Multiscale Real-Time Object Detection in the NMS-Free Era: A Comparative Performance Evaluation of YOLOv8 and YOLO26

ملخص تقني: الكشف عن الأجسام متعدد المقاييس في الوقت الفعلي في عصر ما بعد تقنية NMS

بيان المشكلة
لطالما اعتمدت مسارات الكشف عن الأجسام في الوقت الفعلي على تقنية "إزالة التكرار غير الأقصى" (NMS) كخطوة معالجة لاحقة بالغة الأهمية لتصفية تنبؤات صناديق الإحاطة الزائدة. ورغم فعاليتها في إزالة التكرار، إلا أن تقنية NMS تفرض ثلاث قيود رئيسية: (1) تباين زمن الاستجابة (latency) الذي يتناسب طردياً مع كثافة المشهد، مما يعطل التنفيذ المتزامن على أجهزة الحافة (edge hardware)؛ (2) الحساسية المفرطة للمعلمات الفائقة (hyperparameters) التي تتطلب ضبطاً يدوياً لعتبات التقاطع فوق الاتحاد (IoU) لكل عملية نشر؛ و(3) عدم التوافق مع المسرعات ذات الحسابات الصحيحة (integer-arithmetic accelerators) حيث يؤدي التصفية المتسلسلة إلى تعطيل مخططات التنفيذ المتوازي.

وعلى الرغم من أن البنى الحديثة مثل YOLO26 (التي قدمتها Ultralytics في أوائل عام 2026) تقترح تصاميم أصلية متكاملة (end-to-end) وخالية من NMS لحل هذه المشكلات، إلا أن أداءها التجريبي مقارنة بالنماذج الراسخة القائمة على NMS مثل YOLOv8 لا يزال غير مستكشف بشكل كافٍ. كما أن الاختبارات المرجعية الحالية، وبشكل أساسي MS COCO، تركز على الأجسام المتوسطة والكبيرة وتفشل في اختبار حالات الفشل المحددة مثل دقة الأجسام الصغيرة في المراقبة الجوية أو القدرة على التعميم عبر التصنيفات القديمة.

المنهجية
تجري هذه الدراسة تقييماً مقارناً شاملاً لنموذجي YOLOv8 وYOLO26 عبر خمسة مقاييس للنماذج (nano، small، medium، large، وextra-large). يستخدم التقييم مجموعتي بيانات متميزتين لاختبار قدرات الكشف المختلفة:

• Pascal VOC: معيار مرجعي أساسي للكشف العام عن الأجسام، يتميز بوجود نماذج كبيرة نسبياً ومركزة جيداً.
• VisDrone2019-DET: مجموعة بيانات ملتقطة بواسطة طائرات بدون طيار (UAV)، تتميز بمشاهد كثيفة وتحديات شديدة تتعلق بالأجسام الصغيرة (75% من الأجسام تشغل أقل من 2,000 بكسل).

تتضمن المنهجية تدريب وضبط كلا عائلتي النماذج على هاتين المجموعتين باستخدام إعدادات متطابقة (مدخلات 640×640، حجم الدفعة 16، 100 حقبة تدريب) على وحدة معالجة رسومات NVIDIA RTX 6000 Ada. ويتم تقييم الأداء عبر:

1. دقة الكشف: الدقة (Precision)، الاستدعاء (Recall)، مقياس F1، mAP@50، وmAP@50:95.
2. الكفاءة الحسابية: حجم النموذج، عدد المعلمات، العمليات الحسابية (GFLOPs)، وزمن استجابة المعالج المركزي (CPU) ومعالج الرسومات (GPU).
3. التحليل الهيكلي: مقارنة جنباً إلى جنب لوظائف الخسارة (loss functions)، واستراتيجيات تخصيص الملصقات (label assignment)، ومسارات المعالجة اللاحقة.

الاختلافات الهيكلية الرئيسية
تسلط الورقة الضوء على تباينات جوهرية بين عائلتي النماذج:

• YOLOv8: يستخدم رأساً منفصلاً مع خسارة التركيز التوزيعية (DFL) لتراجع صناديق الإحاطة، ويعتمد على NMS للمعالجة اللاحقة. كما يستخدم تعلم محاذاة المهام (TAL) لتخصيص الملصقات.
• YOLO26: يتبنى بنية أصلية متكاملة (end-to-end) تلغي الحاجة إلى NMS وDFL. وتشمل ابتكاراته الرئيسية:
  • تخصيص الملصقات واحد-إلى-واحد (One-to-One): يفرض تنبؤات حتمية وغير زائدة دون الحاجة لمعالجة لاحقة.
  • التراجع المباشر (Direct Regression): يستبدل DFL بتراجع مباشر للإحداثيات لتقليل أعباء التكميم (quantization) على أجهزة الحافة.
  • تخصيص الملصقات المدرك للأهداف الصغيرة (STAL): معيار تخصيص ديناميكي يخفض عتبة IoU للأجسام المتناهية الصغر لمنع تلاشي التدرج (gradient vanishing).
  • موازنة الخسارة التدريجية (ProgLoss): استراتيجية تعديل خسارة تعتمد على الوقت، تحول التركيز من التعلم الدلالي إلى الدقة الهندسية أثناء التدريب.
  • محسن MuSGD: نسخة من محسن ذو تطبيع طيفي مصممة لاستقرار الهياكل الخلفية (backbones) خفيفة الوزن.

النتائج الرئيسية

• أداء Pascal VOC: يظهر YOLO26 تفوقاً مستمراً على YOLOv8 عبر معظم المقاييس، محققاً درجات أعلى في الدقة، والاستدعاء، ومقاييس F1 وmAP. ويحقق متغير YOLO26-extra-large (x) أعلى دقة إجمالية، وإن كان المكسب الهاملي مقارنة بمتغير large (l) يشير إلى تناقص العوائد عند أعلى مقياس.
• أداء VisDrone: يعاني كلا النموذجين بشكل كبير في مجموعة بيانات VisDrone بسبب الأهداف الصغيرة الكثيفة. وبينما لا يزال YOLO26 يحقق أعلى الدرجات في مقياس extra-large، فإن الفجوة في الأداء بين YOLO26 وYOLOv8 تتقلص بشكل ملحوظ مقارنة بـ Pascal VOC. وتواجه كلتا البنيتين تحديات في دقة التحديد الموضعي للأجسام الصغيرة الجوية.
• الكفاءة وزمن الاستجابة:
  • تعقيد النموذج: يظهر YOLO26 عموماً أعداد معلمات أقل، وأحجام نماذج أصغر، وGFLOPs أقل مقارنة بمقاييس YOLOv8 المماثلة.
  • زمن الاستجابة: خلافاً للافتراض بأن التصاميم الخالية من NMS توفر دائماً زمن استجابة أقل، يظل YOLOv8 منافساً، وفي بعض الحالات أسرع، على أجهزة GPU عند المقاييس المتماثلة. أما على المعالج المركزي (CPU)، فيرتفع زمن الاستجابة بشكل حاد لكلا العائلتين مع زيادة المقياس.
  • النشر: لوحظ أن إزالة DFL في YOLO26 مفيد لتكميم INT8 والنشر على الحافة، مما يقلل من تنوع العمليات وأعباء الاستنتاج.

الأهمية والادعاءات
تزعم الورقة أن اختيار الكاشف لا يتحدد فقط بالابتكار الهيكلي، بل يعتمد بشدة على خصائص البيانات، وحجم الأجسام، والقيود العتادية.

• التفوق السياقي: يوفر YOLO26 أداءً فائقاً وتراصماً أكبر للنماذج (compactness) للكشف العام عن الأجسام (Pascal VOC) وسيناريوهات النشر على الحافة التي تتطلب زمناً حتمياً للاستجابة.
• محدودية التصاميم الخالية من NMS: تتحدى الدراسة الافتراض القائل بأن البنى الأحدث تهيمن عالمياً على سابقاتها. وتحديداً، فإن التصميم الخالي من NMS لا يضمن تفوقاً مطلقاً في النشر، خاصة في البيئات المرتبطة بـ GPU حيث يظل YOLOv8 منافساً قوياً.
• تحديات الأجسام الصغيرة: تؤكد النتائج أنه حتى البنى الحديثة الخالية من NMS تعاني مع الكشف عن الأجسام الصغيرة الكثيفة في الصور الجوية، مما يشير إلى أن التغييرات الهيكلية وحدها قد لا تحل مشكلة "الأجسام الصغيرة" دون تحسينات خاصة بالبيانات.

تخلص الدراسة إلى أنه بينما يمثل YOLO26 بديلاً قوياً لـ YOLOv8، خاصة فيما يتعلق بالدقة وقيود حجم النموذج، فإن الاختيار الأمثل للنشر في العالم الحقيقي يتطلب تقييماً دقيقاً لتوزيع البيانات وبيئة الأجهزة المستخدمة.