YOLO26 مقابل YOLOX#
شهد تطور الرؤية الحاسوبية قفزات معمارية كبيرة. ففي عام 2021، قدّم YOLOX نهجًا مؤثرًا للغاية خاليًا من المراسي، وسدّ الفجوة بين الأبحاث الأكاديمية والتطبيقات الصناعية. وبالانتقال سريعًا إلى عام 2026، نجد أن Ultralytics YOLO، وتحديدًا مع إصدار YOLO26، قد أعاد رسم ملامح هذا المجال. تستكشف هذه المقارنة الشاملة كيف يستند YOLO26 إلى الابتكارات السابقة لتقديم أداء وتعدد استخدامات وسهولة استعمال لا مثيل لها.
نظرة عامة على النماذج#
يُعد فهم أصول هذه النماذج وفلسفاتها الأساسية أمرًا ضروريًا لاتخاذ قرارات مدروسة بشأن النشر.
تفاصيل YOLO26#
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics على GitHub
- الوثائق: الوثائق الرسمية لـ YOLO26
يمثل YOLO26 ذروة الهندسة الحديثة للذكاء الاصطناعي، إذ يوفر رأسًا اختياريًا شاملًا من البداية إلى النهاية وخاليًا من NMS (nms=False) يزيل اختناقات المعالجة اللاحقة المعقدة. وقد جرى تحسينه بدرجة كبيرة للنشر على السحابة والأجهزة الطرفية، مع منظومة تدعم المهام المتنوعة بسلاسة.
تفاصيل YOLOX#
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المؤسسة: Megvii
- التاريخ: 2021-07-18
- Arxiv: التقرير التقني لـ YOLOX
- GitHub: مستودع YOLOX على GitHub
- الوثائق: وثائق YOLOX
كان YOLOX خطوة كبيرة إلى الأمام، إذ قدّم رأسًا منفصلًا وبنية خالية من المراسي، إلى جانب استراتيجية SimOTA لإسناد التسميات. وقدّم توازنًا ممتازًا بين السرعة والدقة عند إصداره، ما جعله خيارًا شائعًا للعديد من الأنظمة القديمة.
ابتكارات البنية#
تُبرز الاختلافات بين YOLO26 وYOLOX خمس سنوات من الابتكار المتواصل في تصميم التعلم العميق.
مع أن YOLOX دعم النهج الخالي من المراسي، فإنه ظل يعتمد بشدة على قمع غير الأقصى (NMS) التقليدي لتصفية الصناديق المحيطة الزائدة. ويقدم YOLO26 رأسًا اختياريًا شاملًا من البداية إلى النهاية وخاليًا من NMS (nms=False). وقد استُحدث هذا الإنجاز لأول مرة في YOLOv10، إذ يلغي المعالجة اللاحقة باستخدام NMS، ما يؤدي إلى خطوط نشر أسرع وأبسط مع تباين أقل بكثير في زمن الاستجابة.
علاوة على ذلك، يتميز YOLO26 بإزالة DFL. فمن خلال إزالة Distribution Focal Loss، تُبسَّط عملية تصدير النموذج إلى حد كبير، ما يضمن توافقًا استثنائيًا مع الأجهزة الطرفية والعتاد منخفض الطاقة. وعند الجمع بين ذلك والتحسينات المعمارية للنموذج، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بأسلافه، مما يجعله خيارًا قويًا للبيئات التي تفتقر إلى وحدات GPU مخصصة.
يُعد استقرار التدريب عاملًا فارقًا مهمًا آخر. يستخدم YOLO26 مُحسِّن MuSGD الجديد، وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب LLM التي طورتها Moonshot AI. ينقل هذا المُحسِّن استقرار تدريب النماذج اللغوية الكبيرة إلى الرؤية الحاسوبية، ويسهّل التقارب الأسرع.
يستخدم YOLO26 ProgLoss + STAL، وهما دالتا خسارة متخصصتان تحسّنان التعرف على الأجسام الصغيرة بشكل ملحوظ. وهذا مهم للمهام المعقدة، مثل معالجة الصور الجوية وتحليل البيئات المكتظة.
الأداء ومعايير التقييم#
عند مقارنة هذه النماذج مباشرةً على مجموعة بيانات COCO، يتضح تفوق YOLO26 من حيث الدقة والكفاءة. وتتميز نماذج Ultralytics باستمرار بمتطلبات ذاكرة أقل أثناء التدريب وسرعات استدلال أعلى.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
ملاحظة: يحقق نموذج YOLO26x قيمة mAP مذهلة تبلغ 57.5، مع حاجته إلى عدد أقل بكثير من المعلمات (55.7M) مقارنةً بنموذج YOLOXx (99.1M)، ما يبرز الكفاءة المذهلة في استخدام المعلمات ضمن بنية Ultralytics.
المنظومة وسهولة الاستخدام#
من أبرز مزايا اختيار YOLO26 المنظومة التي توفرها Ultralytics وتحظى بصيانة جيدة. فبينما يتطلب YOLOX التعامل مع قواعد أكواد بحثية معقدة وإعداد البيئات يدويًا، تقدم Ultralytics تجربة تطوير مبسطة تنقلك من الصفر إلى الاحتراف.
باستخدام واجهة Python البرمجية الموحدة، يمكن للمطورين التبديل بسهولة بين مهام مثل اكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور وتقدير الوضعيات. أما YOLOX، فيقتصر حصريًا على اكتشاف الصناديق المحيطة.
مثال على التدريب#
يتسم تدريب نموذج على مجموعة بيانات مخصصة باستخدام Ultralytics بالكفاءة العالية. ويقلل خط التدريب من استخدام ذاكرة CUDA، ما يتيح أحجام دفعات أكبر حتى على الأجهزة الاستهلاكية، في تناقض واضح مع البنى الأقدم أو نماذج Transformer الضخمة.
from ultralytics import YOLO
# تهيئة نموذج YOLO26 small المتطور
model = YOLO("yolo26s.pt")
# درّب النموذج بسهولة على مجموعة بيانات COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# تصدير النموذج المدرّب إلى تنسيق ONNX لنشره
model.export(format="onnx")تعزز منصة Ultralytics سير العمل هذا، إذ توفر التدريب السحابي، وتعليقًا توضيحيًا آليًا لمجموعات البيانات، وخيارات للنشر بنقرة واحدة. وهي أداة لا غنى عنها للفرق التي تسعى إلى الانتقال سريعًا من النماذج الأولية إلى الإنتاج.
حالات الاستخدام المثالية والتطبيقات الواقعية#
يحدد اختيار النموذج المناسب مدى نجاح النشر في العالم الحقيقي.
الذكاء الاصطناعي الطرفي وإنترنت الأشياء#
للتطبيقات التي تتطلب معالجة محلية على أجهزة محدودة، مثل أنظمة إنذار الأمان الذكية أو مستشعرات البيئة عن بُعد، يُعد YOLO26 الخيار الأمثل. فبفضل بنيته الخالية من NMS وتنفيذه على CPU الأسرع بنسبة 43%، يعمل بسلاسة على أجهزة مثل Raspberry Pi دون الحاجة إلى حلول التفافية معقدة للتكميم.
الروبوتات ذاتية التشغيل#
تتطلب الروبوتات دقة عالية وزمن استجابة منخفضًا. وتتيح قدرات تقدير الوضعيات في YOLO26، المدعومة بتقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، للروبوتات فهم حركيات جسم الإنسان في الوقت الفعلي. أما افتقار YOLOX إلى اكتشاف النقاط المفتاحية الأصلي فيجعله غير مناسب لمهام التفاعل المتقدمة بين الإنسان والروبوت.
الفحص الجوي وعلى الارتفاعات الشاهقة#
عند فحص البنية التحتية باستخدام الطائرات المسيّرة، يكون اكتشاف العيوب الدقيقة أمرًا بالغ الأهمية. وتحسّن دالتا ProgLoss وSTAL في YOLO26 الاستدعاء للأجسام الصغيرة بشكل ملحوظ. إضافة إلى ذلك، يدعم YOLO26 أصليًا الصناديق المحيطة الموجّهة (OBB)، مع خسارة زاوية متخصصة لمعالجة مشكلات الحدود، ما يجعله مثاليًا للصور الفضائية والجوية التي تظهر فيها الأجسام بزوايا دوران مختلفة.
عمليات النشر القديمة#
قد يظل YOLOX مستخدمًا في البيئات القديمة التي بُنيت فيها خطوط نشر C++ الحالية صراحةً حول مخرجات رأسه المنفصل المحدد في عام 2021. ومع ذلك، يوصى بشدة بالانتقال إلى منظومة Ultralytics في أي مشروع جديد للاستفادة من مكاسب الأداء الحديثة والدعم المجتمعي المستمر.
استكشاف نماذج أخرى#
مع أن YOLO26 يمثل أحدث ما توصلت إليه التقنية، توفر منظومة Ultralytics مجموعة متنوعة من النماذج المصممة لتلبية احتياجات محددة. ويمكن للمطورين المهتمين بالبنى القائمة على Transformer الاطلاع على RT-DETR، الذي يقدم نهجًا بديلًا للكشف الشامل من البداية إلى النهاية. كذلك يظل YOLO11 خيارًا قويًا ومختبرًا على نطاق واسع لبيئات الإنتاج التي تتطلب معايير تقييم تاريخية شاملة.
باختصار، يوضح الانتقال من YOLOX إلى YOLO26 مدى التقدم السريع في هذا المجال. ومن خلال الجمع بين واجهة برمجية سهلة الاستخدام، ومجموعة ميزات متعددة الاستخدامات، وكفاءة لا مثيل لها، يظل YOLO26 الخيار الأفضل للباحثين والمطورين حول العالم.