YOLO11 مقابل YOLOX#
شهد مجال الرؤية الحاسوبية تطورات سريعة على مدى السنوات القليلة الماضية، وأصبحت نماذج كشف الأجسام الآني أكثر تطورًا باستمرار. وعند اختيار بنية لبيئة إنتاج أو بحث أكاديمي، غالبًا ما يوازن المطورون بين المفاضلات المتعلقة بالإنجازات السابقة والابتكارات المتطورة. تستكشف هذه المقارنة الشاملة الاختلافات بين Ultralytics YOLO11 وYOLOX من Megvii، وتقدّم رؤى متعمقة حول بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثلى.
نظرة عامة على البنية#
يمثّل كلا النموذجين قفزات كبيرة في مجال كشف الأجسام، لكنهما نشآ من فلسفتين مختلفتين في التصميم ويستهدفان تجربتين مختلفتين للمطورين.
YOLO11: محرك متعدد المهام ومتعدد الاستخدامات#
أُطلق YOLO11 في سبتمبر 2024 على يد Glenn Jocher وJing Qiu في Ultralytics، وصُمم إطار عمل موحدًا يوازن بين الدقة العالية والكفاءة الفائقة.
- المؤلفان: Glenn Jocher وJing Qiu
- المؤسسة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- الوثائق: https://docs.ultralytics.com/models/yolo11
يتجاوز YOLO11 مربعات الإحاطة القياسية، إذ يدعم أصليًا كشف تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والكشف باستخدام مربعات الإحاطة الموجّهة (OBB). وتحسّن بنيته المصقولة استخراج السمات لضمان الاحتفاظ بها على نحو أفضل ضمن التسلسلات الهرمية المكانية المعقدة.
YOLOX: رائد النهج الخالي من المراسي#
طوّر باحثون في Megvii نموذج YOLOX، الذي حظي باهتمام كبير عام 2021 بفضل ردم الفجوة بين البحث والتطبيقات الصناعية عبر نهج خالٍ تمامًا من المراسي.
- 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
- الوثائق: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs
قدّم YOLOX رأسًا مفصولًا ونهجًا خاليًا من المراسي، ما قلّل بدرجة كبيرة عدد معلمات التصميم وحسّن الأداء في المعايير الأكاديمية وقت إصداره.
ألهم التصميم الخالي من المراسي الذي شاع بفضل YOLOX العديد من البنى اللاحقة. وقد أدرجت Ultralytics هذه المفاهيم وطوّرتها بدرجة كبيرة في إصدارات لاحقة مثل YOLOv8 وYOLO11 لتوفير دقة فائقة ومرونة في النشر.
الأداء والمقاييس#
عند تقييم نماذج الكشف، من الضروري دراسة التوازن بين المعلمات والتكلفة الحسابية (FLOPs) ومتوسط الدقة المتوسطة (mAP) من أجل نشر النماذج في العالم الحقيقي.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 يتضح في الجدول، يتفوّق YOLO11x بدرجة كبيرة على YOLOXx من حيث 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، ما يشكل ميزة هائلة في بيئات الإنتاج.
المنظومة وتجربة المطور#
ميزة Ultralytics#
يكمن أحد أبرز الفروق بين YOLO11 وYOLOX في سهولة الاستخدام. إذ يعمل YOLOX أساسًا بوصفه قاعدة شيفرة بحثية، ويتطلب إعدادًا معقدًا للبيئة وتجميعًا يدويًا لمشغّلات C++ ووسائط مطوّلة لسطر الأوامر لبدء التدريب على مجموعة بيانات مخصصة.
وعلى النقيض تمامًا، يتكامل YOLO11 بالكامل مع حزمة Python من Ultralytics، موفرًا سير عمل مبسطًا يأخذك من البداية إلى الاحتراف. وتوفر منصة Ultralytics أدوات واسعة لتعليق البيانات وتتبع التجارب والتدريب السحابي، مع إخفاء الشيفرة النمطية ليتسنى للمهندسين التركيز على أداء النموذج.
from ultralytics import YOLO
# تحميل نموذج YOLO11 مدرّب مسبقًا
model = YOLO("yolo11n.pt")
# درّب النموذج بسهولة باستخدام واجهة برمجة تطبيقات Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# صدّر إلى ONNX أو TensorRT بسلاسة
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 استخدام أدوات معقدة من جهات خارجية أو إجراء تعديلات يدوية على الرسوم البيانية.
حالات الاستخدام في العالم الحقيقي#
متى ينبغي التفكير في YOLOX#
يظل YOLOX خيارًا صالحًا لعمليات النشر المتخصصة التي تعتمد على أنظمة قديمة، حين يكون المطورون قد أنشؤوا بالفعل مسارات استدلال مخصصة بدرجة كبيرة بلغة C++ حول مخرجات موتر الرأس المنفصل الخاصة به. بالإضافة إلى ذلك، سيواصل الباحثون الذين يجرون دراسات مقارنة مع أحدث البنى لعام 2021 استخدام YOLOX كخط أساس لـمجموعة بيانات معيارية.
مجالات تميّز YOLO11#
يوفر YOLO11 تجربة أفضل بكثير في جميع سيناريوهات الإنتاج الحديثة تقريبًا:
- المدن الذكية وتجارة التجزئة: بفضل نسبة السرعة إلى الدقة الاستثنائية، يتعامل YOLO11 بسهولة مع المشاهد المزدحمة، ويشغّل تحليلات تجارة التجزئة المؤتمتة وأنظمة إدارة حركة المرور دون الحاجة إلى عناقيد ضخمة من وحدات GPU.
- الحوسبة الطرفية: تجعل كفاءة الذاكرة العالية وخيارات التصدير المتينة YOLO11 مثاليًا لـعمليات نشر الذكاء الاصطناعي الطرفي على أجهزة مثل Raspberry Pi أو منصات NVIDIA Jetson.
- مسارات المعالجة المعقدة: إذا كان المشروع يتطلب الجمع بين اكتشاف الأجسام والنقاط المفتاحية للهيكلية (مثل تحليلات الرياضة) أو تجزئة المثيلات الدقيقة (مثل التصوير الطبي)، فإن YOLO11 يعالج جميع المهام محليًا عبر واجهة برمجة تطبيقات موحدة واحدة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 وYOLOX على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLO11#
يُعد YOLO11 خيارًا قويًا في الحالات التالية:
- النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.
متى تختار YOLOX#
يوصى باستخدام YOLOX في الحالات التالية:
- أبحاث الاكتشاف دون مراسي: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة والخالية من المراسي أساسًا لتجربة رؤوس اكتشاف أو دوال خسارة جديدة.
- الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
- دراسات إسناد التسميات باستخدام 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 دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
نظرة إلى المستقبل: قوة YOLO26#
على الرغم من أن YOLO11 خيار استثنائي، فإن مجال الذكاء الاصطناعي يتطور باستمرار بوتيرة متسارعة. وبالنسبة إلى الفرق التي تسعى إلى تحقيق أقصى درجات الكفاءة والاستقرار، فإن YOLO26 (الصادر في يناير 2026) هو التوصية المثلى لمشاريع الرؤية الحاسوبية الجديدة.
يمثل YOLO26 قفزة هائلة إلى الأمام من خلال تطبيق رأس اختياري شامل من البداية إلى النهاية وخالٍ من NMS (nms=False). وبإزالة المعالجة اللاحقة لـقمع الصناديق المحيطة غير القصوى (NMS)، يتخلص النموذج من تفاوت زمن الاستجابة، ويبسط منطق النشر بدرجة كبيرة؛ وهو مفهوم طُبّق لأول مرة في YOLOv10.
علاوة على ذلك، يتضمن YOLO26 إزالة DFL (خسارة التوزيع البؤرية)، ما يحسّن البنية لتحقيق استدلال أسرع بنسبة تصل إلى 43% على CPU، ليصبح بلا منازع الخيار الأفضل للأجهزة منخفضة الطاقة والأجهزة الطرفية. كما يعزز محسّن MuSGD استقرار التدريب، وهو مزيج هجين مستوحى من نماذج اللغة الكبيرة (LLM) يجمع بين SGD وMuon لتسريع التقارب. وبالاقتران مع دوال خسارة متقدمة مثل ProgLoss + STAL، يتفوق YOLO26 في اكتشاف الأجسام الصغيرة ضمن البيئات الصعبة مثل الصور الملتقطة بالطائرات المسيّرة ومستشعرات إنترنت الأشياء الطرفية.
هل ترغب في توسيع معرفتك ببنى اكتشاف الأجسام؟ استكشف إمكانات المفردات المفتوحة في YOLO-World، أو تعمق في نموذج RT-DETR القائم على Transformer والموثّق ضمن منظومة Ultralytics.
ختامًا، على الرغم من أن YOLOX قدّم مفاهيم بنيوية مهمة في عام 2021، فإن مجموعة أدوات Ultralytics الشاملة وكفاءتها في استهلاك الذاكرة وأداء YOLO11 المتطور — ولا سيما البنية الثورية لـYOLO26 — تجعل منظومة Ultralytics الخيار الواضح للباحثين ومطوري المؤسسات اليوم.