Ultralytics YOLO26: المعيار الجديد للذكاء الاصطناعي البصري الموجه للحافة

اليوم، تطلق Ultralytics رسمياً YOLO26، وهو نموذج YOLO الأكثر تقدماً وقابلية للنشر حتى الآن. تم الإعلان عنه لأول مرة في YOLO Vision 2025 (YV25)، ويمثل YOLO26 تحولاً جوهرياً في كيفية تدريب نماذج الرؤية الحاسوبية ونشرها وتوسيع نطاقها في الأنظمة الواقعية.

يتجه الذكاء الاصطناعي البصري بسرعة نحو الحافة. وبشكل متزايد، تتم معالجة الصور ومقاطع الفيديو مباشرة على الأجهزة والكاميرات والروبوتات والأنظمة المضمنة، حيث يكون زمن الانتقال والموثوقية والتكلفة أكثر أهمية من الحوسبة السحابية الخام. تم تصميم YOLO26 لهذا الواقع، حيث يقدم أداءً رائداً على مستوى العالم مع العمل بكفاءة على وحدات المعالجة المركزية (CPUs) ومسرعات الحافة والأجهزة منخفضة الطاقة.

على الرغم من أن YOLO26 يمثل قفزة كبيرة إلى الأمام، إلا أنه لا يزال يحتفظ بتجربة Ultralytics YOLO المألوفة والمبسطة التي يعتمد عليها المطورون. فهو يتناسب بسلاسة مع سير العمل الحالي، ويدعم مجموعة واسعة من مهام الرؤية، ويظل سهل الاستخدام، مما يجعل تبنيه أمراً مباشراً لكل من فرق البحث والإنتاج.

الشكل 1. مثال على استخدام Ultralytics YOLO26 لاكتشاف الأجسام

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

Link to this sectionUltralytics YOLO26 يضع معياراً جديداً للذكاء الاصطناعي البصري#

تم بناء Ultralytics YOLO26 حول فكرة أن قدرات الذكاء الاصطناعي البصري المؤثرة يجب أن تكون سهلة الوصول للجميع. نحن نؤمن بأن أدوات الرؤية الحاسوبية القوية لا ينبغي أن تكون مغلقة أو مقتصرة على مجموعة صغيرة من المؤسسات.

في YV25 في لندن، شارك مؤسسنا ورئيسنا التنفيذي Glenn Jocher أفكاره حول هذه الرؤية، قائلاً: "إن تقنية الذكاء الاصطناعي الأكثر روعة موجودة خلف الأبواب المغلقة. إنها ليست مفتوحة. تتحكم الشركات الكبرى في التطورات الجديدة، وعلى الجميع الانتظار في طابور للحصول على حق الوصول. لدينا رؤية مختلفة في Ultralytics. نريد أن يكون الذكاء الاصطناعي في متناول الجميع."

كما أوضح أن هذا يعني إخراج الذكاء الاصطناعي من السحابة إلى بيئات العالم الحقيقي، مضيفاً: "نحن لا نريد أن تبقى التكنولوجيا في السحابة فحسب، بل نريد سحبها إلى أجهزة الحافة، وهاتفك، ومركباتك، والأنظمة منخفضة الطاقة. ونريد أن يتمكن هؤلاء الأشخاص المذهلون الذين يبتكرون الحلول من الوصول إلى ذلك."

يعكس YOLO26 هذه الرؤية في الممارسة العملية: نموذج مصمم للعمل حيث يتم نشر الذكاء الاصطناعي البصري فعلياً، وليس حيث يكون إنشاء النموذج الأولي أسهل.

Link to this sectionتحليل Ultralytics YOLO26: نموذج رؤية متطور#

مثل نماذج Ultralytics YOLO السابقة، يدعم YOLO26 مهام رؤية حاسوبية متعددة ضمن عائلة نماذج واحدة وموحدة. وهو متوفر بخمسة أحجام، وهي Nano (n)، وSmall (s)، وMedium (m)، وLarge (l)، وExtra Large (x)، مما يسمح للفرق بموازنة السرعة والدقة وحجم النموذج اعتماداً على قيود النشر.

إلى جانب المرونة، يرفع YOLO26 سقف الأداء. مقارنة بـ YOLO11، يقدم نموذج YOLO26 نانو استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية، مما يجعله أحد أسرع نماذج اكتشاف الأجسام عالية الدقة المتاحة للنشر على الحافة والأنظمة القائمة على وحدة المعالجة المركزية.

الشكل 2. Ultralytics YOLO26 هو نموذج رؤية متطور.

إليك نظرة فاحصة على مهام الرؤية الحاسوبية التي يدعمها YOLO26:

• تصنيف الصور: يمكن لـ YOLO26 تحليل صورة كاملة وتعيينها لفئة معينة، مما يساعد الأنظمة على فهم السياق العام للمشهد.
• اكتشاف الأجسام: يمكن للنموذج العثور على أجسام متعددة وتحديد مواقعها في الصور أو مقاطع الفيديو.
• تجزئة الأجسام (Instance segmentation): يمكن لـ YOLO26 تحديد الخطوط العريضة للأجسام الفردية بدقة على مستوى البكسل.
• تقدير الوضع (Pose estimation): يمكن استخدامه لتحديد النقاط الرئيسية وتقدير أوضاع الأشخاص والأجسام الأخرى.
• اكتشاف المربعات المحيطة الموجهة (OBB): يمكن لـ YOLO26 اكتشاف الأجسام بزوايا مختلفة، وهو أمر مفيد بشكل خاص للصور الجوية وصور الأقمار الصناعية.
• تتبع الأجسام: بالاقتران مع حزمة Ultralytics Python، يمكن استخدام YOLO26 لتتبع الأجسام عبر إطارات الفيديو والبث المباشر.

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

Link to this sectionالابتكارات الرئيسية وراء Ultralytics YOLO26#

يقدم Ultralytics YOLO26 العديد من الابتكارات الأساسية التي تعمل على تحسين سرعة الاستدلال واستقرار التدريب وبساطة النشر. فيما يلي نظرة عامة على هذه الابتكارات:

• إزالة خَسارة التوزيع البؤرية (DFL): تمت إزالة وحدة DFL لتبسيط التنبؤ بالمربعات المحيطة، وتحسين توافق الأجهزة، وتسهيل تصدير النماذج وتشغيلها على أجهزة الحافة والأجهزة منخفضة الطاقة.
• استدلال شامل خالٍ من NMS: صُمم YOLO26 كنموذج أصلي شامل ينتج تنبؤات نهائية مباشرة، مما يلغي الحاجة إلى كبت غير الأعظم (Non-Maximum Suppression) ويقلل من زمن انتقال الاستدلال وتعقيد النشر.
• موازنة الخسارة التدريجية + STAL: تعمل استراتيجيات الخسارة المحسنة هذه على استقرار التدريب وتعزيز دقة الاكتشاف، خاصة للأجسام الصغيرة التي يصعب اكتشافها.
• مُحسِّن MuSGD: يستخدم YOLO26 مُحسِّناً هجيناً جديداً يمزج بين SGD وتقنيات التحسين المستوحاة من Muon لتدريب أكثر استقراراً.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية: تم تحسينه خصيصاً لحوسبة الحافة، حيث يقدم YOLO26 استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية، مما يتيح أداءً في الوقت الفعلي على أجهزة الحافة.

بعد ذلك، دعنا نستعرض بالتفصيل ميزات الجيل القادم هذه التي تجعل YOLO26 أسرع وأكثر كفاءة وأسهل في النشر.

Link to this sectionتبسيط التنبؤ من خلال إزالة خَسارة التوزيع البؤرية (DFL)#

استخدمت نماذج YOLO السابقة خَسارة التوزيع البؤرية (DFL) أثناء التدريب لتحسين دقة المربعات المحيطة. ورغم فعاليتها، أدخلت DFL تعقيداً إضافياً وفرضت حدود انحدار ثابتة جعلت التصدير والنشر أكثر صعوبة، خاصة على أجهزة الحافة والأجهزة منخفضة الطاقة.

يزيل YOLO26 تقنية DFL تماماً. تؤدي إزالة DFL إلى القضاء على حدود انحدار المربعات المحيطة الثابتة الموجودة في النماذج السابقة، مما يحسن الموثوقية والدقة عند اكتشاف الأجسام الكبيرة جداً.

من خلال تبسيط عملية التنبؤ بالمربع المحيط، يصبح YOLO26 أسهل في التصدير ويعمل بشكل أكثر موثوقية عبر مجموعة واسعة من أجهزة الحافة والأجهزة منخفضة الطاقة.

Link to this sectionاستدلال شامل خالٍ من NMS مع Ultralytics YOLO26#

تعتمد خطوط أنابيب اكتشاف الأجسام التقليدية على كبت غير الأعظم (NMS) كخطوة معالجة لاحقة لتصفية التنبؤات المتداخلة. ورغم فعاليتها، تضيف NMS زمن انتقال وتعقيداً وهشاشة، خاصة عند نشر النماذج عبر بيئات تشغيل وأهداف أجهزة متعددة.

يقدم YOLO26 وضع استدلال أصلي شامل، حيث ينتج النموذج التنبؤات النهائية مباشرة دون الحاجة إلى NMS كخطوة معالجة لاحقة منفصلة. تتم معالجة التنبؤات المكررة داخل الشبكة نفسها.

يؤدي إلغاء NMS إلى تقليل زمن الانتقال، وتبسيط خطوط أنابيب النشر، وتقليل مخاطر أخطاء التكامل، مما يجعل YOLO26 مناسباً بشكل خاص للنشر في الوقت الفعلي وعلى الحافة.

Link to this sectionتعزيز التعرف من خلال موازنة الخسارة التدريجية + STAL#

تتمثل الميزة الحاسمة المتعلقة بالتدريب في تقديم موازنة الخسارة التدريجية (ProgLoss) وتعيين التسميات المدرك للأهداف الصغيرة (STAL). تساعد وظائف الخسارة المحسنة هذه على استقرار التدريب وتحسين دقة الاكتشاف.

تساعد ProgLoss النموذج على التعلم بشكل أكثر اتساقاً أثناء التدريب، مما يقلل من عدم الاستقرار ويسمح له بالتقارب بشكل أكثر سلاسة. وفي الوقت نفسه، تركز STAL على تحسين كيفية تعلم النموذج من الأجسام الصغيرة، والتي غالباً ما يكون اكتشافها أصعب بسبب محدودية التفاصيل البصرية.

معاً، تؤدي ProgLoss وSTAL إلى اكتشافات أكثر موثوقية، مع تحسينات ملحوظة في التعرف على الأجسام الصغيرة. هذا مهم بشكل خاص لتطبيقات الحافة مثل إنترنت الأشياء (IoT)، والروبوتات، والصور الجوية، حيث غالباً ما تكون الأجسام صغيرة أو بعيدة أو مرئية جزئياً.

Link to this sectionتدريب أكثر استقراراً مع مُحسِّن MuSGD#

مع YOLO26، اعتمدنا مُحسِّناً جديداً يسمى MuSGD، مصمماً لجعل التدريب أكثر استقراراً وكفاءة. MuSGD هو نهج هجين يجمع بين نقاط قوة الانحدار العشوائي (SGD) التقليدي والتقنيات المستوحاة من Muon، وهو مُحسِّن يُستخدم في تدريب نماذج اللغات الكبيرة (LLM).

لقد كان SGD خياراً موثوقاً في الرؤية الحاسوبية لفترة طويلة، بفضل بساطته وتعميمه القوي. وفي الوقت نفسه، أظهرت التطورات الأخيرة في تدريب LLM أن طرق التحسين الأحدث يمكن أن تحسن الاستقرار والسرعة عند تطبيقها بعناية. يجلب MuSGD بعض هذه الأفكار إلى مساحة الرؤية الحاسوبية.

مستوحى من Kimi K2 من Moonshot AI، يدمج MuSGD استراتيجيات تحسين تساعد النموذج على التقارب بشكل أكثر سلاسة أثناء التدريب. وهذا يجعل من الممكن لـ YOLO26 الوصول إلى أداء قوي بشكل أسرع مع تقليل عدم استقرار التدريب، خاصة في إعدادات التدريب الأكبر أو الأكثر تعقيداً.

يساعد MuSGD في تدريب YOLO26 بشكل أكثر قابلية للتنبؤ عبر أحجام النماذج، مما يساهم في تحقيق مكاسب في الأداء واستقرار التدريب.

Link to this sectionUltralytics YOLO26 يقدم استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية#

مع استمرار انتقال الذكاء الاصطناعي البصري بالقرب من مكان توليد البيانات، أصبح أداء الحافة القوي أمراً بالغ الأهمية. تم تحسين YOLO26 خصيصاً لحوسبة الحافة، حيث يوفر استدلالاً أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية، مما يضمن أداءً في الوقت الفعلي على الأجهزة التي لا تحتوي على وحدات معالجة رسومية (GPUs). يتيح هذا التحسين لأنظمة الرؤية المستجيبة والموثوقة العمل مباشرة على الكاميرات والروبوتات والأجهزة المضمنة، حيث تحدد قيود زمن الانتقال والكفاءة والتكلفة ما هو ممكن.

Link to this sectionمهام رؤية حاسوبية محسنة مدعومة بواسطة Ultralytics YOLO26#

بالإضافة إلى التحسينات المعمارية التي تجعل اكتشاف الأجسام أكثر دقة، يتضمن YOLO26 أيضاً تحسينات خاصة بالمهام مصممة لتعزيز الأداء عبر مهام الرؤية الحاسوبية. على سبيل المثال، فهو يعزز تجزئة الأجسام، وتقدير الوضع، واكتشاف المربعات المحيطة الموجهة بتحديثات مستهدفة تعمل على تحسين الدقة والموثوقية.

فيما يلي نظرة عامة على هذه التحسينات:

• تجزئة الأجسام: يستخدم YOLO26 خَسارة التجزئة الدلالية لتحسين كيفية تعلم النموذج أثناء التدريب، مما يؤدي إلى أقنعة كائنات أكثر دقة واتساقاً. كما تتيح وحدة proto مطورة استخدام المعلومات من مقاييس متعددة، بحيث يتعامل النموذج مع الأجسام ذات الأحجام المختلفة بشكل أكثر فعالية، حتى في المشاهد المعقدة.
• تقدير الوضع: من خلال دمج تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، وهي تقنية تصمم عدم اليقين في تنبؤات النقاط الرئيسية، وتحسين عملية فك التشفير، يقدم YOLO26 نقاطاً رئيسية أكثر دقة مع أداء أفضل في الوقت الفعلي.
• اكتشاف المربعات المحيطة الموجهة: يقدم YOLO26 خَسارة زاوية متخصصة تساعد النموذج على تعلم دوران الأجسام بدقة أكبر، خاصة للأجسام مربعة الشكل حيث يمكن أن يكون الاتجاه غامضاً. كما يقلل فك تشفير OBB المحسن من القفزات المفاجئة في تنبؤات الزاوية بالقرب من حدود الدوران، مما يؤدي إلى تقديرات اتجاه أكثر استقراراً واتساقاً.

الشكل 3. استخدام Ultralytics YOLO26 لتجزئة الأجسام.

Link to this sectionUltralytics YOLOE-26: تجزئة مفتوحة المفردات مبنية على YOLO26#

تقدم Ultralytics أيضاً YOLOE-26، وهي عائلة جديدة من نماذج التجزئة مفتوحة المفردات المبنية على بنية YOLO26 وابتكارات التدريب الخاصة به.

YOLOE-26 ليست مهمة أو ميزة جديدة، بل هي عائلة نماذج متخصصة تعيد استخدام مهمة التجزئة الحالية مع تمكين مطالبات النص ومطالبات الرؤية والاستدلال بدون مطالبات. تتوفر YOLOE-26 عبر جميع أحجام YOLO القياسية، وتقدم دقة أقوى وأداءً واقعياً أكثر موثوقية من نماذج التجزئة مفتوحة المفردات السابقة.

Link to this sectionتم تصميم Ultralytics YOLO26 للمكان الذي يعمل فيه الذكاء الاصطناعي البصري فعلياً#

من الكاميرات المعتمدة على الرؤية إلى الروبوتات التي تعمل بالرؤية الحاسوبية ورقائق المعالجة الصغيرة عند الحافة، يتم نشر الرؤية الحاسوبية والذكاء الاصطناعي مباشرة على الجهاز للاستدلال في الوقت الفعلي. تم بناء Ultralytics YOLO26 خصيصاً لهذه البيئات، حيث يعد زمن الانتقال المنخفض والكفاءة والأداء الموثوق أموراً حيوية.

في العمل، يعني هذا أن YOLO26 يمكن نشره عبر مجموعة واسعة من الأجهزة بسهولة. وتحديداً، من خلال حزمة Ultralytics Python ومجموعتها الواسعة من التكاملات، يمكن تصدير النماذج إلى تنسيقات محسنة لمنصات مختلفة ومسرعات أجهزة.

على سبيل المثال، يتيح التصدير إلى TensorRT استدلالاً عالي الأداء على وحدات معالجة الرسوميات (NVIDIA GPUs)، بينما يدعم CoreML النشر الأصلي على أجهزة Apple، ويعمل OpenVINO على تحسين الأداء على أجهزة Intel. يمكن أيضاً تصدير YOLO26 للعمل على العديد من مسرعات الحافة المخصصة، مما يتيح استدلالاً عالي الإنتاجية وموفراً للطاقة على أجهزة الذكاء الاصطناعي للحافة المتخصصة.

هذه مجرد أمثلة قليلة، مع دعم العديد من التكاملات الأخرى عبر بيئات الحافة والإنتاج. تتيح هذه المرونة لنموذج YOLO26 واحد العمل عبر أهداف نشر متنوعة. إنه يبسط سير عمل الإنتاج ويقرب الذكاء الاصطناعي البصري من الحافة.

Link to this sectionإعادة تعريف حالات استخدام الرؤية الحاسوبية عبر الصناعات#

تم تصميم YOLO26 للنشر في العالم الحقيقي، ويمكن استخدامه عبر مجموعة واسعة من حالات استخدام الرؤية الحاسوبية في صناعات مختلفة. فيما يلي بعض الأمثلة على الأماكن التي يمكن تطبيقه فيها:

• الروبوتات: يمكن استخدام YOLO26 لمهام مثل الملاحة واكتشاف العوائق والتفاعل مع الأجسام. تدعم هذه القدرات عمليات روبوتية آمنة وفعالة في البيئات الديناميكية.

• التصنيع: على خطوط الإنتاج، يمكن لـ YOLO26 تحليل الصور ومقاطع الفيديو لتحديد العيوب أو المكونات المفقودة أو مشاكل العمليات. تعمل معالجة البيانات على الجهاز على الحفاظ على سرعة الاكتشاف وتقليل الاعتماد على الأنظمة السحابية.

• التطبيقات الجوية والطائرات بدون طيار: عند نشره على طائرات بدون طيار، يمكن لـ YOLO26 معالجة الصور الجوية أثناء الطيران للفحص ورسم الخرائط والمسح. هذا يجعل من الممكن تحليل المشاهد في الوقت الفعلي، حتى في المواقع النائية.

• الأنظمة المضمنة وإنترنت الأشياء: بفضل تصميمه خفيف الوزن، يمكن لـ YOLO26 العمل على أجهزة مضمنة منخفضة الطاقة لمعالجة البيانات البصرية محلياً. تشمل حالات الاستخدام الشائعة الكاميرات الذكية والمستشعرات المتصلة وأجهزة المراقبة الآلية.

• المدن الذكية: عبر البيئات الحضرية، يمكن لـ YOLO26 تحليل تدفقات الفيديو من كاميرات المرور والأماكن العامة. وهذا يتيح تطبيقات مثل مراقبة حركة المرور والسلامة العامة وإدارة البنية التحتية عند الحافة.

الشكل 4. يمكن استخدام YOLO26 لتطبيقات رؤية حاسوبية متنوعة.

Link to this sectionبدء استخدام Ultralytics YOLO26#

يمكن استخدام Ultralytics YOLO26 من خلال سير عمل متكاملين، اعتماداً على كيفية بنائك ونشرك للذكاء الاصطناعي البصري.

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

توفر منصة Ultralytics طريقة مركزية لتدريب نماذج YOLO26 ونشرها ومراقبتها في الإنتاج. إنها تجمع مجموعات البيانات والتجارب والنشر في مكان واحد، مما يسهل إدارة سير عمل الذكاء الاصطناعي البصري على نطاق واسع، خاصة 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 لنشرها على الحافة والإنتاج
• مراقبة التجارب والنماذج المنشورة في سير عمل واحد

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

الخيار 2: استخدام Ultralytics YOLO26 عبر سير عمل مفتوح المصدر

يظل YOLO26 متاحاً بالكامل من خلال نظام Ultralytics البيئي مفتوح المصدر ويمكن استخدامه مع سير العمل القائم على Python الحالي للتدريب والاستدلال والتصدير.

يمكن للمطورين تثبيت حزمة Ultralytics، وتحميل نماذج YOLO26 المدربة مسبقاً، ونشرها باستخدام أدوات وتنسيقات مألوفة مثل ONNX أو TensorRT أو CoreML أو OpenVINO.

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")

للمستخدمين الذين يفضلون التحكم العملي أو خطوط الأنابيب المخصصة، تتوفر وثائق وأدلة كاملة في وثائق Ultralytics.

Link to this sectionUltralytics YOLO26: مصمم لما هو قادم في الرؤية الحاسوبية#

تم تصميم Ultralytics YOLO26 لتلبية احتياجات حلول الذكاء الاصطناعي البصري المستقبلية، حيث يجب أن تكون النماذج سريعة وفعالة وسهلة النشر على أجهزة حقيقية. من خلال تحسين الأداء وتبسيط النشر وتوسيع قدرات النموذج، يتناسب YOLO26 بشكل طبيعي مع مجموعة واسعة من التطبيقات الواقعية. يضع YOLO26 أساساً جديداً لكيفية بناء الذكاء الاصطناعي البصري ونشره وتوسيع نطاقه. نحن متحمسون لرؤية كيف يستخدمه المجتمع لشحن أنظمة رؤية حاسوبية واقعية.

انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد عملية في الذكاء الاصطناعي. للبناء باستخدام الرؤية الحاسوبية اليوم، استكشف خيارات الترخيص لدينا. تعلم كيف يغير الذكاء الاصطناعي في الزراعة ممارسات الزراعة وكيف يشكل الذكاء الاصطناعي في الرؤية الحاسوبية في الروبوتات المستقبل من خلال زيارة صفحات الحلول الخاصة بنا.