Ultralytics تعيد تعريف ذكاء الرؤية الاصطناعي المتطور باستخدام YOLO26
اكتشف كيف تضع Ultralytics YOLO26 معياراً جديداً لذكاء الرؤية الاصطناعي من حيث السرعة والبساطة وقابلية النشر في العالم الحقيقي، بدءاً من الأجهزة الطرفية وصولاً إلى الخوادم واسعة النطاق.
اليوم، نُطلق رسمياً Ultralytics YOLO26، نموذجنا الجديد الذي يضع معياراً أساسياً جديداً للأداء المتطور. قُدّم لأول مرة من قِبل مؤسسنا والرئيس التنفيذي، Glenn Jocher، في مؤتمر YOLO Vision 2025 (YV25) في لندن، وهو نموذجنا الأكثر تقدمًا وقابلية للنشر حتى الآن.
تم تصميم YOLO26 ليكون خفيف الوزن وصغيراً وسريعاً، وهو مصمم خصيصاً للمواقع التي تعمل فيها تطبيقات رؤية الذكاء الاصطناعي في الوقت الفعلي في العالم الحقيقي. من خلال الاستدلال الأصلي الشامل (end-to-end) المدمج مباشرة في النموذج، يعمل YOLO26 على تبسيط عملية النشر، وتقليل تعقيد النظام، وتوفير أداء موثوق عبر أجهزة الحافة (edge devices) وبيئات الإنتاج واسعة النطاق.
في الواقع، فإن أصغر إصدار من YOLO26، وهو نموذج النانو (nano)، يعمل بسرعة أسرع بنسبة تصل إلى 43% على وحدات المعالجة المركزية (CPUs) القياسية، مما يتيح حلول رؤية حاسوبية في الوقت الفعلي بكفاءة على تطبيقات الأجهزة المحمولة، والكاميرات الذكية، وغيرها من أجهزة الحافة (edge devices). بُني نموذج YOLO26 بناءً على رؤية Ultralytics لجعل إمكانيات الرؤية الحاسوبية المؤثرة في متناول الجميع، حيث يجمع بين الأداء المتطور والبساطة، مما يجعله سهلاً في الاستخدام والنشر.
بني من أجل الحقبة القادمة من الرؤية الحاسوبية#
تنتقل الرؤية الحاسوبية بسرعة إلى ما وراء السحابة. تتطلب التطبيقات الواقعية بشكل متزايد الاستدلال في الوقت الفعلي، وزمن الوصول المنخفض، والمرونة في الأجهزة، والأداء المتوقع على أجهزة مثل الطائرات بدون طيار، والكاميرات، والأنظمة المحمولة، والمنصات المدمجة.
بُني YOLO26 خصيصاً لهذه النقلة. من خلال إعادة التفكير في خط أنابيب اكتشاف الكائنات من الأساس، أنشأت Ultralytics بنية نموذجية تزيل التعقيد غير الضروري مع تقديم دقة وسرعة متطورتين.
على سبيل المثال، تعتمد نماذج اكتشاف الكائنات التقليدية من Ultralytics على خطوة معالجة لاحقة إضافية تسمى Non-Maximum Suppression لتصفية التنبؤات المتداخلة بعد الاستدلال. يلغي YOLO26 هذه الخطوة الإضافية من خلال تمكين الاستدلال الشامل (end-to-end) الأصلي، مما يسمح للنموذج إنتاج عمليات الاكتشاف النهائية مباشرة. إنه يتيح عملية نشر واقعية أسرع وأكثر قابلية للتنبؤ وأكثر موثوقية.
YOLO26 ليس تحديثاً تدريجياً. إنه يمثل قفزة هيكلية إلى الأمام في كيفية تدريب ونشر وتوسيع نطاق ذكاء الرؤية الاصطناعي بمستوى الإنتاج.
الشكل 1. قياس أداء Ultralytics YOLO26
ما يجعله YOLO26 ممكناً#
أحد الجوانب الرئيسية لـ YOLO26 هو كيفية اعتماده على نقاط القوة في النماذج السابقة مثل Ultralytics YOLO11 مع توسيع نطاق ما يمكن تحقيقه باستخدام الرؤية الحاسوبية. يدعم YOLO26 خارج الصندوق نفس مهام الرؤية الحاسوبية الأساسية مثل YOLO11، بما في ذلك اكتشاف الكائنات، وتقسيم المثيلات (instance segmentation)، وتصنيف الصور.
الشكل 2. مثال على استخدام YOLO26 لاكتشاف الكائنات في صورة.
كما يستمر في دعم تقدير الوضعية، واكتشاف الكائنات بالمربعات المحيطة الموجهة للصور الجوية والأقمار الصناعية، وتتبع الكائنات عبر تدفقات الفيديو. مثل YOLO11، يتوفر YOLO26 في خمسة إصدارات للنموذج، وهي Nano (n)، وSmall (s)، وMedium (m)، وLarge (l)، وExtra large (x)، مما يمنح المستخدمين خيارات توازن بين السرعة والحجم والدقة.
الميزات الرئيسية لـ Ultralytics YOLO26#
يتضمن Ultralytics YOLO26 مجموعة من التطورات المصممة لتعزيز الأداء والموثوقية وقابلية الاستخدام في العالم الحقيقي. إليك لمحة عن الميزات الرئيسية لـ YOLO26:
- إزالة Distribution Focal Loss: يزيل YOLO26 تقنية Distribution Focal Loss (DFL)، مما يقلل من تعقيد النموذج ويدفع نحو نشر أبسط وأكثر توافقاً عبر أجهزة الحافة والأجهزة منخفضة الطاقة.
- استدلال شامل (end-to-end) بدون NMS: يلغي YOLO26 أصلاً الحاجة إلى Non-Maximum Suppression (NMS)، وهي خطوة تستخدم عادةً لإزالة التنبؤات المكررة، مما يجعل النشر أبسط وأسرع للاستخدام في الوقت الفعلي.
- موازنة الخسارة التدريجية + STAL: تقوم موازنة الخسارة التدريجية (ProgLoss) وتعيين التسميات المدرك للأهداف الصغيرة (STAL) بضبط كيفية تعلم النموذج أثناء التدريب، مما يتيح اكتشافاً أكثر موثوقية للأجسام الصغيرة والبعيدة في المشاهد المعقدة.
- مُحسِّن MuSGD: يقدم YOLO26 مُحسِّن MuSGD، وهو مزيج من Stochastic Gradient Descent (SGD) وتقنيات مستوحاة من Muon، مما يعزز استقرار التدريب ويتيح تقارباً أسرع وأكثر اتساقاً.
- استدلال أسرع بما يصل إلى 43% على وحدة المعالجة المركزية (CPU): يوفر نموذج YOLO26 nano استدلالاً أسرع بما يصل إلى 43% على وحدات المعالجة المركزية (CPUs) القياسية، مما يتيح رؤية ذكاء اصطناعي فعالة في الوقت الفعلي على أجهزة الجوال والكاميرات الذكية وأنظمة الحافة الأخرى.
خلف الكود: رحلة الوصول إلى Ultralytics YOLO26#
كان تطوير YOLO26 جهداً جماعياً صاغته أبحاث فريقنا والتعليقات التي تلقيناها من المجتمع وشركائنا وعملائنا. لقد شرعنا في تبسيط البنية، وتحسين الكفاءة، وجعل النموذج أكثر قابلية للتكيف للاستخدام في العالم الحقيقي.
في معرض تأمله لتلك الرحلة، أوضح Glenn Jocher قائلاً: "كان أحد أكبر التحديات هو التأكد من أن المستخدمين يمكنهم الحصول على أقصى استفادة من YOLO26 مع الاستمرار في تقديم أفضل أداء". تسلط وجهة نظره الضوء على مبدأ تصميم أساسي لـ YOLO26: الحفاظ على سهولة استخدام رؤية الذكاء الاصطناعي.
استكمالاً لهذه الفكرة، أضاف Jing Qiu، مهندس تعلم الآلة الأول لدينا قائلاً: "كان بناء نموذج Ultralytics YOLO الجديد يتعلق بالحفاظ على الثبات ودون تسرع. واصلت التحسين، مرتكزا فقط على توازن السرعة والدقة. وعندما تماسك معاً، كان شعوراً بالرضا الهادئ - دليل على أن الالتزام بالتفاصيل يأتي بنتيجة."
ابدأ البناء باستخدام Ultralytics YOLO26#
سيكون Ultralytics YOLO26 متاحاً للعامة بدءاً من اليوم من خلال منصة Ultralytics مع دعم كامل عبر التدريب، والاستدلال، وتدفقات عمل التصدير. يمكن للمؤسسات التي تنشر YOLO26 في بيئات تجارية أو مغلقة الوصول إلى خيارات ترخيص المؤسسات، والتي تتضمن دعمًا لنشر الإنتاج، والصيانة على المدى الطويل، وعمليات نشر الحافة القابلة للتطوير.
مثل نماذجنا السابقة، فإنه مدعوم بالكامل أيضًا من خلال حزمة Python من Ultralytics، مما يتيح للمستخدمين البدء فوراً. يمكن للمستخدمين تدريب والتحقق من صحة ونشر YOLO26 بنفس تدفق العمل المبسط الذي يعرفونه بالفعل، مع الاستفادة من مجموعة من خيارات التصدير مثل ONNX وTensorRT وCoreML وTFLite وOpenVINO والمزيد.
دعونا نبني مستقبل رؤية الذكاء الاصطناعي معاً#
يمثل Ultralytics YOLO26 خطوتنا التالية في جعل رؤية الذكاء الاصطناعي أسرع وأخف وأسهل في الاستخدام. لكن هذه مجرد بداية.
التأثير الحقيقي يأتي مما يبدعه مجتمع رؤية الذكاء الاصطناعي به. نتطلع إلى رؤية ابتكاراتكم ومواصلة تشكيل مستقبل الرؤية الحاسوبية معاً.
تواصل مع مجتمعنا واستكشف مستودع GitHub الخاص بنا للتعمق أكثر في الذكاء الاصطناعي. اكتشف حلول الصناعة مثل الذكاء الاصطناعي في الروبوتات والرؤية الحاسوبية في الخدمات اللوجستية، واطلع على خيارات الترخيص الخاصة بنا، وابدأ البناء باستخدام الرؤية الحاسوبية اليوم.
