YOLOv5 مقابل YOLOX#
شهد تطور الرؤية الحاسوبية في الوقت الفعلي محطات بارزة عديدة، مع دفع بنيات مختلفة لحدود السرعة والدقة. ومن النماذج المؤثرة للغاية في هذا المجال YOLOv5 وYOLOX. وعلى الرغم من شهرة كليهما بأدائهما العالي في اكتشاف الأجسام، فإنهما يتبعان نهجين بنيويين مختلفين جوهريًا.
يقدم هذا الدليل تحليلًا تقنيًا معمقًا لهذين النموذجين، ويقارن بين بنيتيهما ومقاييس أدائهما ومنهجيات تدريبهما وسيناريوهات النشر المثالية، لمساعدة المطورين والباحثين على اختيار الأداة المناسبة لمشاريع الذكاء الاصطناعي للرؤية.
لمحة عامة عن النماذج والاختلافات البنيوية#
Ultralytics YOLOv5#
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: مستودع Ultralytics YOLOv5
- التوثيق: الوثائق الرسمية لـ YOLOv5
قدّمته Ultralytics، وسرعان ما أصبح YOLOv5 معيارًا في المجال بفضل توازنه الاستثنائي بين الأداء وسهولة الاستخدام وكفاءة الذاكرة. وقد بُني أصليًا على إطار عمل PyTorch، ويستخدم YOLOv5 بنيةً تعتمد على المراسي. ويعتمد على أشكال مربعات إحاطة محددة مسبقًا للتنبؤ بمواقع الكائنات، ما يجعله فعالًا للغاية في مهام اكتشاف الكائنات القياسية.
من أبرز نقاط قوة YOLOv5 منظومته المتكاملة التي تحظى بصيانة جيدة. فهو يتميز بوثائق شاملة وواجهة Python بسيطة للغاية وتكامل أصلي مع منصة Ultralytics. يتيح ذلك للمطورين الانتقال بسلاسة من وسم مجموعات البيانات إلى التدريب والتصدير إلى تنسيقات مثل ONNX وTensorRT.
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#
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المؤسسة: Megvii
- التاريخ: 2021-07-18
- Arxiv: YOLOX: تجاوز سلسلة YOLO في عام 2021
- GitHub: مستودع YOLOX من Megvii
- التوثيق: وثائق YOLOX على GitHub
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.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
على الرغم من أن YOLOXx يحقق دقة قصوى أعلى قليلًا (51.1 mAP)، يوفر YOLOv5 مسار نشر أكثر متانة واختبارًا شاملًا على أجهزة CPU وGPU. وتبرز سرعات TensorRT في YOLOv5 مدى تحسينه العميق لأجهزة الحوسبة الطرفية، ما يجعله خيارًا موثوقًا للغاية لتحليلات الفيديو في الوقت الفعلي.
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#
في المقابل، تعطي Ultralytics الأولوية لتجربة مستخدم انسيابية للغاية. باستخدام حزمة Python ultralytics، يمكن للمطورين تحميل نموذج وتدريبه والتحقق من صحته باستخدام الحد الأدنى من الشيفرة النمطية. وتتولى Ultralytics تلقائيًا معالجة زيادات البيانات المعقدة وتطور المعلمات الفائقة وجدولة معدل التعلم.
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()علاوة على ذلك، تتجاوز مرونة YOLOv5 اكتشاف الكائنات القياسي، إذ توفر دعمًا قويًا لكل من تصنيف الصور وتجزئة الكائنات ضمن واجهة API موحدة واحدة.
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:
- البيع بالتجزئة وإدارة المخزون: يناسب YOLOv5 للغاية التطبيقات التي تتطلب التعرف على المنتجات في الوقت الفعلي على الأجهزة الطرفية مثل NVIDIA Jetson. وتتيح بصمته الضئيلة للذاكرة وسرعات استدلال TensorRT العالية تتبّع عدة كاميرات دون إسقاط إطارات.
- 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 مُجرّبة: عمليات النشر القائمة التي تُقدّر سجل YOLOv5 الطويل في الاستقرار ووثائقه الشاملة ودعم مجتمعه الكبير.
- 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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.
مستقبل الذكاء الاصطناعي للرؤية: ظهور YOLO26#
مع أن YOLOv5 وYOLOX قد رسّخا مكانتهما في تاريخ الرؤية الحاسوبية، فإن المجال يتقدم بوتيرة سريعة. وتوصي Ultralytics بشدة المطورين الذين يبدأون مشاريع جديدة اليوم باستكشاف أحدث نماذجها الرائدة، YOLO26.
يمثل YOLO26، الذي صدر في يناير 2026، قفزة هائلة إلى الأمام في الأداء وسهولة الاستخدام. ويقدم تصميمًا شاملًا خاليًا من NMS (يُختار باستخدام nms=False) يلغي المعالجة اللاحقة بقمع غير الأقصى. ويقلل ذلك بدرجة كبيرة تفاوت زمن الاستجابة ويبسط منطق النشر على الأجهزة منخفضة الطاقة.
علاوة على ذلك، يستخدم YOLO26 محسّن MuSGD المبتكر—وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة—لتحقيق تقارب سريع ومستقر للغاية. وبفضل إزالة DFL (إزالة خسارة البؤرة التوزيعية لتبسيط التصدير وتحسين التوافق مع الأجهزة الطرفية ومنخفضة الطاقة)، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، ما يعزز مكانته بوصفه النموذج الأمثل للحوسبة الطرفية الحديثة والروبوتات وتطبيقات إنترنت الأشياء. بالإضافة إلى ذلك، يقدم ProgLoss + STAL دوال خسارة محسّنة مع تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لإنترنت الأشياء والروبوتات والصور الجوية. ويمكن للمستخدمين المهتمين بالأجيال السابقة الاطلاع أيضًا على YOLO11، مع أن YOLO26 هو الخيار الأحدث بلا منازع.
الخلاصة#
يوفر كل من YOLOv5 وYOLOX قدرات مذهلة في اكتشاف الكائنات. وقد دفع YOLOX حدود البنية المعمارية بإثبات قدرة التصاميم الخالية من المراسي على منافسة الأساليب التقليدية وتجاوزها في عام 2021. ومع ذلك، يظل YOLOv5 قوة مهيمنة بفضل سهولة استخدامه التي لا مثيل لها ومنظومته المتكاملة الواسعة ومتطلباته الأقل للذاكرة أثناء التدريب.
بالنسبة إلى الغالبية العظمى من التطبيقات التجارية، توفر منظومة Ultralytics أسرع مسار للانتقال من مجموعة بيانات خام إلى نموذج إنتاج منشور. سواء استخدم المطورون YOLOv5 المجرّب والموثوق أو رقّوا إلى YOLO26 المتطور، فإنهم يستفيدون من إطار عمل مصمم لجعل ذكاء الرؤية الاصطناعي متاحًا وفعالًا وعالي الأداء.