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

تُمكّن أنظمة الرؤية الحاسوبية المتطورة، والتي تعمل غالبًا بواسطة الشبكات العصبية التلافيفية (CNNs)، الآلات من تحليل وتفسير البيانات المرئية من الصور ومقاطع الفيديو، ويتم نشرها الآن عبر مجموعة واسعة من البيئات.

بدءًا من الزراعة ووصولاً إلى التصنيع وتجارة التجزئة، تعمل هذه الأنظمة عبر مجموعة من بيئات النشر، بما في ذلك أجهزة الحافة (edge devices)، والأجهزة المدمجة، وأجهزة إنترنت الأشياء (IoT)، والمعالجة على الجهاز، وخطوط أنابيب السحابة واسعة النطاق التي تدعم التطبيقات في الوقت الفعلي.

في الاستخدام الواقعي، ليس نشر هذه النماذج دائمًا أمرًا مباشرًا. فهي تحتاج غالبًا إلى العمل بموارد حوسبة محدودة، وتلبية متطلبات زمن انتقال صارمة، والتوسع دون زيادة كبيرة في التكاليف. تجعل هذه القيود الأداء مشكلة متعددة الأبعاد بدلاً من أن تكون مجرد مسألة دقة.

على الرغم من أن الدقة لا تزال مهمة، إلا أنه من المهم بنفس القدر أن يعمل النموذج بكفاءة في الإنتاج. تلعب عوامل مثل السرعة، واستخدام الموارد، وقابلية التوسع دورًا كبيرًا في مدى جودة أداء النظام بمرور الوقت.

تطورت نماذج الرؤية الحاسوبية مثل نماذج Ultralytics YOLO مع وضع هذا التوازن في الاعتبار. على سبيل المثال، أسس Ultralytics YOLOv8 قاعدة قوية ومتعددة الاستخدامات، وخطا Ultralytics YOLO11 خطوة إلى الأمام بتحسين السرعة والدقة، بينما يبني Ultralytics YOLO26 على ذلك ليكون أخف وأسرع وأكثر كفاءة من أي وقت مضى.

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

في هذه المقالة، سنقارن بين Ultralytics YOLO26 وYOLO11 وYOLOv8 لمساعدتك في اختيار النموذج المناسب لمشروع الرؤية الحاسوبية الخاص بك. لنبدأ!

Link to this sectionفهم كيفية تطور نماذج Ultralytics YOLO#

قدم كل إصدار من نماذج Ultralytics YOLO تحسينات لتلبية متطلبات العالم الحقيقي بشكل أفضل وجعل الرؤية الحاسوبية أكثر سهولة. جعلت هذه التحديثات النماذج أسرع وأكثر كفاءة وأسهل في النشر، مما يدعم نمو نظام الرؤية المعتمدة على الذكاء الاصطناعي.

كما أنها مبنية على PyTorch، مما يجعلها سهلة التدريب والتخصيص والدمج في سير عمل تعلم الآلة الذكي. تتوفر نماذج Ultralytics YOLO فور إخراجها من الصندوق كنماذج مدربة مسبقًا، وغالبًا ما يتم تدريبها على مجموعات بيانات مثل مجموعة بيانات COCO، مما يسمح للفرق بالبدء بسرعة وضبطها لحالات استخدام محددة.

بالإضافة إلى ذلك، تعمل حزمة Ultralytics Python على تبسيط النشر من خلال توفير دعم مدمج لتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT. وهذا يسهل دمج النماذج عبر منصات أجهزة مختلفة، من أجهزة الحافة إلى الأنظمة التي تعتمد على GPU.

Link to this sectionالانتقال من Ultralytics YOLOv5 إلى Ultralytics YOLO26#

أصبح أول نموذج من Ultralytics YOLO، وهو Ultralytics YOLOv5، شائعًا على نطاق واسع لقدراته الموثوقة في اكتشاف الكائنات. وبناءً على نهج الاكتشاف أحادي المرحلة، مكّن من إجراء تنبؤات سريعة في الوقت الفعلي في تمريرة واحدة، مما يجعله مناسبًا تمامًا لسير عمل الإنتاج.

قدمت التحديثات اللاحقة متغيرات خالية من الارتساء (anchor-free)، حيث يتنبأ النموذج بمواقع الكائنات مباشرة بدلاً من استخدام مربعات ارتساء محددة مسبقًا، مما يجعل الاكتشاف أكثر مرونة. ومع ذلك، ظل النموذج الأصلي يركز بشكل أساسي على مهام اكتشاف الكائنات.

بناءً على هذا الأساس، وسع YOLOv8 نطاق عائلة النماذج. فبدلاً من التركيز فقط على اكتشاف الكائنات، أضاف دعمًا لمهام رؤية حاسوبية متعددة مثل تجزئة النسخ، وتصنيف الصور، وتقدير الوضعية، واكتشاف مربعات الإحاطة الموجهة (OBB). كما جلب تحسينات معمارية، بما في ذلك تصميمات متقدمة للعمود الفقري (backbone) والعنق (neck)، مما عزز استخراج الميزات وأداء الاكتشاف العام.

بالإضافة إلى ذلك، منحت متغيرات مثل YOLOv8n (Nano)، وYOLOv8s (Small)، وYOLOv8m (Medium)، وYOLOv8l (Large)، وYOLOv8x (Extra Large) المطورين المرونة لتحقيق التوازن بين السرعة والدقة واستخدام الموارد بناءً على احتياجاتهم. هذه القدرة الأوسع، جنبًا إلى جنب مع سهولة الاستخدام، جعلته خيارًا مفضلاً لمجموعة واسعة من تطبيقات الرؤية.

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

بعد ذلك، ركز YOLO11 على تحسين الأداء في سير عمل العالم الحقيقي، مما يوفر دقة أعلى إلى جانب سرعات استنتاج أسرع. ومع بنية أخف، فإنه يعمل بشكل جيد عبر كل من بيئات الحافة والسحابة مع كونه متوافقًا مع خطوط أنابيب YOLOv8 الحالية.

أحدث إضافة لعائلة نماذج Ultralytics YOLO، وهو YOLO26، هو نموذج متطور يضع معيارًا جديدًا لرؤية الذكاء الاصطناعي الموجهة للحافة، مما يوفر نهجًا أخف وأسرع وأكثر كفاءة للنشر في العالم الحقيقي. وقد صُمم ليعمل بكفاءة على وحدات المعالجة المركزية (CPU) والأنظمة المدمجة مع تبسيط النشر وتحسين الأداء في الوقت الفعلي عبر مجموعة واسعة من التطبيقات.

Link to this sectionمقارنة بين YOLO26 وYOLO11 وYOLOv8#

عند العمل على مشاريع الرؤية الحاسوبية، قد تصادف نماذج Ultralytics مختلفة وتتساءل أيها مناسب لمشروعك. دعنا نستعرض كيفية مقارنة YOLO26 وYOLO11 وYOLOv8 في سيناريوهات العالم الحقيقي.

تم إصدار YOLOv8 في عام 2023 واستخدمه مجتمع الرؤية الحاسوبية على نطاق واسع منذ ذلك الحين. جعل دعم المجتمع القوي وسهولة الاستخدام منه نموذجًا مفضلاً للعديد من الفرق في الماضي. إذا كنت تبحث عن نموذج موثق جيدًا مع مجموعة واسعة من البرامج التعليمية والأدلة وموارد المجتمع، فإن YOLOv8 هو نقطة بداية رائعة.

في عام 2024، تم تقديم YOLO11 مع تحسينات في كل من الأداء والكفاءة. فهو يوفر سرعة ودقة أفضل مقارنة بـ YOLOv8، مع الحفاظ على بنية أصغر وأكثر تحسينًا. إنه نموذج أكثر توازناً يعمل بشكل موثوق في الإنتاج دون زيادة استخدام الموارد بشكل كبير.

هذا العام، تم إصدار YOLO26 كأحدث تكرار، مع التركيز على النشر الفعال على نطاق واسع. فهو يوفر استنتاجًا أسرع على وحدة المعالجة المركزية (CPU) واستخدامًا محسنًا للموارد، مما يمكّن الفرق من تشغيل المزيد من أحمال العمل على نفس الأجهزة.

على سبيل المثال، يمكن لنموذج YOLO26 نانو تحقيق استنتاج أسرع بنسبة تصل إلى 43% من YOLO11 على وحدات المعالجة المركزية (CPU)، مما يجعله خيارًا رائعًا لبيئات الحافة والمقيدة بالموارد. وهذا أمر حيوي بشكل خاص لأن الإعدادات التقليدية تعتمد غالبًا بشكل كبير على وحدات معالجة الرسومات (GPU)، والتي يمكن أن تكون مكلفة ويصعب توسيع نطاقها.

الشكل 3. قياس أداء YOLO26 على وحدات المعالجة المركزية (المصدر)

بشكل عام، يعد YOLO26 خيارًا قويًا للفرق والأفراد الذين يتطلعون إلى تحسين المقايضات بين الأداء والتكلفة وقابلية التوسع.

Link to this sectionنظرة فاحصة على Ultralytics YOLO26#

YOLO26 هو نموذج متطور مصمم للنشر في العالم الحقيقي، حيث تهم الكفاءة والسرعة وقابلية التوسع بقدر الدقة. بدلاً من التركيز فقط على تحسين أداء المعيار القياسي، فإنه يقدم تغييرات معمارية وتدريبية تجعل النماذج أسهل في التشغيل، وأسرع في النشر، وأكثر موثوقية عبر بيئات الأجهزة المختلفة.

تعد هذه التحسينات مهمة بشكل خاص لأنظمة الحافة والإنتاج، حيث تلعب محدودية الحوسبة وقيود زمن الانتقال واعتبارات التكلفة دورًا رئيسيًا. من خلال تبسيط الاستنتاج وتحسين الأداء، يمكّن YOLO26 عشاق الذكاء الاصطناعي من بناء تطبيقات الرؤية وتوسيع نطاقها بكفاءة أكبر.

إليك نظرة فاحصة على بعض الميزات الرئيسية لـ YOLO26:

• استنتاج من البداية إلى النهاية بدون NMS: أحد التغييرات الحاسمة هو تصميمه الخالي من قمع غير الأعظمي (NMS)، والذي يلغي الحاجة إلى المعالجة اللاحقة. ببساطة، ينتج النموذج التنبؤات النهائية مباشرة. ونتيجة لذلك، يصبح زمن الانتقال أكثر قابلية للتنبؤ، ويصبح النشر أسهل.
• إزالة DFL: يبتعد YOLO26 عن وحدة فقدان التوزيع البؤري (Distribution Focal Loss - DFL) نحو نهج أبسط للتنبؤ بمربعات الإحاطة. يتماشى هذا التغيير مع تصميمه من البداية إلى النهاية الخالي من NMS، مما يقلل من تعقيد خط الأنابيب ويحسن اتساق النشر.
• مُحسِّن MuSGD: تقدم أحدث نماذج Ultralytics YOLO مُحسِّن MuSGD، وهو مُحسِّن هجين يجمع بين الانحدار العشوائي (SGD) وتحديثات مستوحاة من Muon. يعمل هذا على تحسين استقرار التدريب والتقارب، مما يؤدي إلى تحسين أكثر سلاسة وسلوك أكثر اتساقًا عبر أحجام النماذج المختلفة.
• ProgLoss وSTAL: هذه الابتكارات التدريبية، موازنة الفقد التدريجي (ProgLoss) وتعيين التسميات المدرك للأهداف الصغيرة (STAL)، تجعل النموذج أكثر استقرارًا وموثوقية. يساعد ProgLoss النموذج على التعلم من مجموعات البيانات على مراحل بمرور الوقت، بينما يضمن STAL عدم تجاهل الكائنات الصغيرة أثناء التدريب، مما يحسن الاكتشاف في المشاهد المعقدة.

Link to this sectionالدقة مقابل الكفاءة: ما وراء المعايير القياسية إلى أداء العالم الحقيقي#

لوضع الاختلافات بين YOLO26 وYOLO11 وYOLOv8 في سياقها الصحيح، دعنا نحصل على فهم أفضل للعوامل التي تدفع أداء النموذج في الاستخدام الواقعي.

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

ومع ذلك، بمجرد انتقال النماذج من الاختبار إلى النشر في العالم الحقيقي، فإن الدقة وحدها لا تكفي. يعتمد أداء الإنتاج على عوامل مثل حجم النموذج، ووقت الاستنتاج أو زمن الانتقال، واستخدام الحوسبة، ومدى قدرة النظام على التوسع عبر بيئات مختلفة.

على عكس المعايير القياسية الخاضعة للرقابة، غالبًا ما تكون بيئات العالم الحقيقي غير متوقعة. يمكن أن تتغير ظروف الإضاءة، وقد تكون الكائنات مرئية جزئيًا، ويمكن أن تختلف بيانات الإدخال بشكل كبير عما تم تدريب النموذج عليه. يمكن أن تؤثر هذه الاختلافات على مدى اتساق أداء النموذج في الممارسة العملية.

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

على سبيل المثال، ضع في اعتبارك إعدادًا يحتوي على مئات الكاميرات في مدينة ذكية، أو متجر بيع بالتجزئة، أو مستودع. يجب معالجة كل بث في الوقت الفعلي، وغالبًا ما يتطلب ذلك معدلات إطارات ثابتة (إطارات في الثانية، أو FPS) لتجنب التأخير أو فقدان الإطارات.

يمكن للنموذج الأقل كفاءة التعامل مع عدد أقل من التدفقات المتزامنة على نظام معين، مما يعني أن التوسع يتطلب عادةً أجهزة إضافية ويزيد من تكاليف البنية التحتية.

يمكن للنماذج الأكثر كفاءة، مثل YOLO26، معالجة المزيد من التدفقات على نفس الأجهزة، مما يحقق استخدامًا أفضل للموارد المتاحة. وهذا يحسن كفاءة النظام الشاملة ويسهل توسيع نطاق عمليات النشر بمرور الوقت.

للتعمق أكثر في المقارنة بين YOLO26 وYOLO11 وYOLOv8، تحقق من وثائق Ultralytics الرسمية.

Link to this sectionأبرز النقاط#

لقد تطورت سلسلة نماذج Ultralytics YOLO لتتوافق بشكل أفضل مع احتياجات النشر في العالم الحقيقي. يبني كل إصدار على الذي قبله، مع تركيز متزايد على الكفاءة وقابلية التوسع وسهولة النشر. بمعنى آخر، إذا كنت تبني تطبيق اكتشاف في الوقت الفعلي يحتاج إلى العمل بشكل موثوق على نطاق واسع، فإن Ultralytics YOLO26 هو خيار مثالي.

هل تتطلع إلى جلب رؤية الذكاء الاصطناعي إلى عملياتك؟ تحقق من خيارات الترخيص الخاصة بنا. يمكنك أيضًا زيارة صفحات الحلول الخاصة بنا لرؤية كيف يُحدث الذكاء الاصطناعي في التصنيع تحولاً في المصانع وكيف تشكل رؤية الذكاء الاصطناعي في الروبوتات المستقبل. انضم إلى مجتمعنا المتنامي واستكشف مستودع GitHub الخاص بنا للحصول على موارد الذكاء الاصطناعي.