Ultralytics تعيد تعريف أحدث ما توصل إليه الذكاء الاصطناعي للرؤية باستخدام YOLO26

نطلق اليوم رسميًا Ultralytics YOLO26، نموذجنا الجديد الذي يضع معيارًا أساسيًا جديدًا لأحدث مستويات الأداء. قدّمه مؤسسنا ورئيسنا التنفيذي Glenn Jocher لأول مرة في YOLO Vision 2025 (YV25) في لندن، وهو أكثر نماذجنا تقدمًا وقابليةً للنشر حتى الآن.

صُمم YOLO26 ليكون خفيفًا وصغير الحجم وسريعًا، وهُندس ليتلاءم مع البيئات التي تعمل فيها تطبيقات الذكاء الاصطناعي للرؤية في الوقت الفعلي فعليًا في العالم الحقيقي. وبفضل الاستدلال الأصلي من البداية إلى النهاية المدمج مباشرةً في النموذج، يبسّط YOLO26 عملية النشر، ويقلل تعقيد النظام، ويقدم أداءً موثوقًا عبر الأجهزة الطرفية وبيئات الإنتاج واسعة النطاق.

في الواقع، يعمل أصغر إصدار من YOLO26، وهو نموذج nano، بسرعة أكبر تصل إلى 43% على وحدات CPU القياسية، ما يتيح حلول الذكاء الاصطناعي للرؤية في الوقت الفعلي بكفاءة على تطبيقات الأجهزة المحمولة والكاميرات الذكية وغيرها من الأجهزة الطرفية. واستنادًا إلى رؤية Ultralytics الرامية إلى إتاحة إمكانات الذكاء الاصطناعي المؤثرة للرؤية للجميع، يجمع YOLO26 بين أحدث مستويات الأداء والبساطة، ما يجعله سهل الاستخدام والنشر.

مصمم للحقبة التالية من الرؤية الحاسوبية#

تتجاوز الرؤية الحاسوبية السحابة بسرعة. وتتطلب التطبيقات الواقعية بصورة متزايدة استدلالًا في الوقت الفعلي، وزمن استجابة منخفضًا، ومرونة في الأجهزة، وأداءً يمكن التنبؤ به على أجهزة مثل الطائرات المسيّرة والكاميرات والأنظمة المحمولة والمنصات المضمنة.

صُمم YOLO26 خصيصًا لهذا التحول. ومن خلال إعادة التفكير في مسار اكتشاف الكائنات من أساسه، أنشأت Ultralytics بنية نموذج تزيل التعقيد غير الضروري، مع تقديم دقة وسرعة وفق أحدث ما توصلت إليه التقنية.

فعلى سبيل المثال، تعتمد نماذج اكتشاف الكائنات التقليدية من Ultralytics على خطوة إضافية للمعالجة اللاحقة تُسمى قمع غير الأعظم لفلترة التنبؤات المتداخلة بعد الاستدلال. ويلغي YOLO26 هذه الخطوة الإضافية من خلال تمكين الاستدلال الأصلي من البداية إلى النهاية، ما يسمح للنموذج بإنتاج الاكتشافات النهائية مباشرةً. وهذا يتيح نشرًا أسرع وأكثر قابلية للتنبؤ وموثوقيةً في العالم الحقيقي.

لا يُعد YOLO26 تحديثًا تدريجيًا. بل يمثل قفزة هيكلية إلى الأمام في طريقة تدريب Vision AI المخصص لبيئات الإنتاج ونشره وتوسيع نطاقه.

الشكل 1. قياس أداء Ultralytics YOLO26

ما يتيحه YOLO26#

يتمثل أحد الجوانب الرئيسية في YOLO26 في أنه يبني على نقاط قوة النماذج السابقة مثل Ultralytics YOLO11، مع توسيع الإمكانات المتاحة في الرؤية الحاسوبية. ويدعم YOLO26، فور إخراجه من الصندوق، مهام الرؤية الحاسوبية الأساسية نفسها التي يدعمها YOLO11، بما في ذلك اكتشاف الكائنات وتقسيم المثيلات وتصنيف الصور.

الشكل 2. مثال على استخدام YOLO26 لاكتشاف الكائنات في صورة.

كما يواصل دعم تقدير الوضعية، واكتشاف الكائنات باستخدام مربعات الإحاطة الموجهة للصور الجوية وصور الأقمار الصناعية، وتتبع الكائنات عبر تدفقات الفيديو. ومثل YOLO11، يتوفر YOLO26 في خمسة متغيرات للنموذج: Nano (n) وSmall (s) وMedium (m) وLarge (l) وExtra large (x)، ما يمنح المستخدمين خيارات توازن بين السرعة والحجم والدقة.

الميزات الرئيسية في Ultralytics YOLO26#

يتضمن Ultralytics YOLO26 مجموعة من التحسينات المصممة لتعزيز الأداء والموثوقية وسهولة الاستخدام في العالم الحقيقي. فيما يلي لمحة عن الميزات الرئيسية في YOLO26:

• إزالة خسارة التركيز التوزيعية: يزيل YOLO26 خسارة التركيز التوزيعية (DFL)، ما يقلل تعقيد النموذج ويتيح نشرًا أبسط وأكثر توافقًا عبر الأجهزة الطرفية والأجهزة منخفضة الطاقة.
• استدلال من البداية إلى النهاية دون NMS: يلغي YOLO26 أصليًا الحاجة إلى قمع غير الأعظم (NMS)، وهي خطوة تُستخدم عادةً لإزالة التنبؤات المكررة، ما يجعل النشر أبسط وأسرع للاستخدام في الوقت الفعلي.
• موازنة الخسارة التدريجية + STAL: تضبط موازنة الخسارة التدريجية (ProgLoss) وتعيين التسميات الواعي بالأهداف الصغيرة (STAL) طريقة تعلم النموذج أثناء التدريب، ما يتيح اكتشافًا أكثر موثوقية للكائنات الصغيرة والبعيدة في المشاهد المعقدة.
• مُحسِّن MuSGD: يقدّم YOLO26 مُحسِّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي (SGD) والتقنيات المستوحاة من Muon، ما يعزز استقرار التدريب ويتيح تقاربًا أسرع وأكثر اتساقًا.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: يقدم نموذج YOLO26 nano استدلالًا أسرع بنسبة تصل إلى 43% على وحدات CPU القياسية، ما يتيح تشغيل الذكاء الاصطناعي للرؤية في الوقت الفعلي بكفاءة على الأجهزة المحمولة والكاميرات الذكية وغيرها من الأنظمة الطرفية.

وراء الشيفرة: رحلة تطوير Ultralytics YOLO26#

كان تطوير YOLO26 جهدًا جماعيًا تشكل بفضل أبحاث فريقنا والملاحظات التي تلقيناها من المجتمع وشركائنا وعملائنا. وقد سعينا إلى تبسيط البنية، وتحسين الكفاءة، وجعل النموذج أكثر قابلية للتكيف مع الاستخدام في العالم الحقيقي.

وبالحديث عن تلك الرحلة، أوضح Glenn Jocher قائلًا: «كان أحد أكبر التحديات هو التأكد من قدرة المستخدمين على تحقيق أقصى استفادة من YOLO26 مع الاستمرار في تقديم أداء متفوق.» وتبرز رؤيته مبدأً أساسيًا في تصميم YOLO26، وهو إبقاء الذكاء الاصطناعي للرؤية سهل الاستخدام.

وتوسيعًا لهذه الفكرة، أضاف Jing Qiu، مهندس التعلم الآلي الأول لدينا: «كان بناء نموذج Ultralytics YOLO الجديد يدور حول الثبات وعدم التسرع. واصلت التحسين، مع التركيز فقط على تحقيق التوازن بين السرعة والدقة. وعندما اكتمل، كان هناك شعور هادئ بالرضا، إذ أثبت أن الالتزام بالتفاصيل يؤتي ثماره.»

ابدأ البناء باستخدام Ultralytics YOLO26#

سيصبح Ultralytics YOLO26 متاحًا للعامة اعتبارًا من اليوم عبر Ultralytics Platform، مع دعم كامل لسير عمل التدريب والاستدلال والتصدير. ويمكن للمؤسسات التي تنشر YOLO26 في بيئات تجارية أو مغلقة الوصول إلى خيارات ترخيص المؤسسات، التي تشمل دعم النشر في بيئات الإنتاج، والصيانة طويلة الأجل، وعمليات النشر الطرفية القابلة للتوسع.

وكما هو الحال مع نماذجنا السابقة، يحظى النموذج أيضًا بدعم كامل عبر حزمة Ultralytics Python، ما يتيح للمستخدمين البدء فورًا. ويمكن للمستخدمين تدريب YOLO26 والتحقق منه ونشره باستخدام سير العمل السلس نفسه الذي يعرفونه بالفعل، مع الاستفادة من مجموعة من خيارات التصدير مثل ONNX وTensorRT وCoreML وTFLite وOpenVINO وغيرها.

لنبنِ مستقبل الذكاء الاصطناعي للرؤية معًا#

يمثل Ultralytics YOLO26 خطوتنا التالية نحو جعل الذكاء الاصطناعي للرؤية أسرع وأخف وأسهل استخدامًا. لكن هذه ليست سوى البداية.

يأتي التأثير الحقيقي مما ينشئه مجتمع الذكاء الاصطناعي للرؤية باستخدامه. ونتطلع إلى رؤية ابتكاراتكم ومواصلة تشكيل مستقبل الرؤية الحاسوبية معًا.

تواصل مع مجتمعنا واستكشف مستودعنا على GitHub للتعمق في الذكاء الاصطناعي. واكتشف حلولًا صناعية مثل الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الخدمات اللوجستية، واطّلع على خيارات الترخيص لدينا، وابدأ البناء باستخدام الرؤية الحاسوبية اليوم.