🤖 AI

YOLO26: An Analysis of NMS-Free End to End Framework for Real-Time Object Detection

تقدم هذه الورقة تحليلاً شاملاً لـ YOLO26، وهو إطار عمل لكشف الأشياء من طرف إلى طرف وخالٍ من تقنية NMS، يستفيد من آليات مبتكرة مثل MuSGD وSTAL وProgLoss لتحقيق أداء في الوقت الفعلي وتقليل زمن التأخير مع قياس مقايضات السرعة والدقة مقابل بنيات CNN وTransformer الحديثة على مجموعة بيانات COCO.

المؤلفون الأصليون: Sudip Chakrabarty

نُشر 2026-03-19

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sudip Chakrabarty

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تدير نقطة تفتيش أمنية مزدحمة في مطار. مهمتك هي رصد كل شخص يحمل غرضاً محظوراً وسط حشد من الآلاف.

لسنوات، كانت الطريقة القياسية للقيام بذلك (باستخدام نماذج "YOLO" القديمة) عملية من خطوتين:

الماسح الضوئي: تلتقط كاميرا سريعة صورة وتشير إلى العديد من الأماكن المحتملة لوجود شخص سيء؛ قد تشير إلى نفس الشخص خمس مرات بصناديق مختلفة قليلاً حوله.
المشرف (NMS): يتعين على مشرف بشري الوقوف هناك ليقول: "حسناً، توقف عن الإشارة إلى نفس الشخص خمس مرات. اختر أفضل صندوق وتجاهل الباقي". هذه الخطوة بطيئة، وتصاب بالارتباك عندما يكون الحشد كثيفاً، وتستغرق وقتاً إضافياً لاتخاذ القرار.

YOLO26 يشبه توظيف حارس أمن فائق الذكاء والسرعة لا يحتاج إلى مشرف. ينظر إلى الحشد ويشير إلى صندوق واحد مثالي حول كل شخص فوراً. لا مجال للتردد أو التساؤل مثل "انتظر، دعني أتحقق من ذلك مرة أخرى".

إليك تفصيل كيفية عمل هذا النظام الجديد، باستخدام تشبيهات بسيطة:

1. ثورة "بلا مشرف" (NMS-Free)

في الأيام الخوالي، كان على الكمبيوتر القيام بخطوة "القمع غير الأقصى" (Non-Maximum Suppression - NMS). فكر في هذا كمعلم يصحح اختباراً حيث قام طالب بدائرة حول خمس إجابات لسؤال واحد؛ يتعين على المعلم مسح أربع منها والإبقاء على الأفضل. هذا يستغرق وقتاً ويختلف باختلاف عدد الطلاب في الفصل.

YOLO26 يغير القواعد. فهو يدرب الكمبيوتر على رسم دائرة حول الإجابة الواحدة الصحيحة منذ البداية. الأمر يشبه تدريب الطالب على عدم ارتكاب الخطأ من الأساس.

النتيجة: لا يحتاج الكمبيوتر للتوقف والتفكير "أي صندوق هو الأفضل؟" بل يعطي الإجابة فوراً. وهذا يجعله سريعاً للغاية، خاصة على الأجهزة الصغيرة مثل الطائرات بدون طيار (الدرونز) أو الهواتف.

2. "المعلم الذكي" (محسن MuSGD)

تدريب كمبيوتر ليكون بهذا الذكاء أمر صعب. إذا علمت الطالب بسرعة كبيرة فسيصاب بالارتباك، وإذا علمته ببطء شديد فسيشعر بالملل.

الطريقة القديمة: استخدمت طريقة "عشوائية" قياسية، مثل معلم يربت عشوائياً على أكتاف الطلاب ليرى من منهم يعرف الإجابة.
الطريقة الجديدة (MuSGD): تشبه مدرساً خصوصياً عبقرياً يعرف بالضبط كيف يعيد ترتيب خلايا دماغ الطالب ليتعلم بشكل أسره. إنه يستخدم خدعة رياضية خاصة (مستوحاة من كيفية كتابة الذكاء الاصطناعي للشعر) لضمان تعلم الكمبيوتر للأنماط الصحيحة دون أن يعلق أو يرتبك. إنه الفرق بين فصل دراسي فوضوي وأوركسترا منظمة بدقة.

3. "العدسة المكبرة" للأشياء الصغيرة (STAL)

غال $\text{ب}$ كاميرات المراقبة القديمة تفقد الأشياء الصغيرة، مثل سكين صغير في جيب، لأنها كانت صارمة جداً بشأن مدى كبر حجم "الشخص السيئ" الذي يجب أن يكون موجوداً.

المشكلة: إذا كان الشيء الصغير يمثل 1% فقط من الشاشة، فإن النظام القديم يقول: "هذا صغير جداً ليكون مهماً"، ويتجاهله.
الحل (STAL): يمتلك YOLO26 "عدسة مكبرة ذكية". فهو يدرك: "مهلاً، هذا جسم صغير، لذا يجب أن أكون أكثر تسامحاً وأن أنظر عن كثب". إنه يعدل توقعاته بناءً على حجم الجسم، مما يضمن عدم تفويت الأشياء الصغيرة المهمة.

4. "المدرب الديناميكي" (ProgLoss)

تخيل تدريب رياضي.

المرحلة الأولى (التدريب المبكر): تقول له: "فقط اركض! لا تقلق بشأن وضعية جسمك الآن". (التركيز على معرفة ماهية الشيء).
المرحلة الثانية (التدريب المتأخر): الآن بعد أن أصبح قادراً على الجري، تقول له: "حسناً، لنقم الآن بتعديل وضعية جريك لتصبح مثالية". (التركيز على تحديد مكان الشيء بدقة).
الحل (ProgLoss): يستخدم YOLO26 مدرباً ينتقل تلقائياً من "المرحلة 1" إلى "المرحلة 2" في اللحظة المثالية. إنه لا يحاول القيام بالاثنين معاً، مما يمنع الكمبيوتر من الشعور بالإرهاق.

5. لماذا يهم هذا "أجهزة الحافة" (سد "فجوة التصدير")

هذه هي أكبر مشكلة في الذكاء الاصطناعي القديم: إنه يعمل بشكل رائع على كمبيوتر خارق ضخم وغالي الثمن في المختبر، ولكن عندما تحاول وضعه على شريحة صغيرة ورخيصة في سيارة ذاتية القيادة أو جهاز طبي، فإنه يتباطأ أو يتعطل. وهذا ما يسمى بـ "فجوة التصدير" (Export Gap).

المشكلة القديمة: كانت النماذج القديمة تستخدم رياضيات معقدة (مثل حساب الاحتمالات لكل رقم) وهو أمر سهل للحاسوب الخارق ولكنه مستحيل على شريحة صغيرة القيام به بسرعة.
حل YOLO26: لقد جردوا هذا النموذج من كل تلك الرياضيات الضخمة والمعقدة. إنه يستخدم "الانحدار المباشر" (Direct Regression)، وهو يشبه إعطاء أمر بسيط ومباشر ("اذهب يساراً") بدلاً من عملية حسابية معقدة ("احسب سرعة الرياح، والاحتكاك، والزاوية، ثم اذهب يسلاً").
الفائدة: إنه يعمل بنفس السرعة على شريحة بقيمة 50 دولاراً كما يعمل على خادم بقيمة 5000 دولار. إنه يمنحك زمن استجابة حتمي (Deterministic Latency)، مما يعني أنك تعرف بالضبط كم من الوقت سيستغرق اتخاذ القرار، في كل مرة. وهذا أمر بالغ الأهمية للسلامة؛ فإذا كانت سيارة ذاتية القيادة تضغط على المكابح، فلا يمكنها الانتظار حتى "يفكر" الكمبيوتر لثانية إضافية.

6. "العصا السحرية" (Open-Vocabulary)

أخيراً، يمتلك YOLO26 وضعاً خاصاً يسمى YOLOE-26.

الطريقة القديمة: كان عليك تدريب الكمبيوتر خصيصاً للبحث عن "الكلاب". إذا أردت منه البحث عن "القطط"، كان عليك إعادة تدريبه بالكامل.
الطريقة الجديدة: يمكنك فقط أن تهمس للكمبيوتر: "ابحث لي عن كوب أحمر"، أو تريه صورة لـ "كلب مفقود"، وسوف يجده فوراً، حتى لو لم يره بهذا الشكل المحدد من قبل. إنه يشبه امتلاك مترجم عالمي للرؤية.

الملخص

YOLO26 هو الجيل القادم من "عيون" الحواسيب. لقد توقف عن الاعتماد على "فريق تنظيف" يدوي وبطيء (NMS) وتعلم أن يكون مثالياً من المحاولة الأولى. إنه يستخدم معلمين أذكى، وعدسات مكبرة أفضل، ورياضيات أبسط ليعمل بسرعة فائقة على الأجهزة الصغيرة. سواء كان ذلك في رصد ورم في مستشفى، أو العثان على متنزّه مفقود في الغابة، أو مساعدة روبوت على التنقل في مصنع، فإن YOLO26 يجعل الكمبيوتر يرى بشكل أسرع، وأوضح، وأكثر موثوقية من أي وقت مضى.

بناءً على الورقة البحثية المقدمة، إليك ملخص تقني مفصل لـ YOLO26: تحليل لإطار عمل نهائي (End-to-End) خالٍ من NMS للرؤية الحاسوبية في الوقت الفعلي.

1. بيان المشكلة

تعالج الورقة البحثية قيوداً حرجة في أنظمة كشف الكائنات الحديثة في الوقت الفعلي، وتحديداً التركيز على "فجوة التصدير" (Export Gap) وتفاوت زمن الاستجابة (Latency) في بيئات الحوسبة الطرفية (Edge Computing).

عنق زجاجة NMS: تعتمد بنيات YOLO التقليدية (v5–v13) على عملية "إزالة التكرار غير الأقصى" (Non-Maximum Suppression - NMS) كخطوة معالجة لاحقة تسلسلية لتصفية صناديق الإحاطة الزائدة. هذه العملية التجريبية (Heuristic) تسبب تأخراً متغيراً يعتمد على كثافة المشهد (عدد الكائنات)، مما يجعل زمن الاستدلال غير حتمي.
عبء DFL: استخدمت النماذج الحديثة "فقد التوزيع البؤري" (Distribution Focal Loss - DFL) لتحسين دقة التحديد عبر نمذجة الإحداثيات كتوزيعات احتمالية. ومع ذلك، يتطلب DFL عمليات Softmax مكلفة حاسوبياً عبر فئات (Bins) مجزأة، وهي عمليات يصعب تكميمها (Quantization) وتخلق اختناقات كبيرة في زمن الاستجابة على أجهزة الحافة ذات الحسابات الصحيحة (NPUs, DSPs, CPUs).
فجوة التصدير (The Export Gap): هناك تباين بين الأداء النظري العالي على وحدات معالجة الرسومات (GPUs) أثناء التدريب، وبين سرعة الاستدلال الفعلية المتدهورة عند النشر على الأجهزة الطرفية محدودة الموارد بسبب هذه العمليات المعقدة.

2. المنهجية والبنية الهيكلية

يقترح YOLO26 بنية أصلية نهائية (End-to-End) خالية من NMS، تلغي المعالجة اللاحقة التجريبية والخسائر التوزيعية المعقدة لصالح التراجع المباشر (Direct Regression) وديناميكيات التدريب المحسنة.

التحولات الهيكلية الجوهرية

مسار عمل خالٍ من NMS: يتبنى النموذج استراتيجية "تعيين الملصقات واحد لواحد" (One-to-one label assignment). بدلاً من توليد مقترحات متعددة وتصفيتها عبر NMS، يتعلم الشبكة إخراج صندوق إحاطة واحد محدد لكل كائن أثناء التدريب. هذا يحول الاستدلال إلى رسم مباشر وحتمي من المدخلات إلى المخرجات، مما يضمن زمن استجابة ثابتاً بغض النظر عن عدد الكائنات.
رأس فصل خالٍ من DFL: يقوم YOLO26 بإزالة وحدة فقد التوزيع البؤري (DFL) تماماً. حيث يعود إلى استراتيجية التراجع المباشر (Direct Regression Strategy)، حيث يتنبأ رأس التراجع ( $F_{reg}$ ) بالإحداثيات مباشرة عبر رسم خطي بدلاً من التكامل عبر التوزيعات الاحتمالية. هذا يلغي عمليات Softmax، مما يقلل بشكل كبير من العبء الحسابي على أجهزة الحافة.
دعم المهام المتعددة الموحد: تدعم البنية كشف الكائنات، وتقسيم الصور (Instance Segmentation)، وتقدير الوضعية (Pose Estimation)، وصناديق الإحاطة الموجهة (OBB)، وكشف المفردات المفتوحة (YOLOE-26) ضمن إطار عمل واحد باستخدام رؤوس متخصصة تحافظ على خصائص الخلو من NMS وDFL.

ديناميكيات التدريب المتقدمة

لتعويض إزالة DFL وضمان استقرار التقارب في بيئة نهائية (End-to-end)، يقدم YOLO26 ثلاث آليات مبتكرة:

محسن MuSGD: محسن هجين يدمج "الاشتقاق العشوائي المتدرج" (SGD) التقليدي مع محسن Muon (المستوحى من تدريب النماذج اللغوية الكبيرة LLM). يقوم MuSGD بعملية تعامد المصفوفات لتحديث مصفوفات الأوزان، مما يعظم كفاءة التحديث ويثبت المعيار الطيفي (Spectral Norm). وهذا يسمح للعمود الفقري المبسط بتعلم ميزات قوية دون الحاجة إلى جداول زمنية معقدة للتدريب الأولي (Warm-up).
تعيين الملصقات الواعي للأهداف الصغيرة (STAL): استراتيجية تعيين ملصقات ديناميكية تستبدل عتبات IoU الثابتة بعتبة تكيفية مع المقياس. بالنسبة للأجسام الصغيرة (التي تشغل أقل من 1% من الصورة)، يتم تخفيف العتبة ديناميكياً، مما يضمن حصول الأهداف الصغيرة أو المحجوبة على إشارات تدرج إيجابية، مما يحل مشكلة "اختفاء الأجسام الصغيرة".
موازنة الخسارة التدريجية (ProgLoss): استراتيجية وزن خسارة ديناميكية حيث تتطور النسبة بين خسارة التصنيف ( $L_{cls}$ ) وخسارة التراجع ( $L_{box}$ ) بمرور الوقت. يعطي التدريب المبكر الأولوية للتأسيس الدلالي (High $L_{cls}$ )، بينما يركز التدريب المتأخر على الدقة الهندسية (High $L_{box}$ )، مما يضمن تحديداً دقيقاً للغاية دون الحاجة لفرضيات توزيعية.

توسيع المفردات المفتوحة (YOLOE-26)

يتضمن إطار العمل YOLOE-26، الذي يدمج قدرات المفردات المفتوحة عبر ثلاث وحدات:

RepRTA: محاذاة المنطقة والنص القابلة لإعادة المعاملة (Re-parameterizable Region-Text Alignment) للكشف المعتمد على النصوص.
SAVPE: مشفر المطالبة البصرية المنشط دلالياً (Semantic-Activated Visual Prompt Encoder) للمطالبات البصرية بضربة واحدة (One-shot).
LRPC: تباين المطالبة الإقليمية الكسول (Lazy Region-Prompt Contrast) للاستدلال بصفر محاولات (Zero-shot).
من الأهمية بمكان أن هذه الوحدات يمكن إعادة معاملتها ودمجها في الرأس القياسي بعد التدريب، مما يضمن عدم وجود عبء إضافي لمهام الكشف المغلقة القياسية.

3. المساهمات الرئيسية

تفكيك البنية الهيكلية: تحليل مفصل لمسار عمل نهائي أصيل يزيل المعالجة اللاحقة غير القابلة للتفاضل (NMS) والخسائر التوزيعية المعقدة (DFL).
ابتكار التحسين: تقديم MuSGD وSTAL وProgLoss لتمكين التدريب المستقر للنماذج الخلفية (Backbones) خفيفة الوزن والنهائية.
التقييم الشامل: تقييم واسع النطاق عبر جميع أحجام النماذج (من Nano إلى Extra-Large) مقابل سلالات YOLO السابقة (v5–v13) وبنيات Transformer المتطورة (RT-DETR, DEIM, RF-DETR).
توحيد المهام المتعددة: إثبات قدرة إطار عمل واحد على التعامل مع مهام الكشف، والتقسيم، والوضعية، وOBB، والمفردات المفتوحة بأداء منخفض التأخير وثابت.
جسر فجوة التصدير: إثبات أن إزالة DFL وNMS يؤدي إلى زمن استجابة حتمي، مما يجعل النموذج فعالاً للغاية لتطبيقات الذكاء الاصطنا_الطرفي الحرجة للسلامة.

4. النتائج والأداء

تقدم الورقة بيانات تقييم واسعة النطاق على مجموعات بيانات COCO val2017 و DOTAv1، مقارنة YOLO26 بالمنافسين على وحدات NVIDIA T4 GPU (TensorRT10) و CPU (ONNX).

هيمنة باريتو (Pareto Dominance): يضع YOLO26 جبهة باريتو جديدة، حيث يهيمن تماماً على إصدارات YOLO السابقة والمنافسين القائمين على Transformer في مقايضة السرعة والدقة.
- YOLO26n (Nano): يحقق 40.9 mAP عند زمن استجابة 1.7 ms على T4 GPU (تسريع بنسبة 43% تقريباً عن النماذج الأساسية المعتمدة على NMS على CPU).
- YOLO26x (Extra-Large): يحقق 57.5 mAP عند زمن استجابة 11.8 ms، متفوقاً على YOLO11x ونماذج DETR الضخمة المماثلة.
كفاءة المهام المتعددة:
- التقسيم (Segmentation): يحقق YOLO26n-seg دقة 33.9 mAP (القناع) بزمن استجابة 2.1 ms فقط.
- تقدير الوضعية (Pose Estimation): يصل YOLO26n-pose إلى 57.2 mAP (الوضعية) عند 1.8 ms.
- OBB: يعالج YOLO26s-obb صور الطائرات بدون طيار بمقاس 1024x1024 في أقل من 5.0 ms.
المفردات المفتوحة: يظهر YOLOE-26 أداءً قوياً في حالات Zero-shot والمطالبات (على سبيل المثال، 39.5 mAP للتقسيم المعتمد على النص في نسخة Nano) مع الحفاظ على مزايا السرعة للهيكل الأساسي.
زمن الاستجابة الحتمي: يضمن إزالة NMS بقاء زمن الاستدឡើង ثابتاً بغض النظر عن كثافة المشهد، وهو مقي-س حرج لتطبيقات القيادة الذاتية والمراقبة الطبية.

5. الأهمية

يمثل YOLO26 تحولاً جذرياً في الرؤية الحاسوبية في الوقت الفعلي من خلال فصل تعلم التمثيل عن المعالجة اللاحقة التجريبية.

تحسين الذكاء الاصطنا_الطرفي (Edge AI): من خلال إزالة DFL المعتمد على Softmax وNMS التسلسلي، تم تحسين النموذج بشكل فريد للأجهزة ذات الحسابات الصحيحة (NPUs, DSPs)، مما يغلق فعلياً "فجوة التصدير" بين البحث والنشر.
الموثوقية في التطبيقات الحرجة للسلامة: الطبيعة الحتمية لمسار الاستدلال (زمن ثابت بغض النظر عن عدد الكائنات) حيوية للتطبيقات التي قد تؤدي فيها انتهاكات التوقيت إلى كوارث.
جاهزية المستقبل: يضع الإطار معياراً جديداً للتصميم "المدرك للأجهزة" (Hardware-aware)، مثبتاً أن بنيات CNN يمكن أن تتفوق على نماذج Transformer الثقيلة القائمة على الانتباه (Attention) في كل من السرعة والاستدلال المكاني عندما يتم تحسينها للتعلم النهائي (End-to-end). إنه يوفر مخططاً للجيل القادم من أنظمة الذكاء الاصطنا_الطرفي الفعالة، القابلة للتفسير، والموثوقة.