YOLOv5 مقابل YOLOX#
شهد تطور رؤية الحاسوب في الوقت الفعلي العديد من المحطات الهامة، مع قيام معماريات مختلفة بدفع حدود السرعة والدقة. نموذجان مؤثران للغاية في هذا المجال هما YOLOv5 و YOLOX. وعلى الرغم من شهرة كليهما بأدائهما العالي في كشف الأجسام، إلا أنهما يتبعان نهجين معماريين مختلفين تماماً.
يقدم هذا الدليل تحليلاً تقنياً متعمقاً لهذين النموذجين، حيث يقارن بين معمارياتهما، ومقاييس الأداء، ومنهجيات التدريب، وسيناريوهات النشر المثالية لمساعدة المطورين والباحثين على اختيار الأداة المناسبة لمشاريع رؤية الذكاء الاصطناعي الخاصة بهم.
نظرة عامة على النماذج والاختلافات المعمارية#
Ultralytics YOLOv5#
- المؤلف: Glenn Jocher
- المنظمة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: مستودع Ultralytics YOLOv5
- الوثائق: الوثائق الرسمية لـ YOLOv5
بعد أن قدمته Ultralytics، أصبح YOLOv5 سريعًا معيارًا صناعيًا نظرًا لتوازنه الاستثنائي بين الأداء، وسولة الاستخدام، وكفاءة الذاكرة. بناءً على إطار عمل PyTorch بشكل أصلي، يستخدم YOLOv5 بنية قائمة على المراسي (anchor-based). وهو يعتمد على أشكال صناديق الإحاطة المحددة مسبقًا لتوقع مواقع الكائنات، مما يجعله فعالاً للغاية لمهام اكتشاف الكائنات القياسية.
تكمن إحدى أعظم نقاط قوة YOLOv5 في نظامه البيئي المُدار جيدًا. فهو يفتخر بوثائق شاملة، واجهة برمجة تطبيقات Python بسيطة بشكل لا يصدق، والتكامل الأصلي مع منصة Ultralytics. يتيح هذا للمطورين الانتقال بسلاسة من تصنيف مجموعات البيانات إلى التدريب والتصدير إلى تنسيقات مثل ONNX وTensorRT.
تتطلب نماذج YOLO من Ultralytics عادةً ذاكرة GPU أقل بكثير أثناء التدريب مقارنة بالبدائل المعقدة القائمة على Transformer. تجعل هذه البصمة الذاكرية المنخفضة من YOLOv5 خياراً متاحاً للغاية للباحثين الذين يعملون باستخدام أجهزة بمواصفات تجارية.
Megvii YOLOX#
- المؤلفون: Zheng Ge، وSongtao Liu، وFeng Wang، وZeming Li، وJian Sun
- Organization: Megvii
- التاريخ: 2021-07-18
- Arxiv: YOLOX: تجاوز سلسلة YOLO في عام 2021
- GitHub: مستودع Megvii YOLOX
- الوثائق: وثائق YOLOX على GitHub
طوّر باحثون في Megvii نموذج YOLOX، حيث سلكوا مساراً مختلفاً من خلال تقديم تصميم خالٍ من المرساة (anchor-free) إلى عائلة YOLO. ومن خلال التخلص من صناديق المرساة، يبسط YOLOX رأس الكشف ويقلل بشكل كبير من عدد المعلمات التجريبية التي تحتاج إلى ضبط يدوي أثناء التدريب.
يدمج YOLOX أيضاً رأساً منفصلاً (decoupled head) — حيث يفصل مهام التصنيف والانحدار إلى فروع شبكية مختلفة — ويستخدم استراتيجية تعيين التسميات SimOTA. هذه الابتكارات تسد الفجوة بين البحث الأكاديمي والتطبيقات الصناعية، مما يجعل YOLOX فعالاً بشكل خاص في البيئات ذات المقاييس المتنوعة جداً للأجسام.
الأداء والمقاييس#
عند تقييم نماذج رؤية الحاسوب، يعد المقايضة بين متوسط دقة الكشف (mAP) وسرعة الاستدلال أمراً بالغ الأهمية. يوفر كلا النموذجين مجموعة من الأحجام (من النانو إلى الكبير جداً) لتناسب قيود الأجهزة المختلفة.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| 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 |
بينما يحقق YOLOXx دقة قصوى أعلى قليلاً (51.1 mAP)، يوفر YOLOv5 خط أنابيب نشر أكثر قوة واختباراً بشكل شامل عبر أجهزة CPU و GPU. تسلط سرعات TensorRT الخاصة بـ YOLOv5 الضوء على تحسينه العميق لأجهزة الحوسبة الطرفية (edge computing)، مما يجعله خياراً موثوقاً للغاية لتحليلات الفيديو في الوقت الفعلي.
منهجيات التدريب وسهولة الاستخدام#
تختلف تجربة المطورين بشكل كبير بين هاتين المعماريين.
نهج YOLOX#
يتطلب تدريب YOLOX عادةً استنساخ المستودع الأصلي، وإدارة تبعيات محددة، وتنفيذ نصوص برمجية معقدة لسطر الأوامر. وبينما يدعم ميزات متقدمة مثل التدريب دقيق المختلط (mixed-precision) وإعدادات العقد المتعددة عبر MegEngine، فإن منحنى التعلم قد يكون حادًا للمطورين الذين يحتاجون إلى النماذج الأولية السريعة.
ميزة Ultralytics#
في المقابل، تعطي Ultralytics الأولوية لتجربة مستخدم مبسطة بشكل استثنائي. مع حزمة Python ultralytics، يمكن للمطورين تحميل وتدريب والتحقق من صحة النموذج بأقل قدر من الكود الإضافي. تتعامل Ultralytics تلقائيًا مع عمليات تحسين البيانات المعقدة، وتطور المعلمات الفائقة (hyperparameters)، وجدولة معدل التعلم.
from ultralytics import YOLO
# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")
# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Validate the model's performance
metrics = model.val()علاوة على ذلك، تمتد مرونة YOLOv5 إلى ما بعد اكتشاف الكائنات القياسي، لتوفير دعم قوي لـ تصنيف الصور وتجزئة الحالات ضمن نفس واجهة برمجة التطبيقات المترابطة تمامًا.
عند اكتمال التدريب، يكون تصدير نموذج YOLOv5 إلى CoreML أو TFLite أو OpenVINO بسيطًا مثل تشغيل model.export(format="onnx"). هذا يلغي الحاجة إلى نصوص تحويل الطرف الثالث المطلوبة عادةً بواسطة المستودعات الموجهة نحو البحث.
تطبيقات العالم الحقيقي#
يعتمد الاختيار بين هذه النماذج على بيئة النشر والمتطلبات التقنية الخاصة بك:
- التجزئة وإدارة المخزون: للتطبيقات التي تتطلب التعرف على المنتجات في الوقت الفعلي على الأجهزة الطرفية مثل NVIDIA Jetson، يعد YOLOv5 مناسباً بشكل استثنائي. بفضل بصمته الذاكرية الصغيرة وسرعات استدلال TensorRT السريعة، فإنه يتيح تتبع الكاميرات المتعددة دون إسقاط إطارات الفيديو.
- البحث الأكاديمي والمعماريات المخصصة: يحظى YOLOX بتقدير كبير في مجتمع البحث. بفضل رأسه المنفصل وطبيعته الخالية من المرساة، يعد أساساً ممتازاً للمهندسين الذين يتطلعون إلى تجربة استراتيجيات جديدة لتعيين التسميات أو أولئك الذين يعملون على مجموعات بيانات حيث تفشل صناديق المرساة التقليدية في التعميم.
- الذكاء الاصطناعي الزراعي: بالنسبة لمهام الزراعة الدقيقة مثل الكشف عن الفاكهة أو تحديد الأعشاب الضارة عبر الطائرات بدون طيار، فإن سهولة تدريب ونشر نماذج YOLOv5 باستخدام منصة Ultralytics تتيح لخبراء المجال تنفيذ حلول الذكاء الاصطناعي دون الحاجة إلى خلفيات عميقة في هندسة التعلم الآلي.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOv5 و YOLOX على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى تختار YOLOv5#
يعد YOLOv5 خيارًا قويًا لـ:
- أنظمة الإنتاج المثبتة: عمليات النشر الحالية حيث يتم تقدير سجل YOLOv5 الطويل من الاستقرار، والوثائق الشاملة، ودعم المجتمع الضخم.
- التدريب محدود الموارد: البيئات ذات موارد GPU المحدودة حيث تكون خط أنابيب التدريب الفعال لـ YOLOv5 ومتطلبات الذاكرة الأقل ميزة.
- Extensive Export Format Support: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، وTensorRT، وCoreML، وTFLite.
متى تختار YOLOX#
يوصى باستخدام YOLOX لـ:
- أبحاث الكشف بدون نقاط ارتكاز: البحث الأكاديمي الذي يستخدم بنية YOLOX النظيفة والخالية من نقاط الارتكاز كخط أساس لتجربة رؤوس كشف جديدة أو دوال خسارة مبتكرة.
- أجهزة الحافة خفيفة الوزن للغاية: النشر على وحدات التحكم الدقيقة أو أجهزة الجوال القديمة حيث يكون البصمة الصغيرة جداً لمتغير YOLOX-Nano (0.91 مليون معلمة) أمراً بالغ الأهمية.
- دراسات تخصيص التصنيفات SimOTA: المشاريع البحثية التي تبحث في استراتيجيات تخصيص التصنيفات القائمة على النقل الأمثل وتأثيرها على تقارب التدريب.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
- بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
مستقبل رؤية الذكاء الاصطناعي: أدخل YOLO26#
بينما عزز كل من YOLOv5 وYOLOX مكانتهما في تاريخ رؤية الكمبيوتر، فإن المجال يتقدم بسرعة. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، توصي Ultralytics بشدة باستكشاف أحدث نموذج رئيسي لها، YOLO26.
تم إطلاق YOLO26 في يناير 2026، وهو يمثل قفزة هائلة إلى الأمام في كل من الأداء وسهولة الاستخدام. يقدم تصميماً ثورياً شاملاً لا يعتمد على NMS، حيث يلغي تماماً المعالجة اللاحقة لقمع غير الأقصى (Non-Maximum Suppression). هذا يقلل بشكل كبير من تباين زمن الوصول ويبسط منطق النشر على الأجهزة منخفضة الطاقة.
علاوة على ذلك، يستهلك YOLO26 المُحسن الجديد MuSGD Optimizer - وهو هجين من SGD وMuon مستوحى من ابتكارات تدريب LLM - من أجل تقارب مستقر وسريع بشكل لا يصدق. ومع DFL Removal (إزالة فقدان التركيز للتوزيع من أجل تبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية / منخفضة الطاقة)، يحقق YOLO26 ما يصل إلى استدلال CPU أسرع بنسبة 43%، مما يوطد مكانته كنموذج نهائي للحوسبة الطرفية الحديثة، والروبوتات، وتطبيقات إنترنت الأشياء. بالإضافة إلى ذلك، تقدم ProgLoss + STAL وظائف خسارة محسنة مع تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء، والروبوتات، والتصوير الجوي. قد ينظر المستخدمون المهتمون بالأجيال السابقة أيضًا في YOLO11، على الرغم من أن YOLO26 هو الخيار المتطور بلا منازع.
الخلاصة#
يوفر كل من YOLOv5 و YOLOX قدرات مذهلة في كشف الأجسام. لقد دفع YOLOX الحدود المعمارية من خلال إثبات أن التصاميم الخالية من المرساة يمكن أن تنافس وتتجاوز الطرق التقليدية في عام 2021. ومع ذلك، لا يزال YOLOv5 قوة مهيمنة بسبب سهولة استخدامه التي لا تضاهى، ونظامه البيئي الواسع، ومتطلبات الذاكرة الأقل أثناء التدريب.
بالنسبة للغالبية العظمى من التطبيقات التجارية، يوفر نظام Ultralytics البيئي أسرع مسار من مجموعة بيانات خام إلى نموذج إنتاج منشور. سواء كنت تستخدم YOLOv5 المجرب والموثوق أو الترقية إلى YOLO26 المتطور، يستفيد المطورون من إطار عمل مصمم لجعل رؤية الذكاء الاصطناعي سهلة الوصول وفعالة وعالية الأداء.