذا يغير تحقيق سرعة أكبر على الحافة بصورة جوهرية ما يمكن تحقيقه في تطبيقات الرؤية الحاسوبية من الجيل التالي.

واقع النشر على الحافة#

يختلف تشغيل نماذج الرؤية الحاسوبية على الحافة اختلافًا كبيرًا عن تشغيلها في السحابة. ففي البيئات السحابية، تتمتع الأنظمة عادةً بإمكانية الوصول إلى وحدات GPU قوية، وكميات كبيرة من الذاكرة، وعتاد مستقر. أما على الحافة، فلا تنطبق الافتراضات نفسها.

تعمل معظم عمليات النشر على الحافة على معماريات عتاد متنوعة، وليس على وحدات GPU. وتستخدم الأجهزة عادةً معالجات متخصصة متعددة لمهام مختلفة، وقد حُسّنت لتحقيق الكفاءة واستهلاك الطاقة المنخفض بدلًا من سعة الحوسبة الخام التي توفرها وحدات GPU السحابية.

يمثل زمن الاستجابة قيدًا رئيسيًا آخر. فغالبًا ما تعمل أنظمة الحافة ضمن حدود زمنية آنية ضيقة، حيث يمكن حتى للتأخيرات الصغيرة أن تؤثر في سرعة الاستجابة أو السلامة. وفي هذه الحالات، يكون زمن الاستجابة من البداية إلى النهاية أهم من سرعة الاستدلال الخام. فقد يبدو النموذج سريعًا على الورق، لكنه قد لا يفي بالغرض بعد إضافة المعالجة اللاحقة ونقل البيانات.

تؤدي الذاكرة أيضًا دورًا مهمًا. إذ تمتلك العديد من أجهزة الحافة ذاكرة محدودة وذاكرات تخزين مؤقت مشتركة. ويمكن للموترات الوسيطة الكبيرة والاستخدام غير الكفء للذاكرة أن يبطئا الأنظمة، حتى عندما يكون النموذج نفسه كفؤًا.

تضيف حدود الطاقة والحرارة قيودًا أخرى. فكثيرًا ما تعمل أجهزة الحافة من دون تبريد نشط وضمن ميزانيات طاقة ثابتة. ولذلك يجب أن يكون الأداء كفؤًا ومستدامًا، لا سريعًا فحسب على دفعات قصيرة.

وفوق كل ذلك، تتطلب عمليات النشر على الحافة الاتساق. إذ يجب أن تتصرف النماذج بالطريقة نفسها عبر الأجهزة وبيئات التشغيل. وقد تؤدي الشيفرة الخاصة بالمنصة أو خطوات المعالجة اللاحقة المعقدة إلى اختلافات دقيقة تجعل نشر الأنظمة وصيانتها أكثر صعوبة.

الشكل 2. نظرة على قيود النشر على الحافة. الصورة من إعداد المؤلف.

تحدد هذه القيود المعنى الحقيقي للأداء على الحافة. وبعبارة أخرى، يحدد الأداء خط الأنابيب بأكمله، لا مقياس واحد.

لماذا تتطلب الرؤية على الحافة نموذجًا مختلفًا للأداء#

إذًا، ما العلاقة بين قيود النشر على الحافة ومتطلبات نموذج رؤية حاسوبية مصمم للحافة؟ يتضح الارتباط بمجرد انتقال النماذج من بيئات البحث إلى الأنظمة الواقعية.

في البيئات السحابية، يُقاس الأداء غالبًا باستخدام معايير مثل سرعة الاستدلال والدقة. أما على الحافة، فلا تخبر هذه المقاييس إلا بجزء من القصة. فعادةً ما تعمل أنظمة الرؤية عبر عتاد غير متجانس، حيث يُسنَد استدلال الشبكة العصبية إلى مسرّعات متخصصة، بينما تعمل الأجزاء الأخرى من خط الأنابيب على معالجات للأغراض العامة.

في هذا السياق، لا تكفي سرعة النموذج. فالمهم هو أداء النظام بأكمله بعد نشر النموذج. وقد يبدو النموذج سريعًا بمفرده، لكنه قد لا يفي بالغرض إذا أضافت المعالجة اللاحقة أو نقل البيانات أو الخطوات الخاصة بالمنصة أعباءً إضافية.

ولهذا تتطلب الرؤية على الحافة نموذجًا للأداء يركز على كفاءة مستوى النظام بدلًا من المعايير المعزولة. ويعكس Ultralytics YOLO26 هذا التحول من خلال التركيز على التحسين المصمم أولًا للحافة، والاستدلال المبسط، والتنفيذ من البداية إلى النهاية المصمم للنشر في العالم الحقيقي.

أساس السرعة: تصميم مصمم أولًا للحافة#

على الحافة، يتحدد الأداء بمدى جودة توافق النموذج مع معمارية العتاد الفعلية للجهاز. ويضمن التصميم للحافة أولًا تشغيل أنظمة الرؤية بشكل موثوق عبر المنصات الواقعية، بغض النظر عن المزيج المحدد من وحدات المعالجة المتاحة.

يعطي النهج المصمم أولًا للحافة الأولوية لتنفيذ يمكن التنبؤ به وكفؤ عبر عتاد غير متجانس، بدلًا من تكييف نماذج حُسّنت لوحدات GPU السحابية بعد ذلك. وببساطة، يعني هذا تفضيل العمليات التي تتوافق جيدًا مع مسرّعات الشبكات العصبية، وتقليل العمل غير العصبي خارج النموذج، وخفض التعقيد غير الضروري الذي قد يبطئ التنفيذ من البداية إلى النهاية.

صُمم Ultralytics YOLO26 مع مراعاة هذه القيود. وتركز معماريته على الأداء المتسق بدلًا من الإنتاجية القصوى في الظروف المثالية. ومن خلال تبسيط مسارات التنفيذ وإزالة العمليات الحسابية غير الضرورية، يقلل YOLO26 الأعباء عبر خط أنابيب الاستدلال ويستفيد بصورة أفضل من التسريع المتاح وتسلسل الذاكرة الهرمي في الجهاز.

يحسن هذا النهج الموثوقية أيضًا. إذ يؤدي التحسين المصمم أولًا للحافة إلى توقيت أكثر قابلية للتنبؤ وعدد أقل من ارتفاعات الأداء، وهو أمر بالغ الأهمية للأنظمة الآنية. وبدلًا من الاعتماد على عتاد متخصص أو معالجة لاحقة مكثفة لتحقيق السرعة، يركز Ultralytics YOLO26 على الكفاءة في جميع مراحل خط أنابيب الاستدلال.

الاستدلال من البداية إلى النهاية وتكلفة المعالجة اللاحقة#

قد تتساءل عما يعنيه إلغاء خطوات المعالجة اللاحقة غير الضرورية. ولتفهم ذلك، لنتراجع خطوة ونلقِ نظرة على طريقة عمل أنظمة اكتشاف الأجسام التقليدية.

في كثير من خطوط أنابيب اكتشاف الأجسام، لا ينتهي الاستدلال عندما ينتج النموذج تنبؤاته. بل يُخرج النموذج عددًا كبيرًا من مربعات الإحاطة المتداخلة، التي تحتاج بعد ذلك إلى تصفية وتنقيح قبل استخدامها. وتتم عملية التنظيف هذه من خلال خطوات معالجة لاحقة تعمل خارج النموذج نفسه.

تتمثل إحدى أكثر خطوات المعالجة اللاحقة شيوعًا في القمع غير الأقصى، أو NMS. يقارن NMS مربعات الإحاطة المتداخلة ويحتفظ بالكشوفات الأكثر ثقة فقط، مع إزالة التكرارات التي تشير إلى الجسم نفسه. وعلى الرغم من فعالية هذا النهج، فإنه يضيف عمليات حسابية إضافية بعد اكتمال الاستدلال.

الشكل 3. فهم NMS. الصورة من إعداد المؤلف.

على الحافة، تأتي هذه الأعمال الإضافية بتكلفة. فخطوات المعالجة اللاحقة مثل NMS لا تتوافق جيدًا مع المسرّعات المتخصصة المستخدمة لاستدلال الشبكات العصبية، إذ حُسّنت هذه المسرّعات للحوسبة العصبية الكثيفة بدلًا من العمليات كثيفة التحكم أو الذاكرة.

ونتيجة لذلك، يضيف NMS زمن استجابة وأعباء ذاكرة إضافية، وتزداد تكلفته مع زيادة عدد الكشوفات. وحتى عندما يكون النموذج نفسه سريعًا، قد يستهلك NMS جزءًا كبيرًا من إجمالي زمن التشغيل.

تزيد المعالجة اللاحقة من تعقيد النظام أيضًا. ولأنها توجد خارج النموذج، يجب تنفيذها بصورة منفصلة لبيئات التشغيل وأهداف العتاد المختلفة. وغالبًا ما يؤدي ذلك إلى مسارات شيفرة خاصة بالمنصة، وسلوك غير متسق عبر الأجهزة، وخطوط أنابيب نشر أكثر هشاشة.

والأهم من ذلك أن المعالجة اللاحقة تقوض مفهوم الأداء الحقيقي من البداية إلى النهاية. فلا يعكس قياس سرعة استدلال النموذج كيفية تصرف النظام في الإنتاج. وما يهم في النهاية هو إجمالي الوقت من الإدخال إلى الإخراج النهائي، بما يشمل كل خطوة في خط الأنابيب.

في هذه الحالات، تصبح المعالجة اللاحقة عنق زجاجة خفيًا على الحافة. فهي تضيف زمن استجابة، وتستهلك موارد CPU، وتعقّد عملية النشر، مع بقائها خارج النموذج نفسه.

كيف يزيل Ultralytics YOLO26 ‏NMS ولماذا يجعله ذلك أسرع#

يعمل YOLO26 على إزالة NMS من خلال معالجة السبب الجذري للكشوفات المكررة بدلًا من تنظيفها بعد الاستدلال. فبدلًا من إنتاج العديد من التنبؤات المتداخلة التي تحتاج إلى تصفية، يُدرَّب النموذج على إنشاء مجموعة أصغر من الكشوفات النهائية الواثقة مباشرةً.

ويصبح ذلك ممكنًا من خلال تغيير طريقة تعلّم الكشوفات أثناء التدريب. إذ يشجع Ultralytics YOLO26 على إقامة علاقة أوضح من واحد إلى واحد بين الأجسام والتنبؤات، مما يقلل التكرار من مصدره. ونتيجة لذلك، تُحل الكشوفات المكررة داخل الشبكة نفسها بدلًا من معالجتها لاحقًا خارجيًا.

تؤثر إزالة NMS فورًا في أداء الحافة. وبما أن NMS لا يتوافق جيدًا مع مسرّعات الشبكات العصبية، فإن إزالته تقلل حركة الذاكرة وتتجنب خطوات المعالجة غير العصبية المكلفة. ويخفض ذلك زمن الاستجابة من البداية إلى النهاية ويجعل الأداء أكثر قابلية للتنبؤ، لا سيما على أجهزة الحافة حيث قد تستهلك المعالجة اللاحقة جزءًا ملحوظًا من إجمالي زمن التشغيل.

كما تبسط هذه الإزالة خط أنابيب الاستدلال. فمع انخفاض عدد الخطوات خارج النموذج، تقل حركة البيانات وتقل عمليات التسليم بين المكونات. ويكون خرج النموذج هو النتيجة النهائية بالفعل، مما يجعل التنفيذ أكثر قابلية للتنبؤ.

إزالة DFL لتمكين الأداء الحقيقي من البداية إلى النهاية#

من الابتكارات الأخرى في Ultralytics YOLO26 إزالة فقدان البؤرة للتوزيع، أو DFL، الذي استُخدم في نماذج YOLO السابقة لانحدار مربعات الإحاطة. فبدلًا من التنبؤ بإحداثي واحد مباشرةً، تعلمت النماذج التي تستخدم DFL توزيعًا للقيم المحتملة، ثم اشتقت مربع إحاطة نهائيًا من ذلك التوزيع. وقد ساعد هذا النهج على تحسين دقة تحديد الموضع، وكان خطوة مهمة إلى الأمام في الأجيال السابقة.

لكن DFL أدخل مع مرور الوقت مقايضات أيضًا. إذ يزيد التنبؤ بالتوزيعات العمليات الحسابية ويضيف تعقيدًا إلى معمارية النموذج، مما قد يبطئ الاستدلال على وحدات CPU ويجعل تصدير النماذج عبر تنسيقات النشر أكثر صعوبة. كما فرض DFL نطاقات انحدار ثابتة، مما قد يحد من المرونة عند اكتشاف الأجسام الكبيرة جدًا.

يزيل Ultralytics YOLO26 ‏DFL في إطار توجهه نحو تصميم أبسط من البداية إلى النهاية. وأُعيد تصميم انحدار مربع الإحاطة ليكون أكثر مباشرة، مما يقلل العمليات الحسابية غير الضرورية مع الحفاظ على الدقة. ويتوافق هذا التغيير مع نهج YOLO26 الخالي من NMS.

من أين تأتي سرعة الاستدلال على CPU التي تزيد بنسبة 43%؟#

في المعايير القائمة على CPU، يُظهر YOLO26 تحسنًا واضحًا في الأداء مقارنةً بنماذج YOLO السابقة. وبالمقارنة مع Ultralytics YOLO11، يحقق النموذج nano من YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، وهو فرق يؤثر تأثيرًا ملموسًا في عمليات النشر الواقعية على الحافة.

الشكل 4. قياس سرعة Ultralytics YOLO26 على CPU.

ينشأ هذا المكسب من تبسيط خط أنابيب الاستدلال الكامل، لا من تحسين مكون واحد. فالتنفيذ من البداية إلى النهاية يزيل أعباء المعالجة اللاحقة، وتقلل طريقة انحدار مربع الإحاطة الأكثر مباشرة العمليات الحسابية، كما تحسن خيارات التصميم التي تضع CPU أولًا كفاءة التنفيذ على المعالجات للأغراض العامة.

وتعمل هذه التغييرات مجتمعةً على تقليل زمن الاستجابة، وخفض عبء العمل على CPU، وتحقيق أداء أسرع وأكثر اتساقًا على عتاد الحافة الواقعي.

تأثير Ultralytics YOLO26 في النشر على الحافة وعمليات التصدير#

تمتد مكاسب أداء Ultralytics YOLO26 إلى ما هو أبعد من الاستدلال الأسرع. فمن خلال تبسيط النموذج وتقليل أعباء الذاكرة، يصبح نشره أسهل وتشغيله عبر بيئات الحافة أكثر موثوقية.

يبسط تصميم Ultralytics YOLO26 من البداية إلى النهاية عملية التصدير أيضًا. فمع قلة المكونات المساعدة وغياب خطوات المعالجة اللاحقة الخارجية، تصبح النماذج المصدّرة مكتفية ذاتيًا بالكامل. ويقلل ذلك الاعتماديات الخاصة بالمنصة ويساعد على ضمان سلوك متسق عبر بيئات التشغيل وأهداف العتاد.

عمليًا، يعني هذا إمكانية نشر Ultralytics YOLO26 بسهولة أكبر على أجهزة الحافة مثل الكاميرات والروبوتات والأنظمة المضمنة، باستخدام تنسيقات تصدير متنوعة. فما تصدّره هو ما تشغّله، مع خطوات تكامل أقل ومخاطر أقل لانحراف النشر.

الاستدلال الأسرع على الحافة يتيح الذكاء الاصطناعي للرؤية في الروبوتات والقطاع الصناعي#

استعرضنا حتى الآن كيف يحسن تصميم Ultralytics YOLO26 المصمم أولًا للحافة الأداء على مستوى النظام. لكن التأثير الحقيقي يكمن في جعله دمج الذكاء الاصطناعي للرؤية في التطبيقات الواقعية أسهل.

فعلى سبيل المثال، تعمل أنظمة الرؤية في الروبوتات والبيئات الصناعية غالبًا ضمن قيود آنية صارمة. ويجب اتخاذ القرارات بسرعة واتساق، باستخدام قدرة حوسبة محدودة ومن دون الاعتماد على الاتصال بالسحابة. ومع Ultralytics YOLO26، يصبح الوفاء بهذه المتطلبات عمليًا.

وتستفيد تطبيقات مثل ملاحة الروبوتات ومناولة الأجسام من انخفاض زمن الاستجابة وزيادة قابلية التنبؤ بالاستدلال، مما يتيح للروبوتات الاستجابة بسلاسة للتغيرات في بيئتها. وبالمثل، يمكن لنماذج الرؤية في البيئات الصناعية أن تعمل مباشرةً على خطوط الإنتاج لاكتشاف العيوب، وتتبع المكونات، ومراقبة العمليات من دون إدخال تأخيرات أو تعقيد إضافي.

ومن خلال تمكين الاستدلال السريع والموثوق على عتاد الحافة، يساعد Ultralytics YOLO26 على جعل الذكاء الاصطناعي للرؤية جزءًا طبيعيًا من أنظمة الروبوتات والأنظمة الصناعية، بدلًا من كونه تحديًا في النشر والصيانة.

أهم النقاط المستخلصة#

صُمم Ultralytics YOLO26 للحافة، حيث تحدد القيود الواقعية مثل زمن الاستجابة والذاكرة والموثوقية ما يمكن تحقيقه. ومن خلال تصميم النموذج حول التنفيذ الذي يضع CPU أولًا، والاستدلال من البداية إلى النهاية، والنشر الأبسط، يجعل YOLO26 الذكاء الاصطناعي للرؤية عمليًا للدمج في الأنظمة الواقعية. ويتيح هذا النهج المصمم أولًا للحافة نطاقًا واسعًا من التطبيقات، بدءًا من الروبوتات والرؤية الصناعية وصولًا إلى الذكاء الاصطناعي المضمن والموجود على الجهاز، حيث يكون الأداء وقابلية التنبؤ أهم ما في الأمر.

انضم إلى مجتمعنا المتنامي واستكشف مستودعنا على GitHub للحصول على موارد عملية للذكاء الاصطناعي. وللبناء باستخدام الذكاء الاصطناعي للرؤية اليوم، استكشف خيارات الترخيص لدينا. تعرّف على كيفية مساهمة الذكاء الاصطناعي في الزراعة في تحويل قطاع الزراعة، وكيف يعمل الذكاء الاصطناعي للرؤية في الرعاية الصحية على تشكيل المستقبل، وذلك بزيارة صفحات حلولنا.