YOLO11 مقابل YOLOX#

شهد مجال الرؤية الحاسوبية تطورات سريعة خلال السنوات القليلة الماضية، إذ أصبحت نماذج اكتشاف الأجسام في الوقت الفعلي أكثر تطورًا باستمرار. عند اختيار بنية لبيئة إنتاج أو لبحث أكاديمي، غالبًا ما يوازن المطورون بين إنجازات المراحل السابقة والابتكارات المتطورة. تستكشف هذه المقارنة الشاملة الفروقات بين Ultralytics YOLO11 وYOLOX من Megvii، وتقدم رؤى معمقة حول بنيتهما، ومقاييس أدائهما، وسيناريوهات النشر المثالية لكل منهما.

نظرة عامة على البنية#

يمثل كلا النموذجين قفزات مهمة في اكتشاف الأجسام، لكنهما ينحدران من فلسفتين مختلفتين في التصميم ويستهدفان تجارب مختلفة للمطورين.

YOLO11: محرك متعدد المهام ومتعدد الاستخدامات#

أُطلق YOLO11 في سبتمبر 2024 بواسطة Glenn Jocher وJing Qiu لدى Ultralytics، وصُمم بوصفه إطار عمل موحدًا يوازن بين الدقة العالية والكفاءة الفائقة.

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• التوثيق: https://docs.ultralytics.com/models/yolo11

يتجاوز YOLO11 مربعات الإحاطة القياسية، إذ يدعم أصلاً تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، واكتشاف المربع المحيط الموجّه (OBB). وتعمل بنيته المحسّنة على تحسين استخراج السمات لضمان احتفاظ أفضل بالسمات عبر التسلسلات الهرمية المكانية المعقدة.

YOLOX: الرائد في الاستغناء عن المراسي#

طوّره باحثون لدى Megvii، وحظي YOLOX باهتمام كبير في عام 2021 من خلال سد الفجوة بين البحث والتطبيقات الصناعية باتباع نهج يستغني بالكامل عن المراسي.

• المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
• المنظمة: Megvii
• التاريخ: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• الوثائق: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

قدّم YOLOX رأسًا مفككًا ونموذجًا يستغني عن المراسي، ما خفّض بدرجة كبيرة عدد معلمات التصميم وحسّن الأداء على المعايير الأكاديمية وقت إطلاقه.

تعرف على المزيد حول YOLOX

الأداء والمقاييس#

عند تقييم نماذج الاكتشاف، من الضروري فحص التوازن بين المعلمات، والتكلفة الحاسوبية (FLOPs)، ومتوسط الدقة (mAP) من أجل نشر النماذج في العالم الحقيقي.

كما يظهر في الجدول، يتفوق YOLO11x بدرجة كبيرة على YOLOXx في الدقة المطلقة (54.7 mAP مقابل 51.1 mAP)، مع الحاجة إلى نحو نصف عدد المعلمات (56.9M مقابل 99.1M). وتؤدي هذه الكفاءة إلى خفض متطلبات الذاكرة أثناء التدريب والاستدلال معًا، وهو ما يمثل ميزة هائلة لبيئات الإنتاج.

المنظومة وتجربة المطور#

ميزة Ultralytics#

يكمن أحد أعمق أوجه الاختلاف بين YOLO11 وYOLOX في سهولة الاستخدام. إذ يعمل YOLOX أساسًا بوصفه قاعدة شيفرة بحثية، ما يتطلب إعدادًا معقدًا للبيئة، وتجميعًا يدويًا لمشغلات C++، ووسائط مطولة لسطر الأوامر لبدء تدريب مجموعة بيانات مخصصة.

وعلى النقيض تمامًا، يتكامل YOLO11 بالكامل مع حزمة Ultralytics Python، موفرًا سير عمل مبسطًا من "الصفر إلى الاحتراف". وتوفر منصة Ultralytics أدوات واسعة لتعليق البيانات، وتتبع التجارب، والتدريب السحابي، فتخفي الشيفرة النمطية وتتيح للمهندسين 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، لا يتطلب تصدير نموذج Ultralytics إلى تنسيقات مثل TensorRT أو CoreML أو OpenVINO سوى أمر واحد، في حين تفرض المستودعات القديمة غالبًا أدوات معقدة من جهات خارجية أو عمليات يدوية على الرسوم البيانية.

حالات الاستخدام الواقعية#

متى ينبغي النظر في YOLOX؟#

يظل YOLOX خيارًا صالحًا لعمليات النشر المتخصصة القديمة التي سبق للمطورين فيها بناء مسارات استدلال مخصصة بدرجة كبيرة بلغة C++ حول مخرجات موتر الرأس المفكك الخاصة به. بالإضافة إلى ذلك، سيظل الباحثون الذين يجرون دراسات مقارنة مع البنى المتقدمة في عام 2021 يستخدمون YOLOX بوصفه خط أساس لـمجموعة بيانات معيارية.

مواطن تميز YOLO11#

بالنسبة إلى جميع سيناريوهات الإنتاج الحديثة تقريبًا، يوفر YOLO11 تجربة أفضل بكثير:

• المدن الذكية وتجارة التجزئة: بفضل نسبته الاستثنائية بين السرعة والدقة، يتعامل YOLO11 بسهولة مع المشاهد المزدحمة، ويدعم تحليلات تجارة التجزئة المؤتمتة وأنظمة إدارة المرور دون الحاجة إلى عناقيد GPU ضخمة.
• الحوسبة الطرفية: تجعل كفاءة YOLO11 العالية في استخدام الذاكرة وخيارات التصدير القوية منه خيارًا مثاليًا لـعمليات نشر الذكاء الاصطناعي الطرفي على أجهزة مثل Raspberry Pi أو منصات NVIDIA Jetson.
• مسارات العمل المعقدة: إذا تطلب أحد المشاريع الجمع بين اكتشاف الأجسام والنقاط المفتاحية للوضعية (مثل تحليلات الرياضة) أو تجزئة المثيلات الدقيقة (مثل التصوير الطبي)، فإن YOLO11 يتعامل مع جميع المهام أصلاً من خلال API موحد واحد.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 وYOLOX على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

متى تختار YOLO11#

يُعد YOLO11 خيارًا قويًا لـ:

• النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تمثل الموثوقية والصيانة النشطة أولوية قصوى.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتقسيم، وتقدير الوضعيات، وOBB ضمن إطار عمل موحد واحد.
• إنشاء النماذج الأولية والنشر بسرعة: الفرق التي تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics Python البرمجية المبسطة.

متى تختار YOLOX؟#

يوصى باستخدام YOLOX في الحالات التالية:

• أبحاث الاكتشاف دون مراسٍ: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة المستغنية عن المراسي خط أساس للتجارب على رؤوس اكتشاف أو دوال خسارة جديدة.
• الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة التي تكون فيها البصمة الصغيرة للغاية لمتغير YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
• دراسات إسناد التسميات SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

استشراف المستقبل: قوة YOLO26#

مع أن YOLO11 يمثل خيارًا استثنائيًا، فإن مشهد الذكاء الاصطناعي يتسارع باستمرار. وبالنسبة إلى الفرق التي تسعى إلى بلوغ أعلى مستويات الكفاءة والاستقرار، فإن YOLO26 (الذي أُطلق في يناير 2026) هو التوصية المثلى لمشاريع الرؤية الحاسوبية الجديدة.

يمثل YOLO26 قفزة هائلة إلى الأمام من خلال تطبيق تصميم شامل من الطرف إلى الطرف خالٍ من NMS. ومن خلال إزالة المعالجة اللاحقة المتمثلة في الكبت غير الأقصى (NMS)، يزيل تمامًا تباين زمن الاستجابة، ويبسط منطق النشر بدرجة كبيرة—وهو مفهوم طُرح لأول مرة في YOLOv10.

علاوة على ذلك، يتميز YOLO26 بـإزالة DFL (خسارة البؤرة للتوزيع)، ما يحسّن البنية لتحقيق استدلال على CPU أسرع بنسبة تصل إلى 43%، ويجعله بطلًا بلا منازع للأجهزة منخفضة الطاقة والأجهزة الطرفية. كما يتعزز استقرار التدريب عبر مُحسِّن MuSGD—وهو مزيج هجين مستوحى من LLM من SGD وMuon يسرّع التقارب. وبالاقتران مع دوال خسارة متقدمة مثل ProgLoss + STAL، يتفوق YOLO26 في اكتشاف الأجسام الصغيرة في البيئات الصعبة مثل الصور الملتقطة بالطائرات المسيّرة ومستشعرات IoT الطرفية.

ختامًا، رغم أن YOLOX قدّم مفاهيم بنيوية مهمة في عام 2021، فإن مجموعة الأدوات الشاملة وكفاءة الذاكرة والأداء المتطور في YOLO11—ولا سيما البنية الثورية لـYOLO26—تجعل منظومة Ultralytics الخيار الواضح للباحثين ومطوري المؤسسات اليوم.