Ultralytics YOLO26 مقابل YOLO11 مقابل YOLOv8: أيها ينبغي أن تستخدم؟

تتيح أنظمة الرؤية الحاسوبية المتطورة، التي تعمل غالبًا بواسطة الشبكات العصبية الالتفافية (CNNs)، للآلات تحليل البيانات المرئية من الصور ومقاطع الفيديو وتفسيرها، وقد بدأ نشرها الآن في مجموعة واسعة من البيئات.

من الزراعة إلى التصنيع والبيع بالتجزئة، تعمل هذه الأنظمة ضمن مجموعة من بيئات النشر، بما في ذلك الأجهزة الطرفية، والأجهزة المضمنة، وأجهزة إنترنت الأشياء (IoT)، والمعالجة على الجهاز، وخطوط المعالجة السحابية واسعة النطاق التي تدعم التطبيقات الآنية.

في الاستخدام الواقعي، لا يكون نشر هذه النماذج مباشرًا دائمًا. فكثيرًا ما يتعين عليها العمل بقدرات حوسبة محدودة، والوفاء بمتطلبات صارمة لزمن الاستجابة، والتوسع دون زيادة التكاليف زيادة كبيرة. وتجعل هذه القيود الأداء مسألة متعددة الأبعاد، لا تقتصر على الدقة وحدها.

مع أن الدقة تظل مهمة، فمن المهم بالقدر نفسه أن يعمل النموذج بكفاءة في بيئة الإنتاج. وتؤدي عوامل مثل السرعة واستهلاك الموارد وقابلية التوسع دورًا كبيرًا في تحديد مدى جودة أداء النظام بمرور الوقت.

تطورت نماذج الرؤية الحاسوبية مثل نماذج Ultralytics YOLO مع مراعاة هذا التوازن. فعلى سبيل المثال، أرسى Ultralytics YOLOv8 أساسًا قويًا ومتعدد الاستخدامات، ثم خطا Ultralytics YOLO11 خطوة إضافية بتحسين السرعة والدقة، ويواصل Ultralytics YOLO26 البناء على ذلك ليكون أخف وأسرع وأكثر كفاءة من أي وقت مضى.

الشكل 1. استخدام Ultralytics YOLO26 لاكتشاف الأجسام في صورة (المصدر)

في هذا المقال، سنقارن Ultralytics YOLO26 وYOLO11 وYOLOv8 لمساعدتك في اختيار النموذج المناسب لمشروع الرؤية الحاسوبية لديك. لنبدأ!

فهم تطور نماذج Ultralytics YOLO#

قدّم كل إصدار من نماذج Ultralytics YOLO تحسينات لتلبية متطلبات العالم الحقيقي على نحو أفضل، ولجعل الرؤية الحاسوبية أكثر إتاحة. وقد جعلت هذه التحديثات النماذج أسرع وأكثر كفاءة وأسهل في النشر، كما دعمت نمو منظومة الذكاء الاصطناعي المرئي.

تُبنى هذه النماذج أيضًا على PyTorch، ما يسهل تدريبها وتخصيصها ودمجها في مسارات عمل ذكية للتعلم الآلي. وتتوفر نماذج Ultralytics YOLO جاهزةً كنماذج مدرَّبة مسبقًا، وغالبًا ما تُدرَّب على مجموعات بيانات مثل مجموعة بيانات COCO، ما يتيح للفرق البدء بسرعة وضبط النماذج بدقة لتناسب حالات استخدام محددة.

إضافة إلى ذلك، تُبسّط حزمة Python من Ultralytics عملية النشر من خلال توفير دعم مدمج لتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. وهذا يسهل دمج النماذج عبر منصات أجهزة مختلفة، من الأجهزة الطرفية إلى الأنظمة المسرّعة بوحدات GPU.

من Ultralytics YOLOv5 إلى Ultralytics YOLO26#

اكتسب أول نموذج Ultralytics YOLO، وهو Ultralytics YOLOv5، شعبية واسعة بفضل قدراته الموثوقة في اكتشاف الأجسام. وقد بُني على نهج اكتشاف أحادي المرحلة، ما أتاح تنبؤات سريعة وآنية في تمريرة واحدة، وجعله ملائمًا تمامًا لمسارات عمل الإنتاج.

قدمت التحديثات اللاحقة إصدارات لا تعتمد على المراسي، إذ يتنبأ النموذج فيها بمواقع الأجسام مباشرة بدلًا من استخدام مربعات مراسٍ محددة مسبقًا، ما يجعل الاكتشاف أكثر مرونة. ومع ذلك، ظل النموذج الأصلي يركز أساسًا على مهام اكتشاف الأجسام.

وانطلاقًا من هذا الأساس، وسّع Ultralytics YOLOv8 نطاق عائلة النماذج. فبدلًا من التركيز على اكتشاف الأجسام وحده، أضاف دعمًا لعدة مهام للرؤية الحاسوبية، مثل تقسيم المثيلات، وتصنيف الصور، وتقدير الوضعية، واكتشاف مربعات الإحاطة الموجّهة (OBB). كما أضاف تحسينات معمارية، تشمل تصميمات متقدمة للعمود الفقري والعنق، حسّنت استخراج السمات وأداء الاكتشاف عمومًا.

إضافة إلى ذلك، أتاحت إصدارات مثل YOLOv8n (Nano) وYOLOv8s (Small) وYOLOv8m (Medium) وYOLOv8l (Large) وYOLOv8x (Extra Large) للمطورين موازنة السرعة والدقة واستهلاك الموارد وفقًا لاحتياجاتهم. وقد جعلت هذه القدرات الأوسع، إلى جانب سهولة الاستخدام، النموذج خيارًا مفضلًا لمجموعة واسعة من تطبيقات الرؤية.

الشكل 2. تدعم نماذج YOLO مثل YOLOv8 وYOLO11 وYOLO26 مجموعة متنوعة من مهام الرؤية.

بعد ذلك، ركز Ultralytics YOLO11 على تحسين الأداء في مسارات العمل الواقعية، فقدم دقة أعلى إلى جانب سرعات استدلال أسرع. وبفضل بنيته الأخف، يعمل جيدًا في البيئات الطرفية والسحابية على حد سواء، مع توافقه مع مسارات YOLOv8 الحالية.

أحدث إضافة إلى عائلة نماذج Ultralytics YOLO هي YOLO26، وهو نموذج متطور يضع معيارًا جديدًا للذكاء الاصطناعي المرئي المصمم أولًا للأجهزة الطرفية، إذ يقدم نهجًا أخف وأسرع وأكثر كفاءة للنشر في العالم الحقيقي. وقد صُمم ليعمل بكفاءة على وحدات CPU والأنظمة المضمنة، مع تبسيط النشر وتحسين الأداء الآني في مجموعة واسعة من التطبيقات.

مقارنة YOLO26 وYOLO11 وYOLOv8#

عند العمل على مشاريع الرؤية الحاسوبية، قد تصادف نماذج مختلفة من Ultralytics وتتساءل عن النموذج المناسب لمشروعك. فلنلقِ نظرة على كيفية مقارنة YOLO26 وYOLO11 وYOLOv8 في سيناريوهات العالم الحقيقي.

صدر Ultralytics YOLOv8 في عام 2023، واستخدمه مجتمع الرؤية الحاسوبية على نطاق واسع منذ ذلك الحين. وقد جعله الدعم المجتمعي القوي وسهولة استخدامه نموذجًا مفضلًا لدى فرق كثيرة في السابق. وإذا كنت تبحث عن نموذج موثّق جيدًا تتوفر له مجموعة واسعة من البرامج التعليمية والأدلة والموارد المجتمعية، فإن YOLOv8 نقطة انطلاق رائعة.

في عام 2024، طُرح Ultralytics YOLO11 مع تحسينات في الأداء والكفاءة على حد سواء. ويوفر سرعة ودقة أفضل مقارنةً بـ YOLOv8، مع الحفاظ على بنية أصغر وأكثر تحسينًا. إنه نموذج أكثر توازنًا يقدم أداءً موثوقًا في بيئة الإنتاج دون زيادة كبيرة في استهلاك الموارد.

هذا العام، صدر Ultralytics YOLO26 بوصفه أحدث إصدار، مع التركيز على النشر الفعال على نطاق واسع. ويوفر استدلالًا أسرع على وحدات CPU واستغلالًا أفضل للموارد، ما يتيح للفرق تشغيل مزيد من أعباء العمل على الأجهزة نفسها.

فعلى سبيل المثال، يمكن لنموذج Ultralytics YOLO26 nano تحقيق استدلال أسرع بنسبة تصل إلى 43% من YOLO11 على وحدات المعالجة المركزية (CPU)، ما يجعله خيارًا رائعًا للبيئات الطرفية والبيئات محدودة الموارد. وهذا مهم بوجه خاص لأن الإعدادات التقليدية تعتمد غالبًا اعتمادًا كبيرًا على وحدات معالجة الرسومات (GPUs)، التي قد تكون مكلفة وأصعب في التوسع.

الشكل 3. قياس أداء YOLO26 على وحدات CPU (المصدر)

إجمالًا، يُعد Ultralytics YOLO26 خيارًا قويًا للفرق والأفراد الذين يسعون إلى تحسين المفاضلة بين الأداء والتكلفة وقابلية التوسع.

نظرة أقرب على Ultralytics YOLO26#

Ultralytics YOLO26 نموذج متطور صُمم للنشر في العالم الفعلي، حيث تكتسب الكفاءة والسرعة وقابلية التوسع أهمية تضاهي الدقة. وبدلًا من التركيز على تحسين أداء المقاييس المعيارية فقط، يقدم تغييرات معمارية وتدريبية تجعل تشغيل النماذج أسهل، ونشرها أسرع، وأداءها أكثر موثوقية عبر بيئات الأجهزة المختلفة.

تكتسب هذه التحسينات أهمية خاصة في الأنظمة الطرفية وأنظمة الإنتاج، حيث تؤدي محدودية القدرة الحاسوبية وقيود زمن الاستجابة واعتبارات التكلفة دورًا رئيسيًا. ومن خلال تبسيط الاستدلال وتحسين الأداء، يمكّن Ultralytics YOLO26 المهتمين بالذكاء الاصطناعي من بناء تطبيقات الرؤية الحاسوبية وتوسيع نطاقها بكفاءة أكبر.

إليك نظرة أقرب على بعض الميزات الرئيسية في Ultralytics YOLO26:

• استدلال شامل من البداية إلى النهاية بلا NMS: من التغييرات المهمة تصميمه الخالي من كبت الصناديق المتداخلة (NMS)، الذي يلغي الحاجة إلى المعالجة اللاحقة. ببساطة، ينتج النموذج التنبؤات النهائية مباشرةً. ونتيجة لذلك، يصبح زمن الاستجابة أكثر قابلية للتنبؤ، ويغدو النشر أسهل.
• إزالة DFL: يتخلى Ultralytics YOLO26 عن وحدة خسارة التركيز التوزيعي (DFL) ويتجه إلى نهج أبسط للتنبؤ بالصناديق المحيطة. يتوافق هذا التغيير مع تصميمه الشامل من البداية إلى النهاية والخالي من NMS، ما يقلل تعقيد خط المعالجة ويحسن اتساق النشر.
• مُحسِّن MuSGD: تقدم أحدث طُرز Ultralytics YOLO مُحسِّن MuSGD الهجين، الذي يجمع بين الانحدار المتدرج العشوائي (SGD) وتحديثات مستوحاة من Muon. يعزز ذلك استقرار التدريب والتقارب، ما يؤدي إلى تحسين أكثر سلاسة وسلوك أكثر اتساقًا عبر أحجام النماذج المختلفة.
• ProgLoss وSTAL: تجعل ابتكارات التدريب، وهي موازنة الخسارة التدريجية (ProgLoss) وتعيين التسميات المراعي للأهداف الصغيرة (STAL)، النموذج أكثر استقرارًا وموثوقية. تساعد ProgLoss النموذج على التعلم من مجموعات البيانات على مراحل بمرور الوقت، بينما تضمن STAL عدم إغفال الأجسام الصغيرة أثناء التدريب، ما يحسن اكتشافها في المشاهد المعقدة.

الدقة مقابل الكفاءة: ما وراء المقاييس المعيارية إلى الأداء في العالم الفعلي#

لفهم الفروق بين YOLO26 وYOLO11 وYOLOv8 في سياقها، لنتعرف أكثر على العوامل التي تؤثر في أداء النماذج عند استخدامها في العالم الفعلي.

لطالما كانت الدقة، التي تُقاس غالبًا بمقاييس الأداء مثل متوسط الدقة (mAP)، وسيلة مهمة لتقييم نماذج الرؤية الحاسوبية. فهي توضح مدى جودة أداء النموذج في ظل ظروف موحدة، وتفيد عند مقارنة الإصدارات المختلفة.

لكن بمجرد انتقال النماذج من الاختبار إلى النشر في العالم الفعلي، لا تكفي الدقة وحدها. إذ يعتمد أداء الإنتاج على عوامل مثل حجم النموذج، وزمن الاستدلال أو زمن الاستجابة، واستخدام القدرة الحاسوبية، ومدى قدرة النظام على التوسع عبر البيئات المختلفة.

على خلاف المقاييس المعيارية المضبوطة، غالبًا ما تكون البيئات الفعلية غير قابلة للتنبؤ. فقد تتغير ظروف الإضاءة، وقد تظهر الأجسام جزئيًا، وقد تختلف بيانات الإدخال اختلافًا كبيرًا عما دُرِّب عليه النموذج. ويمكن لهذه الاختلافات أن تؤثر في مدى اتساق أداء النموذج عمليًا.

الشكل 4. مثال على استخدام Ultralytics YOLO26 في بيئة غير متوقعة، مثل موقع بناء.

على سبيل المثال، تخيل إعدادًا يضم مئات الكاميرات في مدينة ذكية أو متجر بيع بالتجزئة أو مستودع. يجب معالجة كل تدفق في الوقت الفعلي، وغالبًا ما يتطلب ذلك معدلات إطارات ثابتة (إطارات في الثانية، أو FPS) لتجنب التأخير أو إسقاط الإطارات.

يمكن للنموذج الأقل كفاءة معالجة عدد أقل من التدفقات المتزامنة على نظام معين، ما يعني أن التوسع يتطلب عادةً أجهزة إضافية ويرفع تكاليف البنية التحتية.

يمكن للنماذج الأكثر كفاءة، مثل Ultralytics YOLO26، معالجة مزيد من التدفقات على الأجهزة نفسها، والاستفادة بشكل أفضل من الموارد المتاحة. وهذا يحسن الكفاءة الإجمالية للنظام ويسهل توسيع نطاق عمليات النشر بمرور الوقت.

للاطلاع على مزيد من التفاصيل حول YOLO26 مقابل YOLO11 مقابل YOLOv8، راجع وثائق Ultralytics الرسمية.

أبرز النقاط#

تطورت سلسلة نماذج Ultralytics YOLO لتلائم احتياجات النشر في العالم الفعلي على نحو أفضل. ويبني كل إصدار على سابقه، مع تركيز متزايد على الكفاءة وقابلية التوسع وسهولة النشر. بعبارة أخرى، إذا كنت تطور تطبيق كشف في الوقت الفعلي يحتاج إلى العمل بموثوقية وعلى نطاق واسع، فإن Ultralytics YOLO26 خيار مثالي.

هل ترغب في دمج ذكاء الرؤية الاصطناعي في عملياتك؟ اطّلع على خيارات الترخيص. يمكنك أيضًا زيارة صفحات حلولنا لمعرفة كيف يُحدث الذكاء الاصطناعي في التصنيع تحولًا في المصانع، وكيف يرسم ذكاء الرؤية الاصطناعي في الروبوتات ملامح المستقبل. انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub للاطلاع على موارد الذكاء الاصطناعي.