ابدأ

YOLOv5 مقابل YOLOX

شهد تطور الرؤية الحاسوبية في الزمن الحقيقي محطات عديدة، إذ حسّنت بنيات مختلفة السرعة والدقة. ومن النماذج المؤثرة للغاية في هذا المجال YOLOv5 وYOLOX. وعلى الرغم من شهرة كليهما بأدائهما العالي في اكتشاف الأجسام، فإنهما يتبعان نهجين معماريين مختلفين جذرياً.

يقدّم هذا الدليل تحليلاً تقنياً للنموذجين، ويقارن بين بنيتيهما ومقاييس الأداء ومنهجيات التدريب وسيناريوهات النشر المثالية لمساعدة المطورين والباحثين على اختيار الأداة المناسبة لمشاريع ذكاء الرؤية.

لمحة عامة عن النماذج والاختلافات البنيوية#

Ultralytics YOLOv5#

قدّمته Ultralytics، وسرعان ما أصبح YOLOv5 معياراً صناعياً بفضل توازنه القوي بين الأداء وسهولة الاستخدام وكفاءة الذاكرة. وبُني أصلاً على إطار PyTorch، ويستخدم YOLOv5 بنية قائمة على صناديق الارتكاز. ويعتمد على أشكال محددة مسبقاً للصناديق المحيطة لتوقع مواقع الأجسام، ما يجعله فعالاً للغاية في مهام اكتشاف الأجسام القياسية.

من أبرز نقاط قوة YOLOv5 منظومته التي تتم صيانتها جيداً. فهو يوفّر وثائق شاملة وواجهة Python بسيطة وتكاملاً أصلياً مع منصة Ultralytics. ويتيح ذلك للمطورين الانتقال مباشرة من إضافة التسميات إلى مجموعات البيانات إلى التدريب والتصدير بتنسيقات مثل ONNX وTensorRT.

ميزة المنظومة

تتطلب نماذج Ultralytics YOLO عادةً ذاكرة GPU أقل بكثير أثناء التدريب مقارنةً بالبدائل المعقدة القائمة على Transformer. وتجعل هذه البصمة المنخفضة للذاكرة YOLOv5 متاحًا على نطاق واسع للباحثين الذين يعملون باستخدام أجهزة استهلاكية.

YOLOX من Megvii#

طوّر باحثون في Megvii نموذج YOLOX، وسلك مسارًا مختلفًا بإدخال تصميم خالٍ من المراسي إلى عائلة YOLO. ومن خلال التخلص من مربعات المراسي، يبسط YOLOX رأس الاكتشاف ويقلل كثيرًا عدد المعلمات الاستدلالية التي يلزم ضبطها يدويًا أثناء التدريب.

يتضمن YOLOX أيضًا رأسًا مفصولًا—يفصل مهام التصنيف والانحدار إلى فروع مختلفة في الشبكة—ويستخدم استراتيجية إسناد التسميات SimOTA. وتسهم هذه الابتكارات في ردم الفجوة بين البحث الأكاديمي والتطبيقات الصناعية، ما يجعل YOLOX فعالًا بوجه خاص في البيئات ذات المقاييس المتباينة بشدة للكائنات.

تعرّف على مزيد من المعلومات عن YOLOX

الأداء والمقاييس#

عند تقييم نماذج الرؤية الحاسوبية، تكون المفاضلة بين متوسط الدقة (mAP) وسرعة الاستدلال عاملًا حاسمًا. ويوفر كلا النموذجين مجموعة من الأحجام (من Nano إلى Extra-Large) لتلبية قيود الأجهزة المختلفة.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
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

مع أن YOLOXx يحقق دقة قصوى أعلى قليلاً (51.1 mAP)، يوفّر YOLOv5 مسار نشر أكثر نضجاً واختباراً على نطاق واسع عبر أجهزة CPU وGPU. كما يسجل YOLOv5 زمناً أقل للاستجابة على T4 باستخدام TensorRT مقارنة بـ YOLOX عند الأحجام المتطابقة، ما يجعله خياراً موثوقاً لتحليلات الفيديو في الزمن الحقيقي.

منهجيات التدريب وسهولة الاستخدام#

تختلف تجربة المطور اختلافًا كبيرًا بين هاتين البنيتين.

نهج YOLOX#

يتطلب تدريب YOLOX عادةً استنساخ المستودع الأصلي وإدارة تبعيات محددة وتشغيل نصوص برمجية معقدة عبر سطر الأوامر. ورغم دعمه ميزات متقدمة مثل التدريب بدقة مختلطة والإعدادات متعددة العُقد عبر MegEngine، فقد يكون منحنى التعلم حادًا للمطورين الذين يحتاجون إلى إنشاء نماذج أولية بسرعة.

ميزة Ultralytics#

على النقيض، تعطي Ultralytics الأولوية لتجربة استخدام مبسطة. وباستخدام حزمة Python ultralytics، يستطيع المطورون تحميل نموذج وتدريبه والتحقق من صحته بأقل قدر من التعليمات البرمجية التمهيدية. وتتولى Ultralytics تلقائياً معالجة تحسين البيانات وجدولة معدل التعلّم، كما توفر ضبطاً مدمجاً للمعلمات الفائقة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv5 صغير مدرّب مسبقًا⁩
model = YOLO("yolov5su.pt")  # ⁨YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics⁩

# ⁨تدريب النموذج على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨التحقق من أداء النموذج⁩
metrics = model.val()

يتجاوز تعدد استخدامات YOLOv5 اكتشاف الأجسام القياسي: إذ يدعم مستودع YOLOv5 الأصلي تجزئة الكائنات وتصنيف الصور، كما تغطي حزمة ultralytics هذه المهام باستخدام نماذج أحدث مثل YOLO26.

نشر مبسط

بعد اكتمال التدريب، لا يتطلب تصدير نموذج YOLOv5 إلى ONNX أو CoreML أو LiteRT أو OpenVINO سوى استدعاء واحد بسيط مثل model.export(format="onnx"). وهذا يلغي الحاجة إلى نصوص التحويل التابعة لجهات خارجية، التي تتطلبها عادةً مستودعات الأبحاث.

تطبيقات واقعية#

يعتمد اختيار أحد هذين النموذجين على بيئة النشر والمتطلبات التقنية:

  • تجارة التجزئة وإدارة المخزون: يلائم YOLOv5 التطبيقات التي تتطلب التعرّف على المنتجات في الزمن الحقيقي على الأجهزة الطرفية مثل NVIDIA Jetson. ويدعم حجمه الضئيل في الذاكرة وسرعات استدلاله العالية باستخدام TensorRT مسارات عمل متعددة الكاميرات بمعدلات إطارات آنية.
  • البحث الأكاديمي والبنى المخصصة: يحظى YOLOX بتقدير كبير في مجتمع الأبحاث. ويجعل رأسه المفصول وطبيعته الخالية من المراسي منه خط أساس ممتازًا للمهندسين الراغبين في تجربة استراتيجيات مبتكرة لإسناد التسميات أو العاملين على مجموعات بيانات لا تعمم فيها مربعات المراسي التقليدية بنجاح.
  • الذكاء الاصطناعي الزراعي: في مهام الزراعة الدقيقة، مثل اكتشاف الفاكهة أو تحديد الأعشاب الضارة باستخدام الطائرات المسيّرة، تتيح سهولة تدريب نماذج YOLOv5 ونشرها باستخدام منصة Ultralytics لخبراء المجال تنفيذ حلول الذكاء الاصطناعي دون الحاجة إلى خلفية عميقة في هندسة تعلم الآلة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv5 وYOLOX على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة المتكاملة.

متى تختار YOLOv5#

يُعد YOLOv5 خيارًا قويًا لما يلي:

  • أنظمة إنتاج مجرّبة: عمليات النشر الحالية التي تحظى فيها خبرة YOLOv5 الطويلة في الاستقرار، ووثائقه الشاملة، ومجتمعه الكبير بالتقدير.
  • التدريب مع موارد محدودة: البيئات التي تعاني من محدودية موارد GPU، حيث يكون مسار التدريب الفعّال في YOLOv5 ومتطلباته الأقل للذاكرة مفيدين.
  • دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر بتنسيقات عديدة، منها ONNX وTensorRT وCoreML وLiteRT.

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 المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا 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 تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

مستقبل الذكاء الاصطناعي للرؤية: ظهور YOLO26#

على الرغم من رسوخ YOLOv5 وYOLOX في تاريخ الرؤية الحاسوبية، فإن المجال يتقدم بسرعة. وتوصي Ultralytics المطورين الذين يبدؤون مشاريع جديدة اليوم بأحدث نماذجها، YOLO26.

صدر YOLO26 في يناير 2026، وهو خطوة مهمة إلى الأمام من حيث الأداء وسهولة الاستخدام. ويقدّم تصميماً اختيارياً شاملاً خالياً من NMS (يُحدّد باستخدام nms=False) يزيل المعالجة اللاحقة لكبح الصناديق غير القصوى. ويقلل ذلك تفاوت زمن الاستجابة ويبسط منطق النشر على الأجهزة منخفضة الطاقة.

علاوة على ذلك، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج هجين من SGD وMuon مستوحى من ابتكارات تدريب LLM، لتحقيق تقارب مستقر وسريع. وبفضل إزالة DFL (إزالة Distribution Focal Loss لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، يحقق YOLO26n استدلالاً على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعل YOLO26 خياراً قوياً للحوسبة الطرفية الحديثة والروبوتات وتطبيقات إنترنت الأشياء. بالإضافة إلى ذلك، يحقق ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة) تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء والروبوتات والصور الجوية. ويمكن للمستخدمين المهتمين بالأجيال السابقة الاطلاع أيضاً على YOLO11، مع أن YOLO26 هو الخيار الموصى به للمشاريع الجديدة.

الخلاصة#

يقدّم كل من YOLOv5 وYOLOX قدرات قوية في اكتشاف الأجسام. وقد أظهر YOLOX في عام 2021 أن التصاميم الخالية من صناديق الارتكاز قادرة على مجاراة الأساليب القائمة عليها وتجاوزها. ومع ذلك، لا يزال YOLOv5 مستخدماً على نطاق واسع بفضل سهولة استخدامه ومنظومته الشاملة ومتطلباته الأقل للذاكرة أثناء التدريب.

توفر منظومة Ultralytics، بالنسبة إلى الغالبية العظمى من التطبيقات التجارية، أسرع مسار للانتقال من مجموعة بيانات خام إلى نموذج إنتاج منشور. وسواء استخدم المطورون YOLOv5 المجرّب أو رقّوا إلى YOLO26، فإنهم يستفيدون من إطار مصمم لجعل ذكاء الرؤية متاحاً وفعالاً.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.