لماذا يستغني Ultralytics YOLO26 عن NMS وكيف يغيّر ذلك النشر

في 14 يناير 2026، أطلقنا Ultralytics YOLO26، أحدث جيل من نماذج الرؤية الحاسوبية لدينا. لم يكن هدفنا مع YOLO26 مجرد تحسين الدقة أو السرعة، بل إعادة التفكير في كيفية بناء نماذج اكتشاف الأجسام ونشرها في الأنظمة الواقعية.

مع انتقال الرؤية الحاسوبية من البحث إلى الإنتاج، يُتوقع بصورة متزايدة تشغيل النماذج على وحدات CPU والأجهزة الطرفية والكاميرات والروبوتات والأجهزة المضمنة. وفي هذه البيئات، لا تقل أهمية الموثوقية وزمن الاستجابة المنخفض وسهولة النشر عن أهمية الأداء.

صُمم Ultralytics YOLO26 مع مراعاة هذا الواقع، ويستخدم بنية متكاملة مبسطة تزيل التعقيد غير الضروري من مسار الاستدلال. ومن أهم الابتكارات في YOLO26 إتاحة إزالة كبت الصناديق غير القصوى، المعروف اختصارًا باسم NMS.

لسنوات، كان NMS جزءًا قياسيًا من أنظمة كشف الأجسام، إذ يُستخدم كخطوة معالجة لاحقة لإزالة الاكتشافات المكررة. وعلى الرغم من فعاليته، فقد أضاف أيضًا عمليات حسابية وتحديات في النشر، خصوصًا على الأجهزة الطرفية.

اتبعنا نهجًا مختلفًا مع YOLO26. فمن خلال إعادة التفكير في كيفية إنشاء التنبؤات والتدريب عليها، أتحنا استدلالًا حقيقيًا شاملًا من البداية إلى النهاية وخاليًا من NMS. ينتج النموذج الاكتشافات النهائية مباشرةً، من دون الاعتماد على خطوات تنظيف خارجية أو قواعد مصممة يدويًا. وهذا يجعل YOLO26 أسرع، وأسهل في التصدير، وأكثر موثوقية عند نشره عبر مجموعة واسعة من المنصات العتادية.

الشكل 1. كشف الأجسام في صورة باستخدام Ultralytics YOLO26.

سنلقي في هذا المقال نظرة أقرب على أسباب اعتماد اكتشاف الأجسام التقليدي على NMS، وكيف أصبح عنق زجاجة عند النشر، وكيف يلغي Ultralytics YOLO26 الحاجة إلى الحلول الالتفافية.

ينتج كشف الأجسام التقليدي اكتشافات مكررة#

قبل أن نتعمق في ماهية NMS وسبب إزالته في Ultralytics YOLO26، دعونا نتراجع قليلًا ونلقي نظرة على كيفية إنشاء نماذج كشف الأجسام التقليدية لتنبؤاتها.

غالبًا ما تنتج نماذج كشف الأجسام التقليدية عدة مربعات إحاطة متداخلة للجسم نفسه. ويأتي كل مربع من هذه المربعات مصحوبًا بدرجة ثقة خاصة به، رغم أنها تشير جميعًا إلى الجسم نفسه في الصورة.

يحدث ذلك لعدة أسباب. أولًا، يُجري النموذج تنبؤات في مواقع مكانية كثيرة وعلى مقاييس مختلفة في الوقت نفسه. يساعد ذلك النموذج على كشف الأجسام ذات الأحجام المختلفة، لكنه يعني أيضًا أن المواقع المتجاورة قد تحدد الجسم نفسه كلٌّ على حدة.

ثانيًا، تستخدم كثير من أنظمة كشف الأجسام أساليب قائمة على المراسي، تنشئ عددًا كبيرًا من المربعات المرشحة حول كل موقع. وعلى الرغم من أن ذلك يزيد فرصة العثور على الأجسام بدقة، فإنه يزيد أيضًا عدد التنبؤات المتداخلة.

وأخيرًا، يؤدي الكشف القائم على الشبكة بطبيعته إلى التكرار. فعندما يقع جسم قرب حدود عدة خلايا في الشبكة، قد تتنبأ عدة خلايا بمربع لذلك الجسم، مما ينتج عنه اكتشافات متداخلة متعددة.

لذلك، غالبًا ما يتضمن الإخراج الخام للنموذج عدة مربعات لجسم واحد. ولجعل النتائج قابلة للاستخدام، ينبغي تصفية هذه التنبؤات الزائدة بحيث لا يبقى سوى اكتشاف نهائي واحد.

فهم قمع غير الأعظميات#

عندما ينتج نموذج كشف الأجسام عدة مربعات إحاطة متداخلة للجسم نفسه، يجب تنقية هذه النتائج قبل استخدامها. وهنا تُطبّق عملية قمع غير الأعظميات.

قمع غير الأعظميات هو خطوة معالجة لاحقة تُنفذ بعد أن ينتهي النموذج من إجراء تنبؤاته. وتهدف هذه الخطوة إلى تقليل الاكتشافات المكررة بحيث يمثّل كل جسم مربع إحاطة نهائي واحد.

الشكل 2. نظرة عامة على NMS. الصورة من إعداد المؤلف.

تعمل العملية بمقارنة مربعات الإحاطة استنادًا إلى درجات الثقة ومقدار التداخل بينها. وتُزال أولًا التنبؤات ذات درجات الثقة المنخفضة جدًا.

ثم تُرتب المربعات المتبقية حسب درجة الثقة، ويُختار المربع ذو أعلى درجة باعتباره أفضل اكتشاف. ويُقارن هذا المربع المحدد بالمربعات الأخرى.

إذا تداخل مربع آخر معه بدرجة كبيرة، يُقمع ذلك المربع ويُزال. ويُقاس التداخل عادةً باستخدام التقاطع على الاتحاد، وهو مقياس يحسب نسبة المساحة المشتركة بين مربعين إلى إجمالي المساحة التي يغطيها كلاهما. وتتكرر هذه العملية حتى لا تبقى سوى الاكتشافات الأعلى ثقة وغير المتداخلة.

لماذا يعقّد NMS عملية النشر#

على الرغم من أن قمع غير الأعظميات يساعد على تصفية الاكتشافات المكررة، فإنه يطرح أيضًا تحديات تصبح أوضح عند انتقال النماذج من البحث إلى النشر في العالم الحقيقي.

يُعد الأداء من أكبر المشكلات. إذ يُنفذ NMS بعد الاستدلال، ويتطلب مقارنة مربعات الإحاطة بعضها ببعض لتحديد المربعات التي ينبغي الإبقاء عليها.

تتطلب هذه العملية قدرًا كبيرًا من الحوسبة ويصعب تنفيذها بالتوازي بكفاءة. وعلى الأجهزة الطرفية والأنظمة القائمة على وحدات CPU، قد يضيف هذا العمل الإضافي زمن استجابة ملحوظًا، مما يصعّب تلبية متطلبات الوقت الفعلي.

يزيد NMS أيضًا تعقيد النشر. ولأنه ليس جزءًا من النموذج نفسه، يجب تنفيذه بصورة منفصلة في شيفرة المعالجة اللاحقة.

تتعامل بيئات التشغيل والمنصات المختلفة مع NMS بطرق مختلفة، ما يعني غالبًا صيانة تطبيقات مخصصة لكل بيئة مستهدفة. وقد يختلف سلوك ما يعمل في إعداد معين قليلًا في إعداد آخر، مما يجعل النشر أقل متانة وأصعب في التوسع.

يمثل تحسين الأداء للأجهزة تحديًا آخر. فلا يتوافق NMS بسلاسة مع مسرّعات الذكاء الاصطناعي المتخصصة المصممة لتنفيذ عمليات الشبكات العصبية بكفاءة. ونتيجة لذلك، حتى عندما يعمل النموذج بسرعة على أجهزة محسّنة، قد يصبح NMS عنق زجاجة يحد من الأداء الإجمالي.

إضافةً إلى هذه العوامل، يعتمد NMS على معلمات تُختار يدويًا، مثل حدود الثقة وحدود التداخل. وقد تؤثر هذه الإعدادات كثيرًا في النتائج، وغالبًا ما يلزم ضبطها لتناسب مجموعات بيانات أو تطبيقات أو أجهزة مختلفة. وهذا يجعل السلوك أقل قابلية للتنبؤ في أنظمة الإنتاج ويضيف عبئًا إضافيًا على الإعداد.

شرح الاستدلال الشامل من البداية إلى النهاية لكشف الأجسام#

دفعتنا قيود قمع غير الأعظميات إلى إعادة التفكير في السلوك الذي ينبغي أن تتبعه نماذج كشف الأجسام وقت الاستدلال. وبدلًا من إنشاء تنبؤات متداخلة كثيرة ثم تنقيتها لاحقًا، طرحنا سؤالًا أكثر جوهرية.

ماذا لو أمكن للنموذج إنتاج الاكتشافات النهائية مباشرةً؟ يقع هذا السؤال في صميم الاستدلال الشامل من البداية إلى النهاية لكشف الأجسام. ففي النظام الشامل، يُدرّب النموذج على معالجة عملية الكشف بأكملها من البداية إلى النهاية، من دون الاعتماد على خطوات تنظيف خارجية.

بدلًا من إنتاج العديد من المربعات المرشحة وتصفيتها بعد الاستدلال، يتعلم النموذج إنشاء مجموعة صغيرة من التنبؤات الواثقة وغير المتداخلة بنفسه. وتُعالج الاكتشافات المكررة داخل الشبكة بدلًا من إزالتها في مرحلة المعالجة اللاحقة.

أثبتت معماريات النماذج الأحدث أن هذا النهج ممكن وعملي. وباستراتيجية التدريب المناسبة، أمكن للنماذج تعلم ربط كل جسم بتنبؤ واحد بدلًا من تنبؤات كثيرة متنافسة، مما يقلل التكرار من مصدره.

الشكل 3. مثال على كشف الأجسام باستخدام Ultralytics YOLO26.

ولكي ينجح ذلك، يجب أن يتغير التدريب أيضًا. فبدلًا من السماح لعدة تنبؤات بالتنافس على الجسم نفسه، يتعلم النموذج اتخاذ قرار واضح واحد، مما ينتج اكتشافات أقل وأكثر ثقة.

والنتيجة الإجمالية هي مسار استدلال أبسط. ولأن التكرارات تُعالج داخليًا بالفعل، فلا حاجة إلى قمع غير الأعظميات وقت الاستدلال. إذ يكون إخراج النموذج هو مجموعة الاكتشافات النهائية بالفعل.

كما يجعل هذا التصميم الشامل النشر أسهل. فمن دون خطوات معالجة لاحقة أو تطبيقات NMS خاصة بالمنصات، يصبح النموذج المُصدّر مكتفيًا ذاتيًا بالكامل ويعمل بصورة متسقة عبر أطر الاستدلال المختلفة والأجهزة المستهدفة.

وكما يوضح فرانشيسكو ماتيولي، مهندس الشراكات الرئيسي لدينا: «يعني التعلم الشامل الحقيقي أن يتولى النموذج كل شيء، من وحدات البكسل إلى التنبؤات، من دون خطوات معالجة لاحقة مصممة يدويًا تعطل قابلية الاشتقاق وتعقّد النشر».

كيف يزيل Ultralytics YOLO26 تقنية NMS#

يزيل Ultralytics YOLO26 قمع غير الأعظميات بتغيير طريقة تعلم الاكتشافات وإنتاجها، بدلًا من الاعتماد على المعالجة اللاحقة لتنقيتها. فبدلًا من السماح لعدة تنبؤات بالتنافس على الجسم نفسه، يُدرّب YOLO26 على تعلم علاقة واضحة أحادية التعيين بين الأجسام والمخرجات.

ويتحقق ذلك جزئيًا بفضل رأس اكتشاف مخصص من نوع واحد إلى واحد، يُدرّب بالتوازي مع رأس تقليدي من نوع واحد إلى متعدد، ما يساعد النموذج على التركيز على إنتاج تنبؤ واحد موثوق لكل جسم بدلًا من العديد من المرشحين المتداخلين. ويرتبط كل جسم بتنبؤ واحد، ما يقلل الاكتشافات المكررة تلقائيًا.

ويُعزّز هذا السلوك عبر استراتيجيات مطابقة متسقة أثناء التدريب، تشجع النموذج على اتخاذ قرار واثق واحد لكل جسم بدلًا من إنشاء تنبؤات متداخلة. وفي النهاية، ينتج النموذج تنبؤات أقل، لكن كل تنبؤ منها يمثل اكتشافًا نهائيًا.

لماذا أتاح حذف DFL الكشف الخالي من NMS#

ومن الابتكارات المهمة الأخرى التي تتيح الاستدلال الخالي من NMS في Ultralytics YOLO26 إزالة دالة خسارة التركيز التوزيعي، أو DFL. في نماذج YOLO الأقدم، استُخدمت DFL لتحسين انحدار مربعات الإحاطة عبر التنبؤ بتوزيع لمواقع المربعات المحتملة بدلًا من قيمة واحدة.

على الرغم من أن هذا النهج حسّن دقة تحديد المواقع، فقد أضاف أيضًا تعقيدًا إلى مسار الكشف. وأصبح هذا التعقيد قيدًا عند الانتقال نحو الاستدلال الشامل الحقيقي.

أضافت DFL عمليات حسابية إضافية ونطاقات انحدار ثابتة، مما صعّب على النموذج تعلم إسناد الأجسام بصورة واضحة وأحادية، وزاد الاعتماد على خطوات المعالجة اللاحقة مثل قمع غير الأعظميات. أزلنا DFL في Ultralytics YOLO26 وأعدنا تصميم انحدار مربعات الإحاطة ليكون أبسط وأكثر مباشرة.

بدلًا من الاعتماد على مخرجات قائمة على التوزيع، يتعلم النموذج التنبؤ بإحداثيات مربعات دقيقة بطريقة تدعم عددًا أقل من الاكتشافات الأكثر ثقة. ويساعد هذا التغيير على تقليل التنبؤات المتداخلة من مصدرها، كما ينسجم انحدار مربعات الإحاطة مع تصميم Ultralytics YOLO26 الشامل والخالي من NMS.

Ultralytics YOLO26 خالٍ من NMS وسهل النشر#

يجعل التصميم الخالي من NMS من Ultralytics YOLO26 نموذجًا شاملًا حقيقيًا من البداية إلى النهاية. ولهذا أثر مهم في تصدير النماذج.

يعني التصدير تحويل نموذج مدرّب إلى تنسيق يمكن تشغيله خارج بيئة التدريب، مثل ONNX أو TensorRT أو CoreML أو OpenVINO. وفي مسارات العمل التقليدية، كثيرًا ما تتعطل هذه العملية لأن قمع غير الأعظميات ليس جزءًا من النموذج نفسه.

بإزالة NMS، يتجنب Ultralytics YOLO26 هذه المشكلة تمامًا. ويتضمن النموذج المُصدّر كل ما يلزم لإنتاج الاكتشافات النهائية. وفي إصدارات Ultralytics الحالية، يمكنك تحديد رأس الواحد إلى الواحد الخالي من NMS باستخدام nms=False عند إجراء التنبؤ أو التحقق أو التصدير، بينما يظل رأس الواحد إلى المتعدد الافتراضي مع NMS متاحًا لتحقيق دقة أعلى قليلًا؛ ويوضح دليل الاكتشاف من البداية إلى النهاية كلا الخيارين.

وهذا يجعل النموذج المُصدّر مكتفيًا ذاتيًا بالكامل وأكثر قابلية للنقل بين أطر الاستدلال والأجهزة المستهدفة. ويعمل النموذج نفسه بصورة متسقة سواء نُشر على الخوادم أو الأنظمة التي تستخدم وحدات CPU فقط أو الأجهزة المضمنة أو المسرّعات الطرفية. ويصبح النشر أبسط، لأن ما تصدّره هو ما تشغّله بالضبط.

تكتسب هذه البساطة أهمية خاصة في التطبيقات الطرفية. فعلى سبيل المثال، يمكن نشر YOLO26 بسهولة على أجهزة مثل الطائرات المسيّرة لاستخدامها في تطبيقات مثل مراقبة المحاصيل وفحص الحقول وتحليل صحة النباتات، حيث تجعل قيود موارد الحوسبة والطاقة مسارات المعالجة اللاحقة المعقدة غير عملية. ولأن النموذج يُخرج الاكتشافات النهائية مباشرةً، فإنه يعمل بموثوقية على الأجهزة خفيفة الوزن من دون خطوات معالجة إضافية.

الشكل 4. يسهل نشر Ultralytics YOLO26 على الأجهزة الطرفية مثل الطائرات المسيّرة.

باختصار، يزيل الاستدلال الخالي من NMS العقبات أمام التصدير والنشر، ويتيح بناء أنظمة رؤية أنظف وأكثر موثوقية. كان NMS حلًا التفافيًا. ولم يعد Ultralytics YOLO26 بحاجة إلى حلول التفافية.

أبرز النقاط#

يمكن لـ Ultralytics YOLO26 إزالة كبت الصناديق غير القصوى عبر حل المشكلة الأساسية المتمثلة في الاكتشافات المكررة، بدلًا من معالجتها بعد حدوثها. ويسمح تصميمه المتكامل بإنتاج الاكتشافات النهائية مباشرةً، ما يجعل التصدير والنشر أبسط وأكثر اتساقًا عبر مختلف الأجهزة. وكان NMS حلًا التفافيًا مفيدًا للأنظمة السابقة، لكن YOLO26 لم يعد بحاجة إليه.

انضم إلى مجتمعنا وتفقّد مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. استكشف صفحات حلولنا حول الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في قطاع التجزئة. تعرّف على خيارات الترخيص وابدأ اليوم باستخدام الذكاء الاصطناعي للرؤية!