YOLO26 مقابل YOLOX#
اتسم تطور الرؤية الحاسوبية بقفزات معمارية كبيرة. في عام 2021، قدم YOLOX نهجًا مؤثرًا للغاية وخاليًا من المراسي، أسهم في سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي. وبحلول عام 2026، أعادت Ultralytics YOLO، وتحديدًا مع إصدار YOLO26، رسم ملامح المجال. تستكشف هذه المقارنة الشاملة كيف يبني YOLO26 على الابتكارات التاريخية لتقديم أداء وتعدد استخدامات وسهولة استخدام 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
- المنظمة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics على GitHub
- الوثائق: الوثائق الرسمية لـ YOLO26
يمثل YOLO26 ذروة هندسة الذكاء الاصطناعي الحديثة، إذ يوفر تصميمًا أصيلًا من البداية إلى النهاية يلغي اختناقات المعالجة اللاحقة المعقدة. وقد جرى تحسينه بدرجة كبيرة لكل من عمليات النشر السحابية وعلى الحافة، مع منظومة تدعم المهام المتنوعة بسلاسة.
تفاصيل YOLOX#
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المنظمة: Megvii
- التاريخ: 2021-07-18
- Arxiv: التقرير التقني لـ YOLOX
- GitHub: مستودع YOLOX على GitHub
- الوثائق: وثائق YOLOX
كان YOLOX خطوة مهمة إلى الأمام، إذ قدم رأسًا مفككًا ومعمارية خالية من المراسي إلى جانب استراتيجية تعيين التسميات SimOTA. وقد وفر توازنًا ممتازًا بين السرعة والدقة عند إصداره، مما جعله خيارًا شائعًا للعديد من الأنظمة القديمة.
الابتكارات المعمارية#
تُبرز الفروق بين YOLO26 وYOLOX خمسة أعوام من الابتكار المتواصل في تصميم التعلم العميق.
في حين تبنى YOLOX النهج الخالي من المراسي، ظل يعتمد بدرجة كبيرة على قمع الصناديق المحيطة غير القصوى التقليدي (NMS) لتصفية الصناديق المحيطة المتكررة. يقدم YOLO26 تصميمًا من البداية إلى النهاية خاليًا من NMS. وقد أُثبت هذا الاختراق لأول مرة في YOLOv10، إذ يلغي تمامًا المعالجة اللاحقة لـ NMS، مما ينتج عنه مسارات نشر أسرع وأبسط مع تباين أقل بكثير في زمن الاستجابة.
علاوة على ذلك، يتميز YOLO26 بإزالة DFL. فمن خلال إزالة Distribution Focal Loss، تتبسط عملية تصدير النموذج بدرجة كبيرة، بما يضمن توافقًا استثنائيًا مع الأجهزة الطرفية والعتاد منخفض الطاقة. وعند دمج ذلك مع التحسينات المعمارية للنموذج، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بأسلافه، مما يجعله خيارًا قويًا للبيئات التي تفتقر إلى GPU مخصص.
يُعد استقرار التدريب عاملًا تمييزيًا مهمًا آخر. يستخدم YOLO26 مُحسِّن MuSGD الجديد، وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب LLM من Moonshot AI. ينقل هذا المُحسِّن استقرار تدريب نماذج اللغة الكبيرة إلى مجال الرؤية الحاسوبية، مما يسهّل التقارب الأسرع.
يستخدم YOLO26 دوال الخسارة المتخصصة ProgLoss + STAL، التي تحقق تحسينات ملحوظة في التعرف على الأجسام الصغيرة. ويُعد ذلك أمرًا بالغ الأهمية للمهام المعقدة، مثل معالجة الصور الجوية وتحليل البيئات الكثيفة.
الأداء والمعايير القياسية#
عند مقارنة النموذجين مباشرةً على مجموعة بيانات COCO، تتضح أفضلية YOLO26 في كل من الدقة والكفاءة. تقدم نماذج Ultralytics باستمرار متطلبات ذاكرة أقل أثناء التدريب وسرعات استدلال أعلى.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| 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 |
ملاحظة: يحقق نموذج YOLO26x قيمة mAP impressive تبلغ 57.5، مع احتياجه إلى عدد أقل بكثير من المعلمات (55.7M) مقارنةً بنموذج YOLOXx (99.1M)، مما يبرز الكفاءة المذهلة لمعمارية Ultralytics من حيث المعلمات.
المنظومة وسهولة الاستخدام#
تتمثل إحدى أهم مزايا اختيار YOLO26 في المنظومة جيدة الصيانة التي توفرها Ultralytics. وبينما يتطلب YOLOX التعامل مع مستودعات شيفرة بحثية معقدة وإعدادات بيئة يدوية، تقدم Ultralytics تجربة مطور مبسطة من "الصفر إلى الاحتراف".
باستخدام Python API الموحد، يمكن للمطورين التبديل بسهولة بين مهام مثل اكتشاف الأجسام وتجزئة المثيلات وتصنيف الصور وتقدير الوضعية. وعلى العكس، يقتصر YOLOX بشكل صارم على اكتشاف الصناديق المحيطة.
مثال على التدريب#
يتميز تدريب نموذج على مجموعة بيانات مخصصة باستخدام Ultralytics بكفاءة ملحوظة. يقلل مسار التدريب من استخدام ذاكرة CUDA، مما يتيح أحجام دفعات أكبر حتى على العتاد الاستهلاكي، في stark contrast مع المعماريات الأقدم أو نماذج Transformer الثقيلة.
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model effortlessly with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# Export the trained model to ONNX format for deployment
model.export(format="onnx")تعمل منصة Ultralytics على تعزيز سير العمل هذا بشكل أكبر، إذ توفر التدريب السحابي، ووضع التعليقات التوضيحية الآلي لمجموعات البيانات، وخيارات النشر بنقرة واحدة. وهي أداة لا غنى عنها للفرق التي تهدف إلى الانتقال سريعًا من النمذجة الأولية إلى الإنتاج.
حالات الاستخدام المثالية والتطبيقات الواقعية#
يحدد اختيار النموذج المناسب مدى نجاح عملية النشر في العالم الحقيقي.
الذكاء الاصطناعي على الحافة وإنترنت الأشياء#
بالنسبة إلى التطبيقات التي تتطلب معالجة محلية على عتاد محدود، مثل أنظمة الإنذار الأمني الذكية أو المستشعرات البيئية النائية، يُعد YOLO26 الخيار الحاسم. فمعماريته الخالية من NMS وتنفيذه على CPU بسرعة أكبر بنسبة 43% يعنيان أنه يعمل بسلاسة على أجهزة مثل Raspberry Pi دون الحاجة إلى حلول التفافية معقدة للتكميم.
الروبوتات المستقلة#
تتطلب الروبوتات دقة عالية وزمن استجابة منخفضًا. وتتيح قدرات تقدير الوضعية في YOLO26، التي يعززها تقدير الاحتمالية اللوغاريتمية المتبقية (RLE)، للروبوتات فهم حركيات الإنسان في الوقت الفعلي. ويجعل افتقار YOLOX إلى اكتشاف أصلي للنقاط المفتاحية غير مناسب لمهام التفاعل المتقدمة بين الإنسان والروبوت.
الفحص على الارتفاعات العالية والفحص الجوي#
عند فحص البنية التحتية بواسطة الطائرات المسيّرة، يُعد اكتشاف العيوب الدقيقة أمرًا بالغ الأهمية. تحسن دالتا ProgLoss وSTAL الاستدعاء للأجسام الصغيرة جدًا بدرجة كبيرة في YOLO26. بالإضافة إلى ذلك، يدعم YOLO26 أصلاً الصناديق المحيطة الموجّهة (OBB)، مع خسارة زاوية متخصصة لمعالجة مشكلات الحدود، مما يجعله مثاليًا للصور الساتلية والجوية حيث تدور الأجسام بزوايا اعتباطية.
عمليات النشر القديمة#
قد يظل YOLOX مستخدمًا في البيئات القديمة التي بُنيت فيها مسارات النشر الحالية بلغة C++ صراحةً حول مخرجات رأسه المفكك المحددة في عام 2021. ومع ذلك، يوصى بشدة بالانتقال إلى منظومة Ultralytics لأي مشروع جديد للاستفادة من مكاسب الأداء الحديثة والدعم المجتمعي المستمر.
استكشاف نماذج أخرى#
رغم أن YOLO26 يمثل أحدث ما توصل إليه المجال حاليًا، توفر منظومة Ultralytics مجموعة متنوعة من النماذج المصممة لتلبية احتياجات محددة. وبالنسبة إلى المطورين المهتمين بالمعماريات القائمة على Transformer، يقدم RT-DETR نهجًا بديلًا للاكتشاف من البداية إلى النهاية. بالإضافة إلى ذلك، يظل YOLO11 خيارًا قويًا ومختبرًا بدرجة كبيرة لبيئات الإنتاج التي تتطلب قياسًا مرجعيًا تاريخيًا واسعًا.
باختصار، يوضح الانتقال من YOLOX إلى YOLO26 سرعة تقدم المجال. ومن خلال الجمع بين API سهلة الاستخدام ومجموعة ميزات متعددة الاستخدامات وكفاءة لا مثيل لها، يبرز YOLO26 بوصفه الخيار الأول للباحثين والمطورين في جميع أنحاء العالم.