ابدأ

YOLO11 مقابل YOLOX

شهدت نماذج الكشف عن الأجسام في الوقت الفعلي تقدمًا سريعًا خلال السنوات القليلة الماضية. عند اختيار بنية للإنتاج أو للبحث الأكاديمي، يوازن المطورون غالبًا بين المحطات الراسخة والتصاميم الأحدث. تستعرض هذه المقارنة الفروق بين Ultralytics YOLO11 وYOLOX من Megvii، بما يشمل البنية ومقاييس الأداء وسيناريوهات النشر المثالية.

نظرة عامة على البنية#

حقق كلا النموذجين تقدمًا في مجال الكشف عن الأجسام عند إصدارهما، لكنهما ينطلقان من فلسفتين تصميميتين مختلفتين ويستهدفان تجربتين مختلفتين للمطورين.

YOLO11: محرك متعدد المهام ومتعدد الاستخدامات#

صدر YOLO11 في سبتمبر 2024 على يد Glenn Jocher وJing Qiu في Ultralytics، وصُمم إطارًا موحدًا يوازن بين الدقة العالية والكفاءة.

يتجاوز YOLO11 مربعات الإحاطة القياسية، إذ يدعم أيضًا تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والكشف عن مربعات الإحاطة الموجّهة (OBB). وتحسّن بنيته المنقحة استخراج السمات والاحتفاظ بها عبر تسلسلات مكانية هرمية معقدة.

YOLOX: رائد النهج الخالي من المراسي#

طوّر باحثون في Megvii نموذج YOLOX، الذي حظي باهتمام واسع في عام 2021 لربطه بين البحث والتطبيقات الصناعية من خلال نهج خالٍ من المراسي بالكامل.

قدّم YOLOX رأسًا مفصولًا ونموذجًا خاليًا من المراسي، ما قلل عدد معلمات التصميم وحسّن الأداء على المعايير الأكاديمية وقت صدوره.

تعرّف على المزيد حول YOLOX

هل تعلم؟

ألهم التصميم الخالي من المراسي الذي شاع مع YOLOX كثيرًا من البنى اللاحقة. واعتمدت Ultralytics هذه المفاهيم وطوّرتها في إصدارات لاحقة مثل YOLOv8 وYOLO11 لتحسين الدقة ومرونة النشر.

الأداء والمقاييس#

عند تقييم نماذج الكشف، من الضروري فحص التوازن بين عدد المعلمات والتكلفة الحاسوبية (FLOPs) ومتوسط الدقة (mAP) من أجل نشر النماذج في التطبيقات الواقعية.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

يتفوق YOLO11x على YOLOXx في الدقة (54.7 mAP مقابل 51.1 mAP)، مع احتياجه إلى نحو نصف عدد المعلمات (56.9M مقابل 99.1M) وتشغيله بسرعة أكبر على T4 TensorRT (11.3 ms مقابل 16.1 ms). وتؤدي هذه الكفاءة إلى خفض متطلبات الذاكرة أثناء التدريب والاستدلال، وهو ما يمنحه ميزة واضحة في بيئات الإنتاج.

المنظومة وتجربة المطور#

ميزة Ultralytics#

يكمن أحد أكبر الفروق بين YOLO11 وYOLOX في سهولة الاستخدام. يعمل YOLOX أساسًا بوصفه قاعدة شيفرة بحثية، ويتطلب إعدادًا معقدًا للبيئة وتجميع عوامل C++ ووسائط مطولة لسطر الأوامر لبدء التدريب على مجموعات بيانات مخصصة.

يتكامل YOLO11 بالكامل مع حزمة Ultralytics لـ Python، ما يوفر سير عمل مبسطًا من التثبيت إلى النشر. وتقدّم منصة Ultralytics أدوات لتعليق البيانات وتتبع التجارب والتدريب السحابي، وتتولى الأعمال التمهيدية المتكررة كي يتمكن المهندسون من التركيز على أداء النموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 مدرّب مسبقًا⁩
model = YOLO("yolo11n.pt")

# ⁨درّب النموذج باستخدام API الخاص بـ Ultralytics⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨التصدير إلى ONNX⁩
model.export(format="onnx")

إضافةً إلى ذلك، لا يتطلب تصدير نموذج Ultralytics إلى تنسيقات مثل TensorRT أو CoreML أو OpenVINO سوى أمر واحد، بينما تتطلب المستودعات الأقدم غالبًا أدوات خارجية معقدة أو تعديلًا يدويًا للرسم البياني.

حالات الاستخدام في العالم الحقيقي#

متى ينبغي التفكير في YOLOX#

لا يزال YOLOX خيارًا صالحًا لعمليات النشر المتخصصة القديمة التي أنشأ فيها المطورون بالفعل مسارات استدلال مخصصة بـ C++ حول مخرجات موتر الرأس المفصول. وقد يظل الباحثون الذين يجرون دراسات مقارنة مع بنى تعود إلى عام 2021 يستخدمون YOLOX خط أساس.

مجالات تميّز YOLO11#

يوفّر YOLO11 تجربة أفضل لمعظم سيناريوهات الإنتاج الحديثة:

  • المدن الذكية والتجزئة: بفضل النسبة القوية بين السرعة والدقة، يتعامل YOLO11 جيدًا مع المشاهد المكتظة، ويشغّل تحليلات التجزئة الآلية وأنظمة إدارة المرور دون الحاجة إلى عناقيد GPU كبيرة.
  • الحوسبة الطرفية: تجعل كفاءة الذاكرة وخيارات التصدير الواسعة YOLO11 مناسبًا تمامًا لـعمليات نشر الذكاء الاصطناعي الطرفي على أجهزة مثل Raspberry Pi أو منصات NVIDIA Jetson.
  • مسارات العمل المعقدة: إذا كان المشروع يتطلب الجمع بين الكشف عن الأجسام والنقاط المفتاحية للوضعيات (مثل تحليلات الرياضة)، أو تجزئة المثيلات بدقة (مثل التصوير الطبي)، فإن YOLO11 يتعامل مع جميع المهام محليًا عبر واجهة API 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: مشاريع تتطلب الكشف والتجزئة والتصنيف وتقدير الوضعيات 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 أجهزة محمولة قديمة أو شديدة التقييد بالموارد، حيث يكون الحجم الصغير لإصدار YOLOX-Nano (0.91M من المعلمات) 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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
  • اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.

نظرة إلى المستقبل: قوة YOLO26#

لا يزال YOLO11 خيارًا قويًا، لكن YOLO26 (الصادر في يناير 2026) هو النموذج الموصى به لمشاريع الرؤية الحاسوبية الجديدة التي تتطلب أفضل كفاءة واستقرار في التدريب.

يطبّق YOLO26 رأسًا شاملًا من البداية إلى النهاية بلا NMS اختياريًا (nms=False). ومن خلال إلغاء المعالجة اللاحقة باستخدام كبح الصناديق غير القصوى (NMS)، يزيل تفاوت زمن الاستجابة ويبسّط منطق النشر؛ وهو مفهوم أدخله YOLOv10 إلى نماذج YOLO.

يتميّز YOLO26 أيضًا بـإزالة DFL (Distribution Focal Loss)، ما يساعد YOLO26n على تحقيق استدلال أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـ YOLO11n، ويجعله مناسبًا للأجهزة منخفضة الطاقة والطرفية. ويتحسن استقرار التدريب بفضل مُحسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تدريب نماذج اللغة الكبيرة (LLM) ويسرّع التقارب. وبالاقتران مع ProgLoss + STAL (الخسارة التقدمية وتعيين التسميات الواعي بالأهداف الصغيرة)، يتفوق YOLO26 في كشف الأجسام الصغيرة ضمن ظروف صعبة مثل الصور الملتقطة بالطائرات المسيّرة ومستشعرات إنترنت الأشياء الطرفية.

مزيد من الاستكشاف

هل ترغب في توسيع معرفتك ببنى الكشف عن الأجسام؟ استكشف إمكانات المفردات المفتوحة في YOLO-World، أو نموذج RT-DETR القائم على Transformer والموثق ضمن منظومة Ultralytics.

ختامًا، قدّم YOLOX مفاهيم معمارية مهمة في عام 2021، لكن مجموعة الأدوات وكفاءة الذاكرة ودقة YOLO11، ولا سيما YOLO26 الأحدث، تجعل منظومة Ultralytics الخيار الأقوى اليوم للباحثين ومطوري المؤسسات.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.