YOLO11 مقابل YOLOX#
شهد مجال الرؤية الحاسوبية تطورات سريعة خلال السنوات القليلة الماضية، حيث أصبحت نماذج الكشف عن الكائنات في الوقت الفعلي أكثر تطوراً بشكل متزايد. وعند اختيار بنية هندسية لبيئة إنتاجية أو بحث أكاديمي، غالباً ما يوازن المطورون بين المقايضات بين المعالم التاريخية والابتكارات المتطورة. يستكشف هذا المقارنة الشاملة الفروق بين Ultralytics YOLO11 و YOLOX من شركة Megvii، مما يوفر رؤى عميقة حول بنياتها ومقاييس الأداء وسيناريوهات النشر المثالية.
نظرة عامة على البنية#
يمثل كلا النموذجين قفزات كبيرة في مجال كشف الكائنات، لكنهما ينبعان من فلسفات تصميم مختلفة ويستهدفان تجارب مطورين متباينة.
YOLO11: محرك المهام المتعددة متعدد الاستخدامات#
تم إصدار YOLO11 في سبتمبر 2024 بواسطة Glenn Jocher و Jing Qiu في Ultralytics، وقد تم تصميمه كإطار عمل موحد يوازن بين الدقة العالية والكفاءة القصوى.
- المؤلفون: Glenn Jocher و Jing Qiu
- المؤسسة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- المستندات: https://docs.ultralytics.com/models/yolo11
يتجاوز YOLO11 صناديق الإحاطة القياسية، حيث يدعم بشكل أصلي تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، والكشف عن صندوق الإحاطة الموجه (OBB). تعمل بنيته المحسنة على تحسين استخراج الميزات لضمان احتفاظ أفضل بالميزات عبر التسلسلات الهرمية المكانية المعقدة.
YOLOX: الرائد في تقنية خلو المراسي (Anchor-Free)#
تم تطوير YOLOX بواسطة باحثين في Megvii، وقد حظي باهتمام كبير في عام 2021 من خلال سد الفجوة بين البحث والتطبيقات الصناعية باستخدام نهج خالٍ تماماً من المراسي (anchor-free).
- المؤلفون: Zheng Ge، وSongtao Liu، وFeng Wang، وZeming Li، وJian Sun
- المؤسسة: Megvii
- التاريخ: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- Docs: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
قدم YOLOX رأساً مفصولاً ونموذجاً خالياً من المراسي، مما قلل بشكل كبير من عدد معلمات التصميم وحسن الأداء في المعايير الأكاديمية في وقت إصداره.
ألهم التصميم الخالي من المراسي الذي شاعته YOLOX العديد من البنى اللاحقة. قامت Ultralytics بدمج وتنقيح هذه المفاهيم الخالية من المراسي بشكل كبير في التكرارات اللاحقة مثل YOLOv8 و YOLO11 لتوفير دقة فائقة ومرونة في النشر.
الأداء والمقاييس#
عند تقييم نماذج الكشف، يعد فحص التوازن بين المعاملات، والتكلفة الحسابية (FLOPs)، ومتوسط الدقة المتوسطة (mAP) أمراً بالغ الأهمية لـ نشر النموذج في العالم الحقيقي.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
كما يظهر في الجدول، يتفوق YOLO11x بشكل كبير على YOLOXx في الدقة المطلقة (54.7 mAP مقابل 51.1 mAP)، بينما يتطلب حوالي نصف المعلمات (56.9 مليون مقابل 99.1 مليون). تترجم هذه الكفاءة إلى متطلبات ذاكرة أقل أثناء التدريب والاستدلال، وهو ميزة هائلة لبيئات الإنتاج.
النظام البيئي وتجربة المطور#
ميزة Ultralytics#
يكمن أحد أبرز الاختلافات بين YOLO11 و YOLOX في سهولة الاستخدام. تعمل YOLOX في المقام الأول كقاعدة تعليمات برمجية بحثية، وتتطلب تكويناً معقداً للبيئة، وتجميعاً يدويياً لمشغلات C++، ووسائط سطر أوامر مطولة لبدء تدريب مجموعة البيانات المخصصة.
على النقيض تماماً، يتم دمج YOLO11 بالكامل في حزمة Python الخاصة بـ Ultralytics، مما يوفر سير عمل مبسطاً من "الصفر إلى الاحتراف". توفر منصة Ultralytics أدوات واسعة النطاق لتعليقات البيانات، وتتبع التجارب، والتدريب المستند إلى السحابة، مما جرد البويلرات ليتمكن المهندسون من التركيز على أداء النموذج.
from ultralytics import YOLO
# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly using the Ultralytics API
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")علاوة على ذلك، يتطلب تصدير نموذج Ultralytics إلى تنسيقات مثل TensorRT أو CoreML أو OpenVINO أَمراً واحداً فقط، بينما تفرض المستودعات القديمة غالباً أدوات طرف ثالث معقدة أو عمليات جراحية يدوية للرسم البياني.
حالات الاستخدام في العالم الحقيقي#
متى يجب التفكير في استخدام YOLOX#
تظل YOLOX خياراً صالحاً عمليات النشر القديمة المتخصصة حيث بنى المطورون بالفعل خطوط استدلال C++ مخصصة للغاية حول مخرجات موتر الرأس المفككة الخاصة بها. بالإضافة إلى ذلك، سيظل الباحثون الذين إجراء دراسات مقارنة مقابل بنيات أحدث التقنيات لعام 2021 يستخدمون YOLOX كقاعدة لـ مجموعة بيانات المعيار.
أين يتفوق YOLO11#
بالنسبة لجميع سيناريوهات الإنتاج الحديثة تقريباً، يوفر YOLO11 تجربة متفوقة بكثير:
- المدن الذكية والبيع بالتجزئة: نظراً لنسبة السرعة إلى الدقة الاستثنائية، يتعامل YOLO11 مع المشاهد المزدحمة بسهولة، مما يغذي تحليلات تجارة التجزئة الآلية وأنظمة إدارة المرور دون الحاجة إلى مجموعات ضخمة من وحدات معالجة الرسوميات (GPU).
- الحوسبة الطرفية: تجعل كفاءة الذاكرة العالية خيارات التصدير القوية YOLO11 مثالياً لـ عمليات نشر الذكاء الاصطناعي الطرفي على أجهزة مثل منصات Raspberry Pi أو NVIDIA Jetson.
- الخطوط المعقدة: إذا كان المشروع يتطلب الجمع بين اكتشاف الكائنات ونقاط مفتاحية للوضعية (مثل تحليلات الرياضة) أو تجزئة المثيلات الدقيقة (مثل التصوير الطبي)، يتعامل YOLO11 مع جميع المهام بشكل أصلي من خلال واجهة برمجة تطبيقات (API) موحدة واحدة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 و YOLOX على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLO11#
يعد YOLO11 خياراً قوياً لـ:
- نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
- النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.
متى تختار YOLOX#
يوصى باستخدام YOLOX لـ:
- أبحاث الكشف بدون نقاط ارتكاز: البحث الأكاديمي الذي يستخدم بنية YOLOX النظيفة والخالية من نقاط الارتكاز كخط أساس لتجربة رؤوس كشف جديدة أو دوال خسارة مبتكرة.
- أجهزة الحافة خفيفة الوزن للغاية: النشر على وحدات التحكم الدقيقة أو أجهزة الجوال القديمة حيث يكون البصمة الصغيرة جداً لمتغير YOLOX-Nano (0.91 مليون معلمة) أمراً بالغ الأهمية.
- دراسات تخصيص التصنيفات SimOTA: المشاريع البحثية التي تبحث في استراتيجيات تخصيص التصنيفات القائمة على النقل الأمثل وتأثيرها على تقارب التدريب.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
نظرة إلى المستقبل: قوة YOLO26#
بينما يظل YOLO11 خياراً استثنائياً، فإن مشهد الذكاء الاصطناعي يتسارع باستمرار. بالنسبة للفرق التي تسعى إلى قمة الكفاءة والاستقرار المطلقة، يُعد YOLO26 (الذي تم إصداره في يناير 2026) التوصية النهائية لمشاريع الرؤية الحاسوبية الجديدة.
يمثل YOLO26 قفزة هائلة للأمام من خلال تطبيق تصميم خالي من NMS من النهاية إلى النهاية. من خلال القضاء على معالجة معالجة الكابت غير الأقصى (NMS) اللاحقة، فإنه يزيل تماماً تقلب زمن الوصول، مما يبسط بشكل كبير منطق النشر - وهو مفهوم تم ريادته لأول مرة في YOLOv10.
علاوة على ذلك، يتميز YOLO26 بـ إزالة DFL (خسارة بؤرية التوزيع)، مما يعمل على تحسين البنية لتحقيق استدلال وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43%، مما يجعله البطل بلا منازع للأجهزة منخفضة الطاقة والأجهزة الطرفية. يتم أيضاً تعزيز استقرار التدريب بشكل كبير عبر محسن MuSGD - وهو هجين مستوحى من النماذج اللغوية الكبيرة (LLM) من SGD و Muon والذي يسرع التقارب. مقترناً بوظائف الخسارة المتقدمة مثل ProgLoss + STAL، يتفوق YOLO26 في اكتشاف الكائنات الصغيرة في البيئات الصعبة مثل صور الطائرات بدون طيار وأجهزة الاستشعار الطرفية لإنترنت الأشياء (IoT).
هل تتطلع إلى توسيع معرفتك ببنى اكتشاف الكائنات؟ استكشف إمكانيات المفردات المفتوحة لـ YOLO-World أو الغوص في نموذج RT-DETR المستند إلى المحولات الموثق في نظام Ultralytics البيئي.
في الختام، بينما قدم YOLOX مفاهيم معمارية مهمة في عام 2021، فإن مجموعة الأدوات الشاملة، وكفاءة الذاكرة، والأداء المتطور لـ YOLO11—وخاصة البنية الثورية لـ YOLO26—تجعل نظام Ultralytics البيئي هو الخيار الواضح للباحثين ومطوري المؤسسات اليوم.