Ultralytics YOLO26: المعيار الجديد للذكاء الاصطناعي البصري الموجّه أولًا للأجهزة الطرفية

تُطلق Ultralytics اليوم رسميًا YOLO26، وهو أكثر نماذج YOLO تقدمًا وقابليةً للنشر حتى الآن. وقد أُعلن عنه لأول مرة في YOLO Vision 2025 (YV25)، ويمثل YOLO26 تحولًا جوهريًا في كيفية تدريب نماذج الرؤية الحاسوبية ونشرها وتوسيع نطاقها في الأنظمة الواقعية.

ينتقل الذكاء الاصطناعي للرؤية بسرعة إلى الأجهزة الطرفية. فبشكل متزايد، تُعالَج الصور ومقاطع الفيديو مباشرةً على الأجهزة والكاميرات والروبوتات والأنظمة المضمنة، حيث تكون سرعة الاستجابة والموثوقية والتكلفة أهم من القدرة الخام للحوسبة السحابية. صُمم YOLO26 لهذه الحقيقة، إذ يقدم أداءً رائدًا عالميًا مع تشغيل فعال على وحدات CPU ومسرّعات الأجهزة الطرفية والعتاد منخفض الاستهلاك للطاقة.

رغم أن YOLO26 يمثل قفزة كبيرة إلى الأمام، فإنه يحافظ على تجربة Ultralytics YOLO المألوفة والمبسطة التي يعتمد عليها المطورون. ويتكامل بسلاسة مع مهام سير العمل الحالية، ويدعم نطاقًا واسعًا من مهام الرؤية، ويظل سهل الاستخدام، مما يجعل اعتماده مباشرًا لفرق البحث والإنتاج على حد سواء.

الشكل 1. مثال على استخدام Ultralytics YOLO26 لاكتشاف الأجسام

سنستعرض في هذه المقالة كل ما تحتاج إلى معرفته عن Ultralytics YOLO26، وما يعنيه نموذج YOLO الأخف والأصغر والأسرع لمستقبل الذكاء الاصطناعي للرؤية. لنبدأ!

يضع Ultralytics YOLO26 معيارًا جديدًا للذكاء الاصطناعي للرؤية#

يرتكز Ultralytics YOLO26 على فكرة أن إمكانات الذكاء الاصطناعي المؤثرة في مجال الرؤية يجب أن تكون سهلة الوصول للجميع. ونؤمن بأن أدوات الرؤية الحاسوبية القوية ينبغي ألا تكون حكرًا أو مقتصرةً على مجموعة صغيرة من المؤسسات.

في YV25 بلندن، شارك مؤسسنا ورئيسنا التنفيذي Glenn Jocher أفكاره حول هذه الرؤية قائلًا: «إن أروع تقنيات الذكاء الاصطناعي محجوبة خلف الأبواب المغلقة. إنها ليست مفتوحة. تسيطر الشركات الكبرى على التطورات الجديدة، وعلى الجميع الانتظار في طابور للوصول إليها. لدينا رؤية مختلفة في Ultralytics. نريد أن يكون الذكاء الاصطناعي في متناول الجميع».

وأوضح أيضًا أن ذلك يعني إخراج الذكاء الاصطناعي من السحابة وإدخاله في البيئات الواقعية، مضيفًا: «نريد ألا تظل التقنية معلقة في السحابة فحسب، بل أن تنتقل إلى الأجهزة الطرفية، وإلى هاتفك ومركباتك والأنظمة منخفضة الاستهلاك للطاقة. ونريد لهؤلاء الأشخاص الرائعين الذين يبتكرون الحلول أن يتمكنوا من الوصول إليها».

يجسد YOLO26 هذه الرؤية عمليًا: فهو نموذج مصمم للتشغيل حيث يُنشر الذكاء الاصطناعي للرؤية فعليًا، لا حيث يكون إنشاء النماذج الأولية أسهل.

استعراض Ultralytics YOLO26: نموذج رؤية متطور#

مثل نماذج Ultralytics YOLO السابقة، يدعم YOLO26 مهام متعددة في الرؤية الحاسوبية ضمن عائلة نماذج موحدة واحدة. وهو متاح بخمسة أحجام، Nano (n)، وSmall (s)، وMedium (m)، وLarge (l)، وExtra Large (x)، مما يتيح للفرق تحقيق التوازن بين السرعة والدقة وحجم النموذج وفقًا لقيود النشر.

إلى جانب المرونة، يرفع YOLO26 سقف الأداء. وبالمقارنة مع YOLO11، يقدم نموذج YOLO26 nano استدلالًا أسرع على CPU بنسبة تصل إلى 43%، مما يجعله أحد أسرع نماذج اكتشاف الأجسام عالية الدقة المتاحة للنشر على الأجهزة الطرفية والقائم على CPU.

الشكل 2. يُعد Ultralytics YOLO26 نموذج رؤية متطورًا.

إليك نظرةً أقرب على مهام الرؤية الحاسوبية التي يدعمها YOLO26:

• تصنيف الصور: يستطيع YOLO26 تحليل صورة كاملة وإسنادها إلى فئة محددة، مما يساعد الأنظمة على فهم السياق العام للمشهد.
• اكتشاف الأجسام: يستطيع النموذج العثور على أجسام متعددة في الصور أو مقاطع الفيديو وتحديد مواقعها.
• تجزئة المثيلات: يستطيع YOLO26 تحديد حدود الأجسام الفردية بتفاصيل على مستوى البكسل.
• تقدير الوضعيات: يمكن استخدامه لتحديد النقاط الأساسية وتقدير وضعيات الأشخاص والأجسام الأخرى.
• اكتشاف مربعات الإحاطة الموجّهة (OBB): يستطيع YOLO26 اكتشاف الأجسام من زوايا مختلفة، وهو مفيد خصوصًا للصور الجوية وصور الأقمار الصناعية.
• تتبّع الأجسام: بالاقتران مع حزمة Ultralytics Python، يمكن استخدام YOLO26 لتتبّع الأجسام عبر إطارات الفيديو والبثوث المباشرة.

تدعم جميع المهام التدريب والتحقق والاستدلال والتصدير ضمن إطار عمل متسق.

الابتكارات الرئيسية وراء Ultralytics YOLO26#

يقدم Ultralytics YOLO26 عدة ابتكارات أساسية تحسن سرعة الاستدلال واستقرار التدريب وبساطة النشر. إليك نظرة عامة على هذه الابتكارات:

• إزالة Distribution Focal Loss (DFL): أُزيلت وحدة DFL لتبسيط التنبؤ بمربعات الإحاطة، وتحسين توافق العتاد، وتسهيل تصدير النماذج وتشغيلها على الأجهزة الطرفية والأجهزة منخفضة الاستهلاك للطاقة.
• استدلال شامل من دون NMS: صُمم YOLO26 كنموذج أصلي شامل من البداية إلى النهاية، يُخرج التنبؤات النهائية مباشرةً، مما يلغي الحاجة إلى Non-Maximum Suppression ويقلل زمن الاستدلال وتعقيد النشر.
• الموازنة التدريجية للخسارة + STAL: تعمل استراتيجيات الخسارة المحسّنة هذه على تثبيت التدريب وتعزيز دقة الاكتشاف، ولا سيما للأجسام الصغيرة صعبة الاكتشاف.
• مُحسِّن MuSGD: يستخدم YOLO26 مُحسِّنًا هجينًا جديدًا يمزج بين SGD وتقنيات تحسين مستوحاة من Muon لتحقيق تدريب أكثر استقرارًا.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد تحسينه خصيصًا للحوسبة الطرفية، يقدم YOLO26 استدلالًا أسرع على CPU بنسبة تصل إلى 43%، مما يتيح أداءً آنيًا على الأجهزة الطرفية.

بعد ذلك، سنستعرض بالتفصيل هذه الميزات من الجيل التالي التي تجعل YOLO26 أسرع وأكثر كفاءة وأسهل في النشر.

تبسيط التنبؤ من خلال إزالة Distribution Focal Loss#

استخدمت نماذج YOLO السابقة Distribution Focal Loss (DFL) أثناء التدريب لتحسين دقة مربعات الإحاطة. وعلى الرغم من فعاليتها، أضافت DFL تعقيدًا إضافيًا وفرضت حدودًا ثابتة للانحدار، مما جعل التصدير والنشر أكثر صعوبة، ولا سيما على العتاد الطرفي ومنخفض الاستهلاك للطاقة.

يزيل YOLO26 تقنية DFL بالكامل. وتؤدي إزالة DFL إلى التخلص من حدود انحدار مربعات الإحاطة الثابتة الموجودة في النماذج السابقة، مما يحسن الموثوقية والدقة عند اكتشاف الأجسام الكبيرة جدًا.

من خلال تبسيط عملية التنبؤ بمربعات الإحاطة، يصبح YOLO26 أسهل في التصدير ويعمل بموثوقية أكبر عبر نطاق واسع من الأجهزة الطرفية ومنخفضة الاستهلاك للطاقة.

استدلال شامل من دون NMS باستخدام Ultralytics YOLO26#

تعتمد مسارات اكتشاف الأجسام التقليدية على Non-Maximum Suppression (NMS) كخطوة للمعالجة اللاحقة من أجل تصفية التنبؤات المتداخلة. وعلى الرغم من فعاليتها، تضيف NMS زمن استجابة وتعقيدًا وهشاشة، لا سيما عند نشر النماذج عبر أوقات تشغيل وأهداف عتادية متعددة.

يقدم YOLO26 وضع استدلال أصليًا شاملًا من البداية إلى النهاية، حيث يُخرج النموذج التنبؤات النهائية مباشرةً من دون الحاجة إلى NMS كخطوة منفصلة للمعالجة اللاحقة. وتُعالَج التنبؤات المكررة داخل الشبكة نفسها.

تؤدي إزالة NMS إلى تقليل زمن الاستجابة وتبسيط مسارات النشر وخفض مخاطر أخطاء التكامل، مما يجعل YOLO26 مناسبًا بشكل خاص للنشر الآني وعلى الأجهزة الطرفية.

تعزيز التعرّف باستخدام الموازنة التدريجية للخسارة + STAL#

تتمثل إحدى الميزات المهمة المرتبطة بالتدريب في تقديم الموازنة التدريجية للخسارة (ProgLoss) وإسناد التسميات الواعي بالأهداف الصغيرة (STAL). وتساعد دوال الخسارة المحسّنة هذه على تثبيت التدريب وتحسين دقة الاكتشاف.

تساعد ProgLoss النموذج على التعلم بصورة أكثر اتساقًا أثناء التدريب، مما يقلل عدم الاستقرار ويسمح له بالتقارب بسلاسة أكبر. وفي الوقت نفسه، تركز STAL على تحسين كيفية تعلم النموذج من الأجسام الصغيرة، التي غالبًا ما يكون اكتشافها أصعب بسبب محدودية التفاصيل المرئية.

تؤدي ProgLoss وSTAL معًا إلى اكتشافات أكثر موثوقية، مع تحسينات ملحوظة في التعرف على الأجسام الصغيرة. وتكتسب هذه التحسينات أهمية خاصة في تطبيقات الأجهزة الطرفية مثل إنترنت الأشياء (IoT) والروبوتات والصور الجوية، حيث تكون الأجسام غالبًا صغيرة أو بعيدة أو ظاهرة جزئيًا.

تدريب أكثر استقرارًا باستخدام مُحسِّن MuSGD#

اعتمدنا مع YOLO26 مُحسِّنًا جديدًا يُسمى MuSGD، صُمم لجعل التدريب أكثر استقرارًا وكفاءة. ويعتمد MuSGD على نهج هجين يجمع بين مزايا الانحدار المتدرج العشوائي (SGD) التقليدي وتقنيات مستوحاة من Muon، وهو مُحسِّن يُستخدم في تدريب نماذج اللغة الكبيرة (LLM).

لطالما كان SGD خيارًا موثوقًا في الرؤية الحاسوبية بفضل بساطته وقدرته القوية على التعميم. وفي الوقت نفسه، أظهرت التطورات الحديثة في تدريب LLM أن أساليب التحسين الأحدث يمكن أن تحسن الاستقرار والسرعة عند تطبيقها بعناية. وينقل MuSGD بعض هذه الأفكار إلى مجال الرؤية الحاسوبية.

استنادًا إلى Kimi K2 من Moonshot AI، يدمج MuSGD استراتيجيات تحسين تساعد النموذج على التقارب بسلاسة أكبر أثناء التدريب. ويتيح ذلك لـ YOLO26 الوصول إلى أداء قوي بسرعة أكبر مع تقليل عدم استقرار التدريب، ولا سيما في إعدادات التدريب الأكبر أو الأكثر تعقيدًا.

يساعد MuSGD YOLO26 على التدريب بصورة أكثر قابلية للتنبؤ عبر مختلف أحجام النماذج، مما يسهم في تحسين الأداء واستقرار التدريب معًا.

يقدم Ultralytics YOLO26 استدلالًا أسرع على CPU بنسبة تصل إلى 43%#

مع استمرار انتقال الذكاء الاصطناعي للرؤية إلى موضع أقرب إلى مكان توليد البيانات، يصبح الأداء القوي على الأجهزة الطرفية أكثر أهميةً من أي وقت مضى. وبعد تحسينه خصيصًا للحوسبة الطرفية، يقدم YOLO26 استدلالًا أسرع على CPU بنسبة تصل إلى 43%، مما يضمن أداءً آنيًا على الأجهزة من دون GPU. ويتيح هذا التحسين تشغيل أنظمة رؤية سريعة الاستجابة وموثوقة مباشرةً على الكاميرات والروبوتات والعتاد المضمن، حيث تحدد قيود زمن الاستجابة والكفاءة والتكلفة ما يمكن تحقيقه.

تحسين مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO26#

إلى جانب التحسينات المعمارية التي تجعل اكتشاف الأجسام أكثر دقة، يتضمن YOLO26 أيضًا تحسينات خاصة بالمهام مصممة لتعزيز الأداء عبر مهام الرؤية الحاسوبية. فعلى سبيل المثال، يحسن تجزئة المثيلات وتقدير الوضعيات واكتشاف مربعات الإحاطة الموجّهة من خلال تحديثات موجهة تعزز الدقة والموثوقية.

إليك نظرة عامة على هذه التحسينات:

• تجزئة المثيلات: يستخدم YOLO26 خسارة التجزئة الدلالية لتحسين تعلم النموذج أثناء التدريب، مما يؤدي إلى أقنعة مثيلات أكثر دقة واتساقًا. كما تتيح وحدة proto المُحسّنة استخدام المعلومات من مقاييس متعددة، بحيث يتعامل النموذج مع الأجسام ذات الأحجام المختلفة بفعالية أكبر، حتى في المشاهد المعقدة.
• تقدير الوضعيات: من خلال دمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، وهي تقنية تُنمذج عدم اليقين في تنبؤات النقاط الأساسية، وتحسين عملية فك الترميز، يقدم YOLO26 نقاطًا أساسية أكثر دقة مع أداء آني أفضل.
• اكتشاف مربعات الإحاطة الموجّهة: يقدم YOLO26 خسارة زاوية متخصصة تساعد النموذج على تعلم دوران الأجسام بدقة أكبر، ولا سيما للأجسام مربعة الشكل حيث قد يكون الاتجاه غامضًا. كما يقلل فك ترميز OBB المُحسّن القفزات المفاجئة في تنبؤات الزوايا بالقرب من حدود الدوران، مما يؤدي إلى تقديرات اتجاه أكثر استقرارًا واتساقًا.

الشكل 3. استخدام Ultralytics YOLO26 لتجزئة المثيلات.

Ultralytics YOLOE-26: تجزئة ذات مفردات مفتوحة مبنية على YOLO26#

تقدم Ultralytics أيضًا YOLOE-26، وهي عائلة جديدة من نماذج التجزئة ذات المفردات المفتوحة المبنية على معمارية YOLO26 وابتكاراته التدريبية.

لا يمثل YOLOE-26 مهمة أو ميزة جديدة، بل عائلة نماذج متخصصة تعيد استخدام مهمة التجزئة الحالية مع تمكين المطالبات النصية والمطالبات المرئية والاستدلال من دون مطالبات. ويتوفر YOLOE-26 بجميع أحجام YOLO القياسية، ويقدم دقة أقوى وأداءً واقعيًا أكثر موثوقية من نماذج التجزئة السابقة ذات المفردات المفتوحة.

صُمم Ultralytics YOLO26 للمواضع التي يعمل فيها الذكاء الاصطناعي للرؤية فعليًا#

من الكاميرات المعتمدة على الرؤية إلى الروبوتات المدعومة بالرؤية الحاسوبية وشرائح المعالجة الصغيرة على الأجهزة الطرفية، يجري نشر الرؤية الحاسوبية والذكاء الاصطناعي مباشرةً على الأجهزة لتحقيق الاستدلال الآني. وقد بُني Ultralytics YOLO26 خصيصًا لهذه البيئات، حيث يُعد انخفاض زمن الاستجابة والكفاءة والأداء الموثوق عوامل حيوية.

عمليًا، يعني ذلك إمكانية نشر YOLO26 بسهولة عبر نطاق واسع من العتاد. ومن خلال حزمة Ultralytics Python ونطاقها الواسع من التكاملات، يمكن تصدير النماذج إلى تنسيقات محسّنة لمنصات ومسرّعات عتادية مختلفة.

فعلى سبيل المثال، يتيح التصدير إلى TensorRT استدلالًا عالي الأداء على وحدات GPU من NVIDIA، بينما يدعم CoreML النشر الأصلي على أجهزة Apple، ويحسّن OpenVINO الأداء على عتاد Intel. ويمكن أيضًا تصدير YOLO26 للتشغيل على عدة مسرّعات طرفية مخصصة، مما يتيح استدلالًا عالي الإنتاجية وموفرًا للطاقة على عتاد متخصص للذكاء الاصطناعي الطرفي.

هذه مجرد أمثلة قليلة، إذ تتوفر تكاملات عديدة أخرى عبر بيئات الأجهزة الطرفية والإنتاج. وتتيح هذه المرونة تشغيل نموذج YOLO26 واحد عبر أهداف نشر متنوعة. كما تبسط مسارات عمل الإنتاج وتقرب الذكاء الاصطناعي للرؤية من الأجهزة الطرفية.

إعادة تعريف حالات استخدام الرؤية الحاسوبية عبر القطاعات#

صُمم YOLO26 للنشر في العالم الحقيقي، ويمكن استخدامه في نطاق واسع من حالات استخدام الرؤية الحاسوبية في قطاعات مختلفة. إليك بعض الأمثلة على مجالات تطبيقه:

• الروبوتات: يمكن استخدام YOLO26 في مهام مثل الملاحة واكتشاف العوائق والتفاعل مع الأجسام. وتدعم هذه الإمكانات العمليات الروبوتية الآمنة والفعالة في البيئات الديناميكية.

• التصنيع: في خطوط الإنتاج، يستطيع YOLO26 تحليل الصور ومقاطع الفيديو لتحديد العيوب أو المكونات المفقودة أو مشكلات العمليات. ويساعدT معالجة البيانات على الجهاز في الحفاظ على سرعة الاكتشاف وتقليل الاعتماد على الأنظمة السحابية.

• التطبيقات الجوية وتطبيقات الطائرات المسيّرة: عند نشر YOLO26 على الطائرات المسيّرة، يمكنه معالجة الصور الجوية أثناء الطيران لأغراض الفحص ورسم الخرائط والمسح. ويتيح ذلك تحليل المشاهد في الوقت الفعلي، حتى في المواقع النائية.

• الأنظمة المضمنة وأنظمة IoT: بفضل تصميمه خفيف الوزن، يمكن لـ YOLO26 العمل على عتاد مضمن منخفض الاستهلاك للطاقة لمعالجة البيانات المرئية محليًا. وتشمل حالات الاستخدام الشائعة الكاميرات الذكية وأجهزة الاستشعار المتصلة وأجهزة المراقبة الآلية.

• المدن الذكية: يستطيع YOLO26 في البيئات الحضرية تحليل تدفقات الفيديو من كاميرات المرور والأماكن العامة. ويتيح ذلك تطبيقات مثل مراقبة حركة المرور والسلامة العامة وإدارة البنية التحتية على الأجهزة الطرفية.

الشكل 4. يمكن استخدام YOLO26 في تطبيقات متنوعة للرؤية الحاسوبية.

البدء باستخدام Ultralytics YOLO26#

يمكن استخدام Ultralytics YOLO26 من خلال مساري عمل متكاملين، تبعًا للطريقة التي تبني بها الذكاء الاصطناعي للرؤية وتنشره.

الخيار 1: استخدام Ultralytics YOLO26 من خلال منصة Ultralytics (موصى به)

توفر منصة Ultralytics طريقةً مركزية لتدريب نماذج YOLO26 ونشرها ومراقبتها في بيئة الإنتاج. فهي تجمع مجموعات البيانات والتجارب وعمليات النشر في مكان واحد، مما يسهل إدارة مسارات عمل الذكاء الاصطناعي للرؤية على نطاق واسع، ولا سيما للفرق التي تنشر على الأجهزة الطرفية وفي بيئات الإنتاج.

من خلال المنصة، يمكن للمستخدمين:

• الوصول إلى نماذج YOLO26
• التدريب والضبط الدقيق على مجموعات بيانات مخصصة
• تصدير النماذج للنشر على الأجهزة الطرفية وفي بيئات الإنتاج
• مراقبة التجارب والنماذج المنشورة ضمن مسار عمل واحد

👉 استكشف YOLO26 على منصة Ultralytics: platform.ultralytics.com/ultralytics/yolo26

الخيار 2: استخدام Ultralytics YOLO26 عبر مسارات عمل مفتوحة المصدر

يظل YOLO26 متاحًا بالكامل من خلال منظومة Ultralytics المفتوحة المصدر، ويمكن استخدامه مع مسارات العمل الحالية القائمة على Python للتدريب والاستدلال والتصدير.

يمكن للمطورين تثبيت حزمة Ultralytics، وتحميل نماذج YOLO26 المدربة مسبقًا، ونشرها باستخدام أدوات وتنسيقات مألوفة مثل ONNX وTensorRT وCoreML وOpenVINO.

pip install ultralytics

from ultralytics import YOLO

# Load a COCO-pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with the YOLO26n model on the 'bus.jpg' image
results = model("path/to/bus.jpg")

بالنسبة إلى المستخدمين الذين يفضلون التحكم العملي أو مسارات العمل المخصصة، تتوفر الوثائق والأدلة الكاملة في وثائق Ultralytics.

Ultralytics YOLO26: مبني لما هو قادم في مجال الرؤية الحاسوبية#

صُمم Ultralytics YOLO26 لتلبية احتياجات حلول الذكاء الاصطناعي للرؤية المستقبلية، حيث يجب أن تكون النماذج سريعة وفعالة وسهلة النشر على العتاد الحقيقي. ومن خلال تحسين الأداء وتبسيط النشر وتوسيع إمكانات النموذج، يندمج YOLO26 طبيعيًا في نطاق واسع من التطبيقات الواقعية. ويضع YOLO26 خط أساس جديدًا لكيفية بناء الذكاء الاصطناعي للرؤية ونشره وتوسيع نطاقه. ونحن متحمسون لرؤية كيفية استخدام المجتمع له لإطلاق أنظمة رؤية حاسوبية واقعية.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد عملية في AI. وللبناء باستخدام AI للرؤية اليوم، استكشف خيارات الترخيص لدينا. وتعرّف على كيفية مساهمة AI في الزراعة في تحويل الزراعة، وكيف تعمل AI للرؤية في الروبوتات على تشكيل المستقبل، وذلك بزيارة صفحات حلولنا.