YOLO26، Ultralytics کے بنائے ہوئے ریئل ٹائم کمپیوٹر وژن ماڈلز کے خاندان کا تازہ ترین ریلیز ہے — ایک اوپن ماڈل جو کسی تصویر یا ویڈیو اسٹریم میں اشیاء کو ان کے ظاہر ہوتے ہی پہچان لیتا ہے۔ اس کی تین باتیں کسی ڈیولپر سے پہلے ایک کاروباری مالک کے لیے اہم ہیں: اب یہ اپنا حتمی نتیجہ براہِ راست دیتا ہے، اس پوسٹ پروسیسنگ مرحلے کے بغیر جو پہلے نفاذ کو سست اور پیچیدہ بنا دیتا تھا؛ یہ سات الگ الگ سسٹمز کے بجائے سات وژن کاموں کا احاطہ کرنے والا ایک ہی ماڈل ہے؛ اور سب سے چھوٹے سائز میں یہ عام CPU پر پچھلے ریلیز کے مقابلے میں 43 فیصد تک تیز چلتا ہے۔ عملی طور پر اس کا مطلب یہ ہے کہ آپ کے گودام، فیکٹری یا شوروم میں پہلے سے نصب کیمرا موقع پر ایک چھوٹے آلے پر چلنے والا آپریشنل ڈیٹا کا ذریعہ بن سکتا ہے — نہ مہنگے سرورز، اور نہ کوئی ویڈیو آپ کے احاطے سے باہر جاتی ہے۔

اس ریلیز میں دراصل کیا بدلا ہے؟

پہلے کے ماڈلز ہر شے کے گرد درجنوں ممکنہ باکس بناتے تھے، پھر بہترین باکس منتخب کرنے اور باقی کو رد کرنے کے لیے نان میکسیمم سپریشن نامی صفائی کا مرحلہ چلاتے تھے۔ یہ مرحلہ ماڈل سے باہر ہوتا تھا، جس کا مطلب تھا اضافی سیٹنگز، اضافی پروسیسنگ، اور مختلف ہارڈویئر پر نفاذ کے وقت ٹوٹ سکنے والی ایک اور چیز۔ YOLO26 براہِ راست ڈیٹیکشن ہیڈ سے حتمی نتیجہ دیتا ہے، جس کی حد فی تصویر تین سو اشیاء ہے، اس لیے اسے کسی آپریشنل سسٹم سے جوڑنا زیادہ سادہ اور تیز ہے، اور پروڈکشن میں ٹیسٹنگ سے مختلف رویہ اختیار کرنے کا امکان بہت کم ہے۔

سرکاری دستاویزات ایک ہلکے ڈیٹیکشن ہیڈ کی بھی وضاحت کرتی ہیں جس میں DFL لاس ختم کر دیا گیا ہے، بڑے لسانی ماڈلز کی تربیت سے لیے گئے MuSGD نامی ہائبرڈ آپٹیمائزر پر مبنی تربیت کا تازہ طریقہ، اور ایسی تبدیلیاں جو واضح طور پر چھوٹی اشیاء کو ہدف بناتی ہیں۔ حقیقی آپریشنز میں بالکل چھوٹی اشیاء ہی اہم ہوتی ہیں: کسی راہداری کے آخر میں رکھے کارٹن پر لگا لیبل، یا لائن پر آگے بڑھتی کسی پروڈکٹ پر ناخن کے برابر کا نقص۔

ایک ہی ماڈل میں سات وژن کام

تجارتی لحاظ سے دلچسپ پہلو محض درستگی نہیں — بلکہ یہ ہے کہ ایک ہی خاندان تیار ویٹس اور ایک ہی پائپ لائن کے ساتھ سات کاموں کا احاطہ کرتا ہے۔ اس سے ان سسٹمز کی تعداد کم ہوتی ہے جنہیں آپ خریدتے ہیں، برقرار رکھتے ہیں اور جن پر اپنی ٹیم کو تربیت دیتے ہیں:

  • ڈیٹیکشن: کوئی شے کہاں ہے اور کیا ہے۔ گنتی، ٹریکنگ اور الرٹس کی بنیاد۔
  • انسٹینس سیگمنٹیشن: باکس کے بجائے ہر شے کے لیے ایک درست ماسک، رقبے اور نقائص ناپنے کے لیے مفید۔
  • سیمینٹک سیگمنٹیشن: ہر پکسل کی درجہ بندی، جیسے راہداری کو ذخیرہ کرنے کے علاقے سے الگ کرنا۔
  • ڈیپتھ ایسٹیمیشن: کسی اضافی لیزر سینسر کے بغیر ایک ہی کیمرے سے فاصلے کا اندازہ لگانا۔
  • کلاسیفکیشن: یہ معاملہ ضوابط کے مطابق ہے یا نہیں۔
  • پوز ایسٹیمیشن: جسم کے کلیدی نکات کو ٹریک کرنا، جو حفاظت اور حرکت کے تجزیے میں استعمال ہوتا ہے۔
  • اورینٹڈ ڈیٹیکشن: ان اشیاء کے لیے ترچھے باکس جو محوروں کے ساتھ سیدھ میں نہیں ہوتیں، جیسے پیلیٹس اور فضائی تصاویر۔

سرکاری دستاویزات پچھلے ریلیز کے مقابلے میں سیگمنٹیشن کے ماسک کے معیار میں 3.7 پوائنٹس تک، پوز ایسٹیمیشن میں 7.2 پوائنٹس تک، اور DOTA بینچ مارک پر اورینٹڈ ڈیٹیکشن میں 3.4 پوائنٹس کی بہتری بتاتی ہیں۔ اعداد اہم ہیں، لیکن اس سے زیادہ اہم یہ ہے کہ یہ تین الگ منصوبوں سے نہیں بلکہ ایک ہی ماڈل سے حاصل ہوتے ہیں۔

وہ اعداد جو طے کرتے ہیں کہ آپ کون سا ہارڈویئر خریدیں

یہ خاندان پانچ سائز میں آتا ہے، اور ہر ایک میں درستگی، رفتار اور لاگت کے درمیان واضح توازن ہے۔ COCO بینچ مارک پر شائع شدہ اعداد درستگی میں 40.9 سے 57.5 تک اور T4 کارڈ پر 1.7 سے 11.8 ملی سیکنڈ تک ہیں:

  • سب سے چھوٹا سائز: صرف 2.4 ملین پیرامیٹرز، گرافکس کارڈ کے بغیر عام CPU پر چلتا ہے۔ کسی شاخ یا چھوٹے گودام میں ایک کیمرے کے لیے معقول انتخاب۔
  • درمیانے سائز: موقع پر ایک ہی آلے پر کئی کیمروں کے لیے اچھا توازن۔
  • سب سے بڑا سائز: 55.7 ملین پیرامیٹرز، ان صورتوں کے لیے جہاں درستگی لاگت سے زیادہ اہم ہو، جیسے باریک بینی سے معیار کی جانچ۔

عملی اصول: اس سب سے چھوٹے سائز سے شروع کریں جو آپ کا مسئلہ حل کر دے۔ تجارتی طور پر ناکام ہونے والے زیادہ تر کمپیوٹر وژن منصوبے اس لیے ناکام نہیں ہوتے کہ ماڈل بہت کمزور تھا — وہ اس لیے ناکام ہوتے ہیں کہ کسی نے سب سے بڑا ماڈل چن لیا اور پھر پتا چلا کہ اسے بیس کیمروں پر چلانے کی لاگت اس سے ہونے والی بچت سے زیادہ ہے۔

یہ دراصل آپ کی کہاں مدد کرتا ہے

  • گودام: مال کی وصولی اور ترسیل پر پیلیٹس اور کارٹن گننا، اور جو جسمانی طور پر منتقل ہوا اور جو سسٹم نے درج کیا، ان کے درمیان فرق پکڑنا۔
  • فیکٹریاں: لائن پر بصری معائنہ جو بار بار آنے والے نقص کا پیٹرن ظاہر ہوتے ہی بیچ روک دے، بجائے اس کے کہ نقص گاہک کے پاس جا کر پتا چلے۔
  • ریٹیل اور شورومز: شاخ کے اندر آمد و رفت، ٹھہرنے کے علاقوں، اور ان شیلفوں کی پیمائش جو کسی کے نوٹس کیے بغیر خالی ہو گئیں۔
  • حفاظت: خطرناک علاقوں میں حفاظتی سامان کی تصدیق کرنا اور کسی کے ممنوعہ علاقے میں داخل ہوتے ہی فوری الرٹ دینا۔
  • یارڈز اور فلیٹس: ٹرکوں کی آمد و روانگی درج کرنا اور اسے خودکار طور پر لوڈنگ آرڈر سے جوڑنا۔
  • ٹھیکیداری: سائٹ کی پیش رفت کو بصری طور پر دستاویزی شکل دینا اور دستی رپورٹ پر انحصار کے بجائے اسے ادائیگی کی درخواست سے جوڑنا۔

ان سب میں مشترک بات یہ ہے کہ ان میں سے کسی کو بھی عمومی مصنوعی ذہانت یا بڑے لسانی ماڈل کی ضرورت نہیں۔ انہیں ایک مخصوص سوال چاہیے — آج اس دروازے سے کتنے کارٹن نکلے — اور ایک ایسا سسٹم جو انسانی مداخلت کے بغیر اس کا جواب دے۔

مقررہ فہرست کے بجائے وضاحت کے ذریعے ڈیٹیکشن

یہ ریلیز YOLOE-26 نامی ایک اوپن ووکیبلری ویریئنٹ کو بھی تقویت دیتا ہے، جو کسی متنی وضاحت یا بصری مثال کی رہنمائی میں ان زمروں کو بھی پہچان لیتا ہے جن پر اسے کبھی تربیت نہیں دی گئی۔ یہ ایک پرانا مسئلہ حل کرتا ہے: پہلے ہر نئے زمرے کا مطلب تربیت کا ایک اور دور ہوتا تھا۔ ریٹیل جیسے ماحول میں، جہاں مصنوعات مسلسل بدلتی رہتی ہیں، اس خصوصیت کا مطلب ہے کہ سسٹم کو دوبارہ بنانے کی ضرورت پڑنے سے پہلے اس کی کارآمد عمر زیادہ طویل ہوگی۔

کوڈ سے پہلے لائسنس

یہ نکتہ پورے پورے منصوبوں کو مکمل ہونے کے بعد ختم کر دیتا ہے۔ YOLO26 کے ویٹس اور کوڈ AGPL-3.0 کے تحت یا Ultralytics کے تجارتی لائسنس کے ساتھ دستیاب ہیں۔ AGPL ہر اس شخص پر ذمہ داریاں عائد کرتا ہے جو نیٹ ورک کے ذریعے دوسروں کو فراہم کی جانے والی پروڈکٹ بناتا ہے، اور آپ سے سورس کوڈ شیئر کرنے کا تقاضا کر سکتا ہے۔ اگر استعمال خالصتاً آپ کے اپنے آپریشنز کے اندر داخلی ہے تو صورتحال زیادہ سادہ ہے؛ اگر آپ کلائنٹس کو بیچنے کے لیے پروڈکٹ بنا رہے ہیں تو ڈیلیوری کے بعد نہیں بلکہ کوڈ کی پہلی سطر سے پہلے ہی قانونی مشیر کے ساتھ لائسنس طے کر لیں۔

کیمرے اور ذاتی ڈیٹا کے تحفظ کا قانون

لوگوں کی فلم بندی کرنے والا ہر کیمرا ذاتی ڈیٹا پیدا کرتا ہے، اور اس پر سعودی عرب کا ذاتی ڈیٹا کے تحفظ کا قانون (PDPL) اور سعودی ڈیٹا اور مصنوعی ذہانت اتھارٹی (SDAIA) کے نفاذی ضوابط لاگو ہوتے ہیں۔ عملی طور پر اس کا مطلب ہے فلم بندی کی جگہوں پر انکشاف اور نوٹس، پروسیسنگ کا واضح اور محدود مقصد، اور محفوظ کی جانے والی چیزوں کو کم سے کم رکھنا۔ اچھی خبر یہ ہے کہ عام CPUs پر YOLO26 کی کارکردگی موقع پر پروسیسنگ کو واقعی عملی بنا دیتی ہے: ویڈیو کبھی احاطے سے باہر نہیں جاتی، اور جو محفوظ ہوتا ہے وہ تصویر نہیں بلکہ حاصل ہونے والا عدد ہوتا ہے۔ یہ ڈیزائن آپ کے ریگولیٹری خطرے اور آپ کی لاگت دونوں کو بیک وقت کم کرتا ہے۔

چھ ہفتوں کے اندر آغاز کیسے کریں

پوری تنصیب کا احاطہ کرنے والے کمپیوٹر وژن منصوبے سے آغاز نہ کریں۔ ایک کیمرا اور ایک قابلِ پیمائش سوال چنیں، انٹرنیٹ کے بجائے اپنی ہی سائٹ سے ڈیٹا جمع کریں، چھوٹے سائز پر تربیت دیں، اور دو ہفتوں تک نتیجے کا موازنہ دستی گنتی سے کریں۔ اگر پائلٹ ثابت کر دے کہ سسٹم گھنٹوں کی بچت کرتا ہے یا واضح قدر والے نقصانات روکتا ہے تو اسے ایک ایک کیمرا کر کے بڑھائیں۔ اگر نہیں، تو آپ نے پورے سال کا بجٹ نہیں بلکہ چھ ہفتے خرچ کیے ہیں۔

ذرائع

  • YOLO26 کے لیے Ultralytics کی سرکاری دستاویزات: docs.ultralytics.com
  • تحقیقی مقالہ — Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models: arxiv.org
  • سورس کوڈ ریپوزٹری اور لائسنس: github.com/ultralytics/ultralytics
  • ذاتی ڈیٹا کے تحفظ کا قانون، سعودی ڈیٹا اور مصنوعی ذہانت اتھارٹی: sdaia.gov.sa