مقارنة بين YOLO26 وYOLOX#
اتسم تطور رؤية الحاسوب بقفزات معمارية كبيرة. في عام 2021، قدمت YOLOX نموذجاً مؤثراً للغاية بدون مرساة (anchor-free) شكل جسراً بين البحث الأكاديمي والتطبيق الصناعي. وبالانتقال سريعاً إلى عام 2026، أعيد تعريف المشهد بواسطة Ultralytics YOLO، وتحديداً مع إطلاق YOLO26. يستكشف هذا المقارنة الشاملة كيف يبني YOLO26 على الابتكارات التاريخية ليقدم أداءً وتنوعاً وسهولة استخدام لا مثيل لها.
نظرة عامة على النماذج#
يعد فهم أصول وفلسفات هذه النماذج أمراً أساسياً لاتخاذ قرارات نشر مستنيرة.
تفاصيل YOLO26#
- المؤلفون: Glenn Jocher و Jing Qiu
- المنظمة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics على GitHub
- المستندات: التوثيق الرسمي لـ YOLO26
YOLO26 تمثل ذروة هندسة الذكاء الاصطناعي الحديثة، حيث توفر تصميماً متكاملاً أصلياً يلغي اختناقات المعالجة اللاحقة المعقدة. وهي محسنة بشكل كبير لكل من عمليات النشر السحابية والحافة، وتتميز بنظام بيئي يدعم مهام متنوعة بسلاسة.
تفاصيل YOLOX#
- المؤلفون: Zheng Ge، وSongtao Liu، وFeng Wang، وZeming Li، وJian Sun
- Organization: Megvii
- التاريخ: 2021-07-18
- Arxiv: التقرير التقني لـ YOLOX
- GitHub: مستودع YOLOX على GitHub
- Docs: توثيق YOLOX
كانت YOLOX خطوة كبيرة للأمام، حيث قدمت رأساً منفصلاً (decoupled head) ومعمارية خالية من الارتكاز (anchor-free) بجانب استراتيجية تعيين التسميات SimOTA. لقد قدمت توازناً ممتازاً بين السرعة والدقة في وقت إصدارها، مما جعلها خياراً شائعاً للعديد من الأنظمة القديمة.
الابتكارات المعمارية#
تسلط الاختلافات بين YOLO26 وYOLOX الضوء على خمس سنوات من الابتكار المستمر في تصميم التعلم العميق.
بينما تبنت YOLOX النهج الخالي من المراسي، إلا أنها كانت تعتمد بشكل كبير على قمع الحد الأقصى التقليدي (NMS) لتصفية صناديق الإحاطة المتكررة. يقدم YOLO26 تصميماً بلا NMS من البداية إلى النهاية (End-to-End NMS-Free Design). هذا الإنجاز، الذي تم ريادته لأول مرة في YOLOv10، يلغي تماماً معالجة ما بعد NMS، مما ينتج عنه خطوط أنابيب نشر أسرع وأبسط مع تباين زمن انتقال أقل بكثير.
علاوة على ذلك، تتميز YOLO26 بإزالة DFL. من خلال إزالة Distribution Focal Loss، يتم تبسيط عملية تصدير النموذج بشكل جذري، مما يضمن توافقاً استثنائياً مع أجهزة الحافة والأجهزة منخفضة الطاقة. عند دمجها مع التحسينات المعمارية للنموذج، تحقق YOLO26 ما يصل إلى استدلال أسرع بنسبة 43% على وحدة المعالجة المركزية (CPU) مقارنة بأسلافها، مما يجعلها قوة دافعة للبيئات التي تفتقر إلى وحدات معالجة الرسومات (GPU) المخصصة.
استقرار التدريب هو عامل تمييز حاسم آخر. يستخدم YOLO26 مُحسِّن MuSGD الجديد، وهو هجين من SGD و Muon مستوحى من ابتكارات تدريب النماذج اللغوية الكبيرة (LLM) من Moonshot AI. يجلب هذا المُحسِّن استقرار تدريب النماذج اللغوية الكبيرة إلى رؤية الحاسوب، مما يسهل تقارباً أسرع.
يستخدم YOLO26 ProgLoss + STAL، وهي دوال فقدان متخصصة تنتج تحسينات ملحوظة في التعرف على الأجسام الصغيرة. هذا أمر بالغ الأهمية للمهام المعقدة مثل معالجة صور الأقمار الصناعية/الجوية وتحليل البيئات المزدحمة.
الأداء والمعايير القياسية#
عند مقارنة هذه النماذج وجهاً لوجه على مجموعة بيانات COCO، يتضح تفوق YOLO26 في كل من الدقة والكفاءة. تقدم نماذج Ultralytics باستمرار متطلبات ذاكرة أقل أثناء التدريب وسرعات استدلال أسرع.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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 نسبة 57.5 mAP مبهرة مع تطلب معلمات أقل بكثير (55.7 مليون) من نموذج YOLOXx (99.1 مليون)، مما يسلط الضوء على كفاءة المعلمات المذهلة لمعمارية Ultralytics.
النظام البيئي وسهولة الاستخدام#
واحدة من أهم مزايا اختيار YOLO26 هي النظام البيئي الذي يتم صيانته جيداً والذي توفره Ultralytics. بينما تتطلب YOLOX التنقل في قواعد أكواد بحثية معقدة وإعدادات بيئة يدوية، تقدم Ultralytics تجربة مطور انسيابية وشاملة.
باستخدام واجهة برمجة تطبيقات Python الموحدة، يمكن للمطورين التبديل بسهولة بين المهام مثل اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية. في المقابل، تقتصر YOLOX حصراً على اكتشاف صناديق الإحاطة.
مثال على التدريب#
إن تدريب نموذج على مجموعة بيانات مخصصة باستخدام Ultralytics فعال للغاية. يقلل خط أنابيب التدريب من استخدام ذاكرة CUDA، مما يسمح بأحجام دفعات أكبر حتى على أجهزة المستهلك، وهو تناقض صارخ مع المعماريات القديمة أو نماذج المحولات (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 تحسين سير العمل هذا بشكل أكبر، حيث توفر التدريب السحابي، والتعليق التوضيحي الآلي لمجموعات البيانات، وخيارات النشر بنقرة واحدة. إنها أداة لا غنى عنها للفرق التي تسعى للانتقال من النماذج الأولية إلى الإنتاج بسرعة.
حالات الاستخدام المثالية والتطبيقات الواقعية#
اختيار النموذج الصحيح يملي نجاح نشرك في العالم الحقيقي.
ذكاء الحافة وIoT#
بالنسبة للتطبيقات التي تتطلب معالجة محلية على الأجهزة المحدودة، مثل أنظمة الإنذار الأمني الذكية أو أجهزة الاستشعار البيئية البعيدة، فإن YOLO26 هو الخيار النهائي. تعني بنيته الخالية من NMS وتنفيذ وحدة المعالجة المركزية (CPU) الأسرع بنسبة 43% أنه يعمل بسلاسة على أجهزة مثل Raspberry Pi دون الحاجة إلى حلول التفاضل الكمي المعقدة.
الروبوتات المستقلة#
تتطلب الروبوتات دقة عالية وزمن انتقال منخفض. تتيح إمكانيات تقدير الوضعية في YOLO26، المدعومة بتقدير الاحتمال اللوغاريتمي المتبقي (RLE)، للروبوتات فهم الحركية البشرية في الوقت الفعلي. تجعل افتقار YOLOX للاكتشاف الأصلي للنقاط الرئيسية غير مناسب لمثل هذه المهام المتقدمة للتفاعل بين الإنسان والآلة.
الفحص عالي الارتفاع والجوي#
عند فحص البنية التحتية عبر الطائرات بدون طيار (الدرونز)، يعد اكتشاف العيوب الدقيقة أمراً بالغ الأهمية. تعمل وظائف ProgLoss و STAL في YOLO26 على تحسين الاستدعاء بشكل كبير على الكائنات الدقيقة. بالإضافة إلى ذلك، يدعم YOLO26 بشكل أصلي صناديق الإحاطة الموجهة (OBB)، كاملة مع فقدان زاوية متخصص لحل مشكلات الحدود، مما يجعله مثاليًا للصور الفضائية والجوية حيث تتم استدارة الكائنات بشكل عشوائي.
عمليات النشر القديمة#
قد تظل YOLOX تجد استخداماً في البيئات القديمة حيث تم بناء خطوط أنابيب نشر C++ الحالية صراحة حول مخرجات رأسها المنفصل المحددة في عام 2021. ومع ذلك، بالنسبة لأي مشروع جديد، يُنصح بشدة بالانتقال إلى نظام Ultralytics البيئي للاستفادة من مكاسب الأداء الحديثة ودعم المجتمع المستمر.
استكشاف نماذج أخرى#
بينما يمثل YOLO26 أحدث ما توصلت إليه التكنولوجيا حالياً، فإن نظام Ultralytics البيئي يقدم مجموعة متنوعة من النماذج المصممة خصيصاً لتلبية احتياجات محددة. بالنسبة للمطورين المهتمين بالبنى القائمة على المحولات (transformers)، توفر RT-DETR نهجاً بديل من النهاية إلى النهاية للاكتشاف. بالإضافة إلى ذلك، تظل YOLO11 خياراً قوياً ومختبراً للغاية لبيئات الإنتاج التي تتطلب مقارنة مرجعية تاريخية واسعة النطاق.
باختصار، يوضح الانتقال من YOLOX إلى YOLO26 التقدم السريع في هذا المجال. من خلال الجمع بين واجهة برمجة تطبيقات بديهية، ومجموعة ميزات متنوعة، وكفاءة لا مثيل لها، تبرز YOLO26 كخيار أول للباحثين والمطورين في جميع أنحاء العالم.