YOLOv10 ضد YOLOX: مقارنة فنية
يُعد اختيار نموذج الكشف عن الأجسام الأمثل أمرًا ضروريًا لتحقيق التوازن بين الدقة والسرعة والمتطلبات الحسابية في مشاريع رؤية الكمبيوتر. تقدم هذه الصفحة مقارنة فنية مفصلة بين YOLOv10 و YOLOX، وهما نموذجان مهمان في مجال الكشف عن الأجسام. سنقوم بتحليل تصميماتهما المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في اختيار الأنسب لاحتياجاتك، مع تسليط الضوء على مزايا YOLOv10 داخل نظام Ultralytics البيئي.
YOLOv10: كاشف شامل متطور في الوقت الحقيقي
Ultralytics YOLOv10، الذي طوره باحثون في جامعة Tsinghua، يمثل تقدماً كبيراً في اكتشاف الكائنات في الوقت الفعلي من خلال التركيز على الكفاءة من طرف إلى طرف. تم تقديمه في مايو 2024، وهو يعالج اختناقات المعالجة اللاحقة ويحسن البنية لتحقيق سرعة وأداء فائقين، مما يجعله خياراً متطوراً للمطورين.
تفاصيل فنية:
- المؤلفون: Ao Wang, Hui Chen, Lihao Liu، وآخرون.
- المنظمة: جامعة تسينغ هوا
- التاريخ: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- المستندات: https://docs.ultralytics.com/models/yolov10/
البنية والميزات الرئيسية
يقدم YOLOv10 العديد من الابتكارات الرئيسية لتحسين الكفاءة والأداء:
- تدريب بدون NMS: الابتكار الأساسي هو استخدام تعيينات ثنائية متسقة لإزالة الحاجة إلى تثبيط غير الأقصى (NMS) أثناء الاستدلال. هذا يقلل بشكل كبير من زمن الوصول للاستدلال ويبسط مسار النشر، مما يتيح الكشف الحقيقي عن الكائنات من طرف إلى طرف.
- تصميم شامل للكفاءة والدقة: تم تحسين بنية النموذج بشكل شامل لتقليل التكرار الحسابي وتعزيز القدرة. يتضمن ذلك رأس تصنيف خفيف الوزن وتقليل أبعاد مفصول مكانيًا وقنواتيًا، مما يحافظ على المعلومات بشكل أكثر فعالية مع خفض التكاليف الحسابية.
- توازن أداء فائق: تحقق YOLOv10 مقايضة ممتازة بين السرعة والدقة. إنها تقدم درجات mAP عالية مع الحفاظ على زمن انتقال منخفض للغاية، مما يجعلها مناسبة لمجموعة واسعة من سيناريوهات النشر في العالم الحقيقي.
- تكامل نظام Ultralytics البيئي: كجزء من نظام Ultralytics البيئي، يستفيد YOLOv10 من تجربة مستخدم مبسطة. يتضمن ذلك Python API بسيطًا، و وثائق شاملة، وعمليات تدريب فعالة مع أوزان مُدرَّبة مسبقًا متاحة بسهولة، ومتطلبات ذاكرة أقل مقارنة بالعديد من البدائل.
نقاط القوة والضعف
نقاط القوة:
- سرعة وكفاءة استثنائيتان: مُحسَّن للاستدلال في الوقت الفعلي وبزمن انتقال منخفض، مما يجعله أحد أسرع الكاشفات المتاحة.
- استدلال خالٍ من NMS: يبسط النشر ويسرع المعالجة اللاحقة، وهي ميزة حاسمة للأنظمة الإنتاجية.
- أداء هو الأفضل على الإطلاق: يحقق درجات mAP ممتازة عبر مختلف أحجام النماذج (n, s, m, b, l, x)، وغالبًا ما يتفوق على النماذج الأخرى بعدد أقل من المعلمات.
- سهولة الاستخدام: تم دمجه بسلاسة في إطار Ultralytics، مما يوفر تجربة سهلة الاستخدام من التدريب إلى النشر.
- كفاءة التدريب: عملية التدريب عالية الكفاءة، مدعومة بشفرة مُحسَّنة جيدًا وأوزان مُدرَّبة مسبقًا ودعم مجتمعي نشط.
نقاط الضعف:
- جديد نسبيًا: كنموذج أحدث، لا يزال اتساع الأمثلة التي ساهم بها المجتمع وعمليات تكامل الطرف الثالث في ازدياد مقارنة بالنماذج القديمة والأكثر رسوخًا.
حالات الاستخدام
YOLOv10 مثالي للتطبيقات الصعبة في الوقت الفعلي حيث تكون السرعة والدقة أمرًا بالغ الأهمية:
- Edge AI: مثالي للنشر على الأجهزة ذات الموارد المحدودة مثل Raspberry Pi و NVIDIA Jetson.
- الأنظمة الآنية: مناسبة تمامًا للمركبات ذاتية القيادة، الروبوتات، تحليلات الفيديو عالية السرعة، و المراقبة.
- معالجة عالية الإنتاجية: مثالية للفحص الصناعي والتطبيقات الأخرى التي تتطلب تحليلًا سريعًا لتدفقات البيانات الكبيرة.
YOLOX: كاشف عالي الأداء للأجسام بدون نقاط ارتكاز
YOLO هو نموذج للكشف عن الكائنات وخالٍ من المرساة تم تطويره بواسطة Megvii في عام 2021. تم تقديمه كبديل داخل عائلة YOLO، بهدف تبسيط مسار الكشف مع تحقيق أداء عالٍ وسد الفجوة بين البحث والتطبيقات الصناعية.
تفاصيل فنية:
- المؤلفون: تشنغ قه، سونغتاو ليو، فنغ وانغ، زيمينغ لي، وجيان صن
- المنظمة: Megvii
- التاريخ: 2021-07-18
- Arxiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- المستندات: https://yolox.readthedocs.io/en/latest/
البنية والميزات الرئيسية
يطبق YOLO العديد من التغييرات المعمارية الهامة مقارنة بنماذج YOLO السابقة:
- تصميم بدون مربعات ارتكاز (Anchor-Free): من خلال إلغاء مربعات الارتكاز المحددة مسبقًا، يبسّط YOLOX مسار الكشف ويقلل من عدد المعلمات الفائقة، مما قد يحسن التعميم.
- Decoupled Head: تستخدم رؤوسًا منفصلة لمهام التصنيف والتوطين. يمكن أن يحسن هذا الفصل سرعة التقارب والدقة مقارنة بالرؤوس المزدوجة المستخدمة في بعض النماذج السابقة.
- استراتيجيات التدريب المتقدمة: تشتمل YOLOX على تقنيات متقدمة مثل SimOTA (Simplified Optimal Transport Assignment) لتعيين التصنيفات الديناميكي وطرق تقوية البيانات القوية مثل MixUp.
نقاط القوة والضعف
نقاط القوة:
- دقة عالية: يحقق mAP قويًا، خاصة مع المتغيرات الأكبر مثل YOLOX-x.
- بساطة بدون مرساة: يقلل من التعقيد المرتبط بتكوين وضبط مربع الإرساء.
- نموذج راسخ: نظرًا لكونه متاحًا منذ عام 2021، فإنه يتمتع بقاعدة صلبة من موارد المجتمع وأمثلة النشر.
نقاط الضعف:
- استدلال أبطأ: على الرغم من كفاءتها في وقتها، إلا أنها يمكن أن تكون أبطأ وأكثر كثافة من الناحية الحسابية من النماذج الحديثة المحسّنة للغاية مثل YOLOv10، خاصة عند مقارنة النماذج ذات الدقة المماثلة.
- النظام البيئي الخارجي: إنه غير مدمج أصليًا في نظام Ultralytics البيئي، الأمر الذي قد يتطلب مزيدًا من الجهد للنشر والتدريب والتكامل مع أدوات مثل Ultralytics HUB.
- تنوع المهام: يركز YOLOX بشكل أساسي على اكتشاف الأجسام ويفتقر إلى الدعم المدمج لمهام الرؤية الأخرى مثل تقسيم الصور أو تقدير الوضعيات الموجودة في النماذج الأحدث والأكثر تنوعًا من Ultralytics.
حالات الاستخدام
يعتبر YOLO خيارًا قويًا لـ:
- الكشف العام عن الكائنات: التطبيقات التي تحتاج إلى توازن جيد بين الدقة والسرعة، مثل أنظمة الأمان.
- البحث: إنها بمثابة أساس قوي لاستكشاف وتطوير طرق جديدة للكشف الخالي من المرساة.
- التطبيقات الصناعية: مهام مثل مراقبة الجودة حيث الدقة العالية هي مطلب أساسي.
تحليل الأداء: YOLOv10 مقابل YOLOX
يقدم الجدول التالي مقارنة تفصيلية لمقاييس الأداء لأحجام النماذج المختلفة لـ YOLOv10 و YOLOX، والتي تم قياسها على مجموعة بيانات COCO.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
المعلمات (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| 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 |
من البيانات، من الواضح أن YOLOv10 يتفوق باستمرار على YOLOX في كل مقياس تقريبًا.
- الدقة والكفاءة: تحقق نماذج YOLOv10 درجات mAP أعلى مع عدد أقل بكثير من المعلمات وعمليات الفاصلة العائمة في الثانية (FLOPs). على سبيل المثال، يصل YOLOv10-m إلى 51.3 mAP مع 15.4 مليون معلمة فقط، متجاوزًا YOLOX-l (49.7 mAP مع 54.2 مليون معلمة) وحتى مطابقًا لـ YOLOX-x (51.1 mAP مع 99.1 مليون معلمة) مع كونه أكثر كفاءة.
- سرعة الاستدلال: يُظهر YOLOv10 سرعة فائقة. YOLOv10-x أسرع بنسبة 32٪ من YOLOX-x على وحدة معالجة الرسومات NVIDIA T4 مع كونه أكثر دقة أيضًا. تعتبر ميزة الكفاءة هذه ضرورية للتطبيقات في الوقت الفعلي.
- حجم النموذج: كفاءة معلمات YOLOv10 ملحوظة. يحتوي أكبر نموذج YOLOv10x على ما يقرب من نصف معلمات YOLOX-x، مما يجعله أسهل في النشر على الأنظمة ذات قيود الذاكرة.
الخلاصة والتوصيات
في حين أن YOLOX هو كاشف قادر وخالٍ من الارتكاز وذو أهمية تاريخية، فإن YOLOv10 هو الفائز الواضح للمشاريع الجديدة، وخاصة تلك التي تتطلب أداءً وكفاءة عالية. يقدم تصميمه المبتكر الخالي من NMS والتحسينات المعمارية الشاملة توازنًا حديثًا بين السرعة والدقة لا يمكن لـ YOLOX تحقيقه.
بالنسبة للمطورين والباحثين، يقدم YOLOv10 مزايا مقنعة:
- أداء فائق: دقة أفضل مع سرعات أعلى وتكلفة حسابية أقل.
- نشر مبسط: يزيل النهج الخالي من NMS عنق الزجاجة الشائع للمعالجة اللاحقة.
- نظام بيئي قوي: يوفر التكامل مع نظام Ultralytics الوصول إلى وثائق شاملة وصيانة نشطة وسير عمل مبسط من التدريب إلى الإنتاج.
بالنسبة للمستخدمين المهتمين باستكشاف نماذج أخرى حديثة، تقدم Ultralytics مجموعة من الخيارات، بما في ذلك YOLOv8 متعددة الاستخدامات، و YOLOv9 الفعالة، وأحدث YOLO11. يمكنك العثور على مزيد من المقارنات، مثل YOLOv10 مقابل YOLOv8، للمساعدة في اختيار أفضل نموذج لاحتياجاتك الخاصة.
