Ultralytics YOLO26: المعيار الجديد لذكاء الرؤية الموجّه للأجهزة الطرفية

تطلق 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 طريقة تدريب نماذج الرؤية الحاسوبية ونشرها وتوسيع نطاقها في الأنظمة الواقعية.

يتجه الذكاء الاصطناعي البصري بسرعة نحو الحافة. وتعالَج الصور ومقاطع الفيديو، على نحو متزايد، مباشرةً على الأجهزة والكاميرات والروبوتات والأنظمة المضمّنة، حيث تكتسب سرعة الاستجابة والموثوقية والتكلفة أهمية أكبر من القدرة الحاسوبية السحابية الخام. صُمم YOLO26 لهذا الواقع، إذ يقدم أداءً رائدًا عالميًا مع التشغيل بكفاءة على وحدات المعالجة المركزية ومسرّعات الحافة والأجهزة منخفضة الطاقة.

على الرغم من أن YOLO26 يمثل قفزة كبيرة إلى الأمام، فإنه يحافظ على تجربة Ultralytics YOLO المألوفة والمبسطة التي يعتمد عليها المطورون. ويندمج بسلاسة في مسارات العمل الحالية، ويدعم مجموعة واسعة من مهام الرؤية، ويظل سهل الاستخدام، ما يجعل اعتماده مباشرًا لفرق البحث والإنتاج على حد سواء.

الشكل 1. مثال على استخدام Ultralytics YOLO26 لكشف الأجسام

سنستعرض في هذه المقالة كل ما تحتاج إلى معرفته عن Ultralytics YOLO26، وما يعنيه نموذج YOLO أخف وأصغر وأسرع لمستقبل الذكاء الاصطناعي البصري. لنبدأ!

يرسي Ultralytics YOLO26 معيارًا جديدًا للذكاء الاصطناعي البصري#

يرتكز Ultralytics YOLO26 على فكرة أن إمكانات الذكاء الاصطناعي البصري المؤثرة ينبغي أن تكون متاحة للجميع بسهولة. ونؤمن بأن أدوات الرؤية الحاسوبية القوية لا ينبغي أن تكون حكرًا أو مقتصرة على مجموعة صغيرة من المؤسسات.

في YV25 بلندن، شارك مؤسسنا ورئيسنا التنفيذي Glenn Jocher رؤيته قائلًا: «إن أروع تقنيات الذكاء الاصطناعي تقبع خلف أبواب مغلقة. فهي ليست مفتوحة. وتتحكم الشركات الكبرى في التطورات الجديدة، بينما يضطر الآخرون إلى الانتظار للحصول على إمكانية الوصول. لدينا رؤية مختلفة في Ultralytics. نريد أن يكون الذكاء الاصطناعي في متناول الجميع».

وأوضح أيضًا أن ذلك يعني إخراج الذكاء الاصطناعي من السحابة ونقله إلى بيئات العالم الحقيقي، مضيفًا: «نريد ألا تظل التقنية حبيسة السحابة، بل أن تنتقل إلى أجهزة الحافة، وإلى هاتفك ومركباتك والأنظمة منخفضة الطاقة. ونريد أن يتمكن هؤلاء الأشخاص المبدعون الذين يبتكرون الحلول من الوصول إليها».

يجسد YOLO26 هذه الرؤية عمليًا: فهو نموذج مصمم للعمل في المواقع التي يُنشر فيها الذكاء الاصطناعي البصري فعليًا، لا في المواقع الأسهل لإنشاء النماذج الأولية.

نظرة تفصيلية على Ultralytics YOLO26: نموذج رؤية متطور#

مثل نماذج Ultralytics YOLO السابقة، يدعم YOLO26 مهامًا متعددة للرؤية الحاسوبية ضمن عائلة نماذج موحدة واحدة. ويتوفر بخمسة أحجام، هي صغير جدًا (n)، صغير (s)، متوسط (m)، كبير (l)، وكبير جدًا (x)، ما يتيح للفرق الموازنة 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 وحدة المعالجة المركزية بنسبة تصل إلى 43%، ما يجعله أحد أسرع نماذج كشف الأجسام عالية الدقة المتاحة للنشر على الحافة ووحدات المعالجة المركزية.

الشكل 2. يُعد Ultralytics YOLO26 نموذج رؤية متطورًا.

إليك نظرة أقرب على مهام الرؤية الحاسوبية التي يدعمها YOLO26:

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

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

الابتكارات الرئيسية وراء Ultralytics YOLO26#

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

• إزالة خسارة التركيز التوزيعي (DFL): أُزيلت وحدة DFL لتبسيط التنبؤ بمربعات الإحاطة، وتحسين التوافق مع الأجهزة، وتسهيل تصدير النماذج وتشغيلها على أجهزة الحافة والأجهزة منخفضة الطاقة.
• استدلال شامل من البداية إلى النهاية دون NMS: صُمم YOLO26 كنموذج أصلي شامل من البداية إلى النهاية، يُخرج التنبؤات النهائية مباشرةً، ما يلغي الحاجة إلى كبت غير الأعظميات ويقلل زمن الاستدلال وتعقيد النشر.
• الموازنة التدريجية للخسارة + STAL: تحقق استراتيجيات الخسارة المحسّنة هذه استقرار التدريب وتعزز دقة الكشف، ولا سيما للأجسام الصغيرة التي يصعب كشفها.
• محسّن MuSGD: يستخدم YOLO26 محسّنًا هجينًا جديدًا يمزج SGD بتقنيات التحسين المستوحاة من Muon لتحقيق تدريب أكثر استقرارًا.
• استدلال أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%: يقدم YOLO26، المحسّن خصيصًا للحوسبة الطرفية، استدلالًا أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%، ما يتيح أداءً آنيًا على أجهزة الحافة.

والآن، لنستعرض بالتفصيل ميزات الجيل الجديد التي تجعل YOLO26 أسرع وأكثر كفاءة وأسهل في النشر.

تبسيط التنبؤ بإزالة خسارة التركيز التوزيعي#

استخدمت نماذج YOLO السابقة خسارة التركيز التوزيعي (DFL) أثناء التدريب لتحسين دقة مربعات الإحاطة. وعلى الرغم من فعاليتها، أضافت DFL تعقيدًا إضافيًا وفرضت حدودًا ثابتة للانحدار جعلت التصدير والنشر أكثر صعوبة، ولا سيما على الأجهزة الطرفية ومنخفضة الطاقة.

يزيل YOLO26 خسارة DFL بالكامل. وتؤدي إزالة DFL إلى إلغاء حدود الانحدار الثابتة لمربعات الإحاطة الموجودة في النماذج السابقة، ما يحسّن الموثوقية والدقة عند كشف الأجسام الكبيرة جدًا.

من خلال تبسيط عملية التنبؤ بمربعات الإحاطة، يصبح تصدير YOLO26 أسهل ويعمل بموثوقية أكبر على مجموعة واسعة من أجهزة الحافة والأجهزة منخفضة الطاقة.

استدلال شامل من البداية إلى النهاية دون NMS باستخدام Ultralytics YOLO26#

تعتمد مسارات كشف الأجسام التقليدية على كبت غير الأعظميات (NMS) كخطوة لاحقة للمعالجة، لتصفية التنبؤات المتداخلة. وعلى الرغم من فعالية NMS، فإنها تضيف زمنًا إضافيًا وتعقيدًا وهشاشة، خصوصًا عند نشر النماذج عبر بيئات تشغيل وأهداف عتادية متعددة.

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

يقلل إلغاء NMS زمن الاستجابة، ويبسط مسارات النشر، ويحد من مخاطر أخطاء التكامل، ما يجعل YOLO26 ملائمًا بشكل خاص للنشر الآني والنشر على الحافة.

تعزيز التعرّف باستخدام الموازنة التدريجية للخسارة + STAL#

من الميزات الأساسية المتعلقة بالتدريب تقديم الموازنة التدريجية للخسارة (ProgLoss) وإسناد التسميات المراعي للأهداف الصغيرة (STAL). وتساعد دوال الخسارة المحسّنة هذه على استقرار التدريب وتحسين دقة الكشف.

تساعد ProgLoss النموذج على التعلم باتساق أكبر أثناء التدريب، فتحد من عدم الاستقرار وتتيح له التقارب بسلاسة أكبر. وفي المقابل، تركز STAL على تحسين طريقة تعلم النموذج من الأجسام الصغيرة، التي يصعب غالبًا كشفها بسبب محدودية التفاصيل المرئية.

تؤدي ProgLoss وSTAL معًا إلى عمليات كشف أكثر موثوقية، مع تحسينات ملحوظة في التعرّف على الأجسام الصغيرة. وتكتسب هذه الميزة أهمية خاصة في تطبيقات الحافة، مثل إنترنت الأشياء (IoT) والروبوتات والتصوير الجوي، حيث تكون الأجسام غالبًا صغيرة أو بعيدة أو ظاهرة جزئيًا.

تدريب أكثر استقرارًا باستخدام محسّن MuSGD#

اعتمدنا مع YOLO26 محسّنًا جديدًا يُسمى MuSGD، صُمم لجعل التدريب أكثر استقرارًا وكفاءة. وMuSGD نهج هجين يجمع بين مزايا الانحدار المتدرج العشوائي التقليدي (SGD) وتقنيات مستوحاة من Muon، وهو محسّن 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 تحسّن الاستقرار والسرعة عند تطبيقها بعناية. وينقل MuSGD بعض هذه الأفكار إلى مجال الرؤية الحاسوبية.

استلهامًا من 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 الحد من عدم استقرار التدريب، ولا سيما في إعدادات التدريب الأكبر أو الأكثر تعقيدًا.

يساعد MuSGD YOLO26 على التدريب بمزيد من قابلية التنبؤ عبر أحجام النماذج، ما يسهم في تحسين الأداء واستقرار التدريب معًا.

يقدم Ultralytics YOLO26 استدلالًا أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%#

مع استمرار اقتراب الذكاء الاصطناعي البصري من مصادر توليد البيانات، تزداد أهمية الأداء القوي على الحافة. يقدم YOLO26، المحسّن خصيصًا للحوسبة الطرفية، استدلالًا أسرع على وحدة المعالجة المركزية بنسبة تصل إلى 43%، ما يضمن أداءً آنيًا على الأجهزة التي لا تحتوي على وحدات GPU. ويتيح هذا التحسين تشغيل أنظمة رؤية سريعة الاستجابة وموثوقة مباشرةً على الكاميرات والروبوتات والأجهزة المضمّنة، حيث تحدد قيود زمن الاستجابة والكفاءة والتكلفة ما يمكن تحقيقه.

تحسين مهام الرؤية الحاسوبية التي يدعمها Ultralytics YOLO26#

إلى جانب التحسينات المعمارية التي تزيد دقة كشف الأجسام، يتضمن YOLO26 أيضًا تحسينات خاصة بمهام محددة، صُممت لتعزيز الأداء في مهام الرؤية الحاسوبية. فعلى سبيل المثال، يحسّن تقسيم المثيلات وتقدير الوضعيات وكشف مربعات الإحاطة الموجّهة من خلال تحديثات موجهة تعزز الدقة والموثوقية.

إليك نظرة عامة على هذه التحسينات:

• تقسيم المثيلات: يستخدم YOLO26 خسارة التقسيم الدلالي لتحسين طريقة تعلّم النموذج أثناء التدريب، ما ينتج عنه أقنعة مثيلات أدق وأكثر اتساقًا. كما تتيح وحدة proto المطوّرة الاستفادة من المعلومات الواردة من مقاييس متعددة، كي يتعامل النموذج مع الأجسام بأحجام مختلفة بفاعلية أكبر، حتى في المشاهد المعقدة.
• تقدير الوضعيات: من خلال دمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، وهي تقنية لنمذجة عدم اليقين في تنبؤات النقاط المفتاحية، وتحسين عملية فك الترميز، يقدم YOLO26 نقاطًا مفتاحية أدق مع أداء آني أفضل.
• كشف مربعات الإحاطة الموجّهة: يقدم YOLO26 خسارة زاوية متخصصة تساعد النموذج على تعلّم دوران الأجسام بدقة أكبر، ولا سيما الأجسام المربعة التي قد يكون تحديد اتجاهها ملتبسًا. كما يقلل فك ترميز OBB المحسّن القفزات المفاجئة في تنبؤات الزوايا بالقرب من حدود الدوران، ما يؤدي إلى تقديرات اتجاه أكثر استقرارًا واتساقًا.

الشكل 3. استخدام Ultralytics YOLO26 لتقسيم المثيلات.

Ultralytics YOLOE-26: تقسيم مفتوح المفردات مبني على YOLO26#

تقدم Ultralytics أيضًا YOLOE-26، وهي عائلة جديدة من نماذج تقسيم الصور مفتوحة المفردات، مبنية على بنية YOLO26 وابتكاراته التدريبية.

YOLOE-26 ليس مهمة أو ميزة جديدة، بل عائلة نماذج متخصصة تعيد استخدام مهمة التقسيم الحالية مع إتاحة الاستدلال باستخدام المطالبات النصية والبصرية أو دون مطالبات. ويتوفر YOLOE-26 بجميع أحجام YOLO القياسية، ويحقق دقة أعلى وأداءً واقعيًا أكثر موثوقية من نماذج تقسيم الصور مفتوحة المفردات السابقة.

صُمم Ultralytics YOLO26 للعمل في المواقع التي يعمل فيها الذكاء الاصطناعي البصري فعليًا#

من الكاميرات المدعومة بالرؤية إلى الروبوتات التي تعمل بتقنيات الرؤية الحاسوبية وشرائح المعالجة الصغيرة على الحافة، يجري نشر الرؤية الحاسوبية والذكاء الاصطناعي مباشرةً على الأجهزة لإجراء الاستدلال الآني. صُمم Ultralytics YOLO26 خصيصًا لهذه البيئات، حيث يُعد انخفاض زمن الاستجابة والكفاءة والأداء الموثوق أمورًا حيوية.

عمليًا، يعني ذلك سهولة نشر YOLO26 على مجموعة واسعة من الأجهزة. وعلى وجه التحديد، يمكن تصدير النماذج إلى تنسيقات محسّنة لمنصات ومسرّعات عتادية مختلفة عبر حزمة Ultralytics Python ومجموعة التكاملات الواسعة التي توفرها.

على 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 أجهزة Intel. كما يمكن تصدير YOLO26 للتشغيل على عدة مسرّعات مخصصة للحافة، ما يتيح استدلالًا عالي الإنتاجية وكفؤًا في استهلاك الطاقة على أجهزة الذكاء الاصطناعي الطرفي المتخصصة.

ليست هذه سوى أمثلة قليلة، إذ تتوفر تكاملات كثيرة أخرى في بيئات الحافة والإنتاج. وتتيح هذه المرونة تشغيل نموذج YOLO26 واحد على أهداف نشر متنوعة. كما تبسّط مسارات عمل الإنتاج وتقرب الذكاء الاصطناعي البصري من الحافة.

إعادة تعريف حالات استخدام الرؤية الحاسوبية في مختلف القطاعات#

صُمم YOLO26 للنشر في العالم الحقيقي، ويمكن استخدامه في مجموعة واسعة من حالات استخدام الرؤية الحاسوبية ضمن قطاعات مختلفة. إليك بعض الأمثلة على تطبيقاته:

• الروبوتات: يمكن استخدام YOLO26 في مهام مثل الملاحة وكشف العوائق والتفاعل مع الأجسام. وتدعم هذه الإمكانات عمليات روبوتية آمنة وفعالة في البيئات الديناميكية.

• التصنيع: يمكن لـ YOLO26 تحليل الصور ومقاطع الفيديو على خطوط الإنتاج لتحديد العيوب أو المكونات المفقودة أو مشكلات العمليات. وتُبقي معالجة البيانات على الجهاز عملية الكشف سريعة وتقلل 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 المضمّنة وأنظمة IoT: بفضل تصميمه خفيف الوزن، يمكن تشغيل YOLO26 على أجهزة مضمّنة منخفضة الطاقة لمعالجة البيانات المرئية محليًا. وتشمل حالات الاستخدام الشائعة الكاميرات الذكية والمستشعرات المتصلة وأجهزة المراقبة الآلية.

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

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

البدء باستخدام Ultralytics YOLO26#

يمكن استخدام Ultralytics YOLO26 من خلال مساري عمل متكاملين، وفقًا لطريقة إنشاء حلول الذكاء الاصطناعي البصري ونشرها.

الخيار 1: استخدام Ultralytics YOLO26 عبر منصة Ultralytics (موصى به)

توفر منصة Ultralytics طريقة مركزية لتدريب نماذج YOLO26 ونشرها ومراقبتها في بيئة الإنتاج. وتجمع مجموعات البيانات والتجارب وعمليات النشر في مكان واحد، ما يسهل إدارة مسارات عمل الذكاء الاصطناعي البصري على نطاق واسع، ولا سيما للفرق التي تنشر في بيئات الحافة والإنتاج.

من خلال المنصة، يمكن للمستخدمين:

• الوصول إلى نماذج YOLO26
• التدريب والضبط الدقيق على مجموعات بيانات مخصصة
• تصدير النماذج للنشر على الحافة 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 ضمن منظومة Ultralytics مفتوحة المصدر، ويمكن استخدامه مع مسارات العمل الحالية المعتمدة على Python للتدريب والاستدلال والتصدير.

يمكن للمطورين تثبيت حزمة Ultralytics وتحميل نماذج YOLO26 المدرّبة مسبقًا ونشرها باستخدام الأدوات والتنسيقات المألوفة، مثل ONNX وTensorRT وCoreML وOpenVINO.

pip install ultralytics

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26n مدرّب مسبقًا على COCO⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل الاستدلال باستخدام نموذج YOLO26n على الصورة 'bus.jpg'⁩
results = model("path/to/bus.jpg")

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

Ultralytics YOLO26: مُصمم لما هو قادم في الرؤية الحاسوبية#

صُمم Ultralytics YOLO26 لتلبية احتياجات حلول الذكاء الاصطناعي البصري في المستقبل، حيث سيتعين على النماذج أن تكون سريعة وفعالة وسهلة النشر على الأجهزة الفعلية. ومن خلال تحسين الأداء وتبسيط النشر وتوسيع نطاق إمكانات النموذج، ينسجم YOLO26 تلقائيًا مع مجموعة واسعة من التطبيقات الواقعية. ويرسي YOLO26 خط أساس جديدًا لكيفية بناء الذكاء الاصطناعي البصري ونشره وتوسيع نطاقه. ونحن متحمسون لرؤية كيفية استخدام المجتمع له لإطلاق أنظمة رؤية حاسوبية واقعية.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للاطلاع على موارد عملية في الذكاء الاصطناعي. وللبناء باستخدام ذكاء الرؤية اليوم، استكشف خيارات الترخيص. تعرّف على كيفية إحداث الذكاء الاصطناعي في الزراعة تحولًا في الزراعة، وكيف يشكّل ذكاء الرؤية في الروبوتات المستقبل، وذلك بزيارة صفحات الحلول لدينا.