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

تُمكّن أنظمة الرؤية الحاسوبية المتطورة، التي تعتمد غالبًا على الشبكات العصبية الالتفافية (CNNs)، الآلات من تحليل البيانات المرئية من الصور ومقاطع الفيديو وتفسيرها، وتُنشر الآن في مجموعة واسعة من البيئات.

من الزراعة إلى التصنيع وتجارة التجزئة، تعمل هذه الأنظمة ضمن مجموعة من بيئات النشر، بما في ذلك الأجهزة الطرفية، والأجهزة المضمنة، وأجهزة إنترنت الأشياء (IoT)، والمعالجة على الجهاز، وخطوط أنابيب السحابة واسعة النطاق التي تدعم التطبيقات في الوقت الفعلي.

في الاستخدامات الواقعية، لا يكون نشر هذه النماذج سهلًا دائمًا. فغالبًا ما تحتاج إلى العمل بموارد حوسبة محدودة، واستيفاء متطلبات زمن انتقال صارمة، والتوسع من دون زيادة التكاليف زيادة كبيرة. وتجعل هذه القيود الأداء مشكلة متعددة الأبعاد، بدلًا من أن تقتصر على الدقة وحدها.

مع أن الدقة لا تزال مهمة، فمن المهم بالقدر نفسه أن يعمل النموذج بكفاءة في بيئة الإنتاج. وتؤدي 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 مراعاة هذا التوازن. فعلى سبيل المثال، أرست Ultralytics YOLOv8 أساسًا قويًا ومتعدد الاستخدامات، ثم ارتقت Ultralytics YOLO11 بهذا الأساس من خلال تحسين السرعة والدقة، بينما تبني Ultralytics YOLO26 عليه بكونها أخف وأسرع وأكثر كفاءة من أي وقت مضى.

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

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

فهم تطور نماذج Ultralytics YOLO#

قدّم كل إصدار من نماذج Ultralytics YOLO تحسينات لتلبية المتطلبات الواقعية على نحو أفضل وجعل الرؤية الحاسوبية أكثر سهولة. وقد جعلت هذه التحديثات النماذج أسرع وأكثر كفاءة وأسهل في النشر، مما يدعم نمو منظومة ذكاء الرؤية الاصطناعي.

كما أنها مبنية على PyTorch، مما يجعل تدريبها وتخصيصها ودمجها في سير عمل تعلم آلي ذكي أمرًا سهلًا. وتتوفر نماذج Ultralytics YOLO مباشرةً كنماذج مدرّبة مسبقًا، وغالبًا ما تكون مدرّبة على مجموعات بيانات مثل مجموعة بيانات COCO، مما يتيح للفرق البدء بسرعة وضبطها بدقة 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. ويسهّل ذلك دمج النماذج عبر منصات عتادية مختلفة، من الأجهزة الطرفية إلى الأنظمة المسرّعة بواسطة GPU.

من Ultralytics YOLOv5 إلى Ultralytics YOLO26#

أصبح أول نموذج Ultralytics YOLO، وهو Ultralytics YOLOv5، واسع الانتشار بفضل قدراته الموثوقة على اكتشاف الكائنات. وبُني على نهج اكتشاف من مرحلة واحدة، فأتاح تنبؤات سريعة وفي الوقت الفعلي عبر تمريرة واحدة، مما جعله مناسبًا تمامًا لسير عمل الإنتاج.

قدّمت التحديثات اللاحقة إصدارات لا تعتمد على المراسي، إذ يتنبأ النموذج بمواقع الكائنات مباشرةً بدلًا من استخدام مربعات مراسٍ محددة مسبقًا، مما يجعل الاكتشاف أكثر مرونة. ومع ذلك، ظل النموذج الأصلي يركّز أساسًا على مهام اكتشاف الكائنات.

بناءً على هذا الأساس، وسّعت Ultralytics YOLOv8 نطاق عائلة النماذج. فبدلًا من التركيز على اكتشاف الكائنات فقط، أضافت دعمًا لمهام الرؤية الحاسوبية المتعددة، مثل تقسيم الكائنات، وتصنيف الصور، وتقدير الوضعية، واكتشاف مربعات الإحاطة الموجّهة (OBB). كما أدخلت تحسينات معمارية، بما في ذلك تصميمات متقدمة للعمود الفقري والعنق، مما عزز استخراج السمات والأداء العام للاكتشاف.

بالإضافة إلى ذلك، منحت الإصدارات مثل YOLOv8n (Nano) وYOLOv8s (Small) وYOLOv8m (Medium) وYOLOv8l (Large) وYOLOv8x (Extra Large) المطورين مرونة لتحقيق التوازن بين السرعة والدقة واستخدام الموارد وفقًا لاحتياجاتهم. وقد جعلت هذه الإمكانات الأوسع، إلى جانب سهولة الاستخدام، النموذج خيارًا مفضلًا لمجموعة واسعة من تطبيقات الرؤية.

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

بعد ذلك، ركزت Ultralytics YOLO11 على تحسين الأداء في سير العمل الواقعي، وقدمت دقة أعلى إلى جانب سرعات استدلال أكبر. وبفضل بنيتها الأخف، تعمل جيدًا في بيئات الحافة والسحابة على حد سواء، مع توافقها مع خطوط أنابيب YOLOv8 الحالية.

أحدث إضافة إلى عائلة نماذج Ultralytics YOLO، وهي YOLO26، نموذج متطور يضع معيارًا جديدًا لذكاء الرؤية الاصطناعي الذي يضع الحافة أولًا، إذ يقدم نهجًا أخف وأسرع وأكثر كفاءة للنشر الواقعي. وقد صُمم ليعمل بكفاءة على وحدات CPU والأنظمة المضمنة، مع تبسيط النشر وتحسين الأداء في الوقت الفعلي عبر مجموعة واسعة من التطبيقات.

مقارنة YOLO26 مقابل YOLO11 مقابل YOLOv8#

عند العمل على مشاريع الرؤية الحاسوبية، قد تصادف نماذج Ultralytics مختلفة وتتساءل عن النموذج المناسب لمشروعك. فلنستعرض كيفية مقارنة YOLO26 وYOLO11 وYOLOv8 في السيناريوهات الواقعية.

أُطلقت Ultralytics YOLOv8 في عام 2023، واستخدمها مجتمع الرؤية الحاسوبية على نطاق واسع منذ ذلك الحين. وقد جعلها الدعم القوي من المجتمع وسهولة استخدامها نموذجًا مفضلًا للعديد من الفرق في السابق. وإذا كنت تبحث عن نموذج موثق جيدًا، مع مجموعة واسعة من البرامج التعليمية والأدلة وموارد المجتمع، فإن YOLOv8 نقطة بداية ممتازة.

في عام 2024، قُدّمت Ultralytics YOLO11 مع تحسينات في الأداء والكفاءة على حد سواء. فهي توفر سرعة ودقة أفضل مقارنةً بـ YOLOv8، مع الحفاظ على بنية أصغر وأكثر تحسينًا. وهي نموذج أكثر توازنًا، يقدم أداءً موثوقًا في الإنتاج من دون زيادة كبيرة في استخدام الموارد.

هذا العام، أُطلقت Ultralytics YOLO26 بوصفها أحدث إصدار، مع التركيز على النشر الفعال على نطاق واسع. فهي توفر استدلالًا أسرع على CPU وتحسينًا في استخدام الموارد، مما يتيح للفرق تشغيل أعباء عمل أكثر على العتاد نفسه.

فعلى سبيل المثال، يمكن لنموذج Ultralytics YOLO26 nano تحقيق استدلال أسرع بنسبة تصل إلى 43% من YOLO11 على وحدات المعالجة المركزية (CPU)، مما يجعله خيارًا ممتازًا لبيئات الحافة والبيئات محدودة الموارد. ويكتسب ذلك أهمية خاصة 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)

عمومًا، تُعد Ultralytics YOLO26 خيارًا قويًا للفرق والأفراد الذين يتطلعون إلى تحسين الموازنة بين الأداء والتكلفة وقابلية التوسع.

نظرة أقرب على Ultralytics YOLO26#

Ultralytics YOLO26 نموذج متطور مصمم للنشر الواقعي، حيث لا تقل أهمية الكفاءة والسرعة وقابلية التوسع عن الدقة. وبدلًا من التركيز على تحسين أداء المعايير فقط، يقدم تغييرات معمارية وتدريبية تجعل تشغيل النماذج أسهل، ونشرها أسرع، وأداءها أكثر موثوقية عبر بيئات عتادية مختلفة.

وتكتسب هذه التحسينات أهمية خاصة في الأنظمة الطرفية وأنظمة الإنتاج، حيث تؤدي محدودية موارد الحوسبة وقيود زمن الانتقال واعتبارات التكلفة دورًا رئيسيًا. ومن خلال تبسيط الاستدلال وتحسين الأداء، تمكّن Ultralytics YOLO26 المهتمين بالذكاء الاصطناعي من بناء تطبيقات الرؤية وتوسيع نطاقها بكفاءة أكبر.

إليك نظرة أقرب على بعض الميزات الرئيسية في Ultralytics YOLO26:

• استدلال شامل من البداية إلى النهاية بلا NMS: يتمثل أحد التغييرات الأساسية في تصميمها الخالي من كبت غير الأعظم (NMS)، الذي يلغي الحاجة إلى المعالجة اللاحقة. وبعبارة بسيطة، ينتج النموذج التنبؤات النهائية مباشرةً. ونتيجةً لذلك، يصبح زمن الانتقال أكثر قابلية للتنبؤ، ويصبح النشر أسهل.
• إزالة DFL: تبتعد Ultralytics YOLO26 عن وحدة خسارة البؤرة التوزيعية (DFL) وتتجه إلى نهج أبسط للتنبؤ بمربع الإحاطة. ويتوافق هذا التغيير مع تصميمها الشامل من البداية إلى النهاية والخالي من NMS، مما يقلل تعقيد خط الأنابيب ويحسن اتساق النشر.
• مُحسِّن MuSGD: تقدم أحدث نماذج Ultralytics YOLO مُحسِّن MuSGD، وهو مُحسِّن هجين يجمع بين الانحدار المتدرج العشوائي (SGD) وتحديثات مستوحاة من Muon. ويؤدي ذلك إلى تحسين استقرار التدريب والتقارب، مما ينتج عنه تحسين أكثر سلاسة وسلوك أكثر اتساقًا عبر أحجام النماذج المختلفة.
• ProgLoss وSTAL: تجعل ابتكارات التدريب، وهي موازنة الخسارة التقدمية (ProgLoss) وتعيين التسميات المدرك للأهداف الصغيرة (STAL)، النموذج أكثر استقرارًا وموثوقية. تساعد ProgLoss النموذج على التعلم من مجموعات البيانات على مراحل بمرور الوقت، بينما تضمن STAL عدم تجاهل الكائنات الصغيرة أثناء التدريب، مما يحسن الاكتشاف في المشاهد المعقدة.

الدقة مقابل الكفاءة: من المعايير إلى الأداء الواقعي#

لوضع الفروق بين YOLO26 وYOLO11 وYOLOv8 في سياقها، لنتعرف بصورة أفضل إلى العوامل التي تحدد أداء النموذج في الاستخدام الواقعي.

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

ومع ذلك، عندما تنتقل النماذج من الاختبار إلى النشر الواقعي، لا تكفي الدقة وحدها. يعتمد أداء الإنتاج على عوامل مثل حجم النموذج، ووقت الاستدلال أو زمن الانتقال، واستخدام موارد الحوسبة، ومدى قدرة النظام على التوسع عبر البيئات المختلفة.

وعلى خلاف المعايير المضبوطة، غالبًا ما تكون البيئات الواقعية غير متوقعة. فقد تتغير ظروف الإضاءة، وقد تكون الكائنات ظاهرة جزئيًا، وقد تختلف بيانات الإدخال اختلافًا كبيرًا عما دُرّب عليه النموذج. ويمكن أن تؤثر هذه التباينات 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 للبيع بالتجزئة أو مستودع. ويجب معالجة كل تدفق في الوقت الفعلي، مما يتطلب غالبًا معدلات إطارات ثابتة (إطارات في الثانية، أو FPS) لتجنب التأخيرات أو فقدان الإطارات.

يمكن لنموذج أقل كفاءة معالجة عدد أقل من التدفقات المتزامنة على نظام معين، مما يعني أن التوسع يتطلب عادةً عتادًا إضافيًا ويزيد تكاليف البنية التحتية.

يمكن للنماذج الأكثر كفاءة، مثل Ultralytics YOLO26، معالجة تدفقات أكثر على العتاد نفسه، والاستفادة بصورة أفضل من الموارد المتاحة. وهذا يحسن كفاءة النظام الإجمالية ويسهّل توسيع عمليات النشر بمرور الوقت.

للتعمق أكثر في مقارنة YOLO26 وYOLO11 وYOLOv8، راجع وثائق Ultralytics الرسمية.

أهم النقاط المستخلصة#

تطورت سلسلة نماذج Ultralytics YOLO لتلائم احتياجات النشر الواقعي بصورة أفضل. ويبني كل إصدار على الإصدار السابق، مع تركيز متزايد على الكفاءة وقابلية التوسع وسهولة النشر. وبعبارة أخرى، إذا كنت تبني تطبيقًا للاكتشاف في الوقت الفعلي يحتاج إلى العمل بموثوقية على نطاق واسع، فإن Ultralytics YOLO26 خيار مثالي.

هل تتطلع إلى إدخال ذكاء الرؤية الاصطناعي في عملياتك؟ اطّلع على خيارات الترخيص. ويمكنك أيضًا زيارة صفحات حلولنا لمعرفة كيف يُحدث الذكاء الاصطناعي في التصنيع تحولًا في المصانع، وكيف يشكل ذكاء الرؤية الاصطناعي في الروبوتات المستقبل. انضم إلى مجتمعنا المتنامي واستكشف مستودعنا على GitHub للعثور على موارد الذكاء الاصطناعي.