YOLOv8 مقابل YOLOX#
تأثر مشهد الرؤية الحاسوبية بدرجة كبيرة بالتطور المستمر لبنى اكتشاف الأجسام في الزمن الحقيقي. ومن أبرز المحطات في هذا المسار Ultralytics YOLOv8 وYOLOX. وعلى الرغم من اعتماد كلا النموذجين نهج التصميم الخالي من المراسي لتبسيط التنبؤات بمربعات الإحاطة، فإنهما يمثلان حقبتين وفلسفتين مختلفتين في أبحاث التعلم العميق وتطوير منظومة النشر.
تستعرض هذه المقارنة التقنية الشاملة البنى الخاصة بكل منهما، ومنهجيات التدريب، ومقاييس الأداء في العالم الحقيقي، لمساعدة المطورين والباحثين على اختيار الحل الأمثل لتطبيقات الذكاء الاصطناعي للرؤية لديهم.
نبذة عن النموذجين#
يوفر فهم أصول كل إطار وأهداف تصميمه سياقًا أساسيًا لفهم الاختلافات المعمارية ونضج المنظومة.
Ultralytics YOLOv8#
طوّره Glenn Jocher وAyush Chaurasia وJing Qiu في Ultralytics، وصدر في 10 يناير 2023، وشكّل YOLOv8 نقلة كبيرة في منظومة Ultralytics. واستنادًا إلى النجاح الكبير الذي حققه YOLOv5، قدّم YOLOv8 بنية متطورة ومصقولة للغاية، قادرة على معالجة مجموعة متنوعة من المهام محليًا، بما فيها اكتشاف الأجسام وتقسيم الكائنات وتصنيف الصور وتقدير الوضعية.
تكمن ميزته الأساسية في منظومة Ultralytics المصانة جيدًا، التي توفر تجربة سلسة من «الصفر إلى الاحتراف» بفضل واجهة Python API موحدة، ووثائق شاملة، وتكاملات محلية مع أدوات MLOps مثل Weights & Biases وComet.
YOLOX#
قدّمه Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun من Megvii في 18 يوليو 2021، واستهدف YOLOX سد الفجوة بين الأبحاث الأكاديمية والتطبيقات الصناعية. وقد أحدث YOLOX صدى واسعًا، كما ورد في ورقته على Arxiv، إذ وجّه عائلة YOLO نحو تصميم خالٍ من المراسي ودمج رأس مفصول، ما حسّن استقرار التدريب والتقارب.
على الرغم من تأثيره الكبير في عام 2021، لا يزال مستودع YOLOX على GitHub قاعدة شيفرة تركز أساسًا على الأبحاث. ويفتقر إلى تنوع المهام الواسع ومسارات النشر المصقولة المتاحة في الأطر الحديثة، كما يتطلب إعدادًا يدويًا أكثر للنشر في بيئات الإنتاج.
ابتكارات البنية#
يعتمد كلا النموذجين نهجًا خاليًا من المراسي، ما يلغي الحاجة إلى تجميع معقد لمراسي مربعات الإحاطة الخاصة بكل مجموعة بيانات قبل التدريب. ويقلل ذلك عدد معاملات الضبط الاستدلالية، ويبسط رأس الاكتشاف.
الرؤوس المفصولة واستخراج السمات#
كان YOLOX رائدًا في دمج رأس مفصول ضمن سلسلة YOLO. تقليديًا، كانت مهام التصنيف والانحدار تُنفذ في رأس موحد واحد، ما كان يؤدي غالبًا إلى تدرجات متعارضة أثناء التدريب. ومن خلال فصل فرعي التصنيف وتحديد الموقع، حقق YOLOX تقاربًا أسرع.
تبنّى YOLOv8 هذا المفهوم وطوّره بدرجة كبيرة. ويستخدم وحدة C2f متطورة في العمود الفقري، (عنق زجاجة جزئي عبر المراحل مع التفافين)، لتحل محل وحدة C3 الأقدم. ويعزز ذلك تدفق التدرجات وتمثيل السمات دون إضافة عبء حسابي كبير. علاوة على ذلك، يطبّق YOLOv8 رأس اكتشاف متقدمًا خاليًا من المراسي باستخدام Task-Aligned Assigner، الذي يطابق العينات الإيجابية ديناميكيًا استنادًا إلى مزيج من درجات التصنيف والتقاطع على الاتحاد (IoU)، ما يؤدي إلى دقة أعلى.
صُممت نماذج Ultralytics YOLO لتحقيق كفاءة استثنائية في استخدام الذاكرة. وبالمقارنة مع البنى القائمة على Transformer أو قواعد الشيفرة البحثية غير المحسّنة، يحتاج YOLOv8 إلى ذاكرة CUDA أقل بكثير أثناء التدريب، ما يتيح للمطورين استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية المعتادة.
مقارنة الأداء#
عند تقييم النماذج للنشر في العالم الحقيقي، من الضروري تحقيق توازن بين الدقة (mAP) وزمن استجابة الاستدلال وتعقيد النموذج. يسلط الجدول أدناه الضوء على مقاييس الأداء على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
كما يتضح، تتفوق نماذج YOLOv8 باستمرار على نظيراتها من YOLOX عند تساوي عدد المعاملات. فعلى سبيل المثال، يحقق YOLOv8m قيمة mAP تبلغ 50.2%، مقارنةً بـ46.9% لـYOLOXm، ما يُظهر قفزة كبيرة في الدقة مع الحفاظ على سرعات استدلال GPU تنافسية باستخدام TensorRT.
مزايا التدريب والمنظومة#
تجربة المطورين من أبرز أوجه الاختلاف بين هذين الحلين. فغالبًا ما يتطلب تدريب YOLOX إعداد بيئات معقدة، وتعديلات يدوية على النصوص البرمجية، ومعرفة عميقة بتفاصيل PyTorch الداخلية لتصحيح تسرب الذاكرة أو مشكلات التصدير.
في المقابل، تجرد منظومة Ultralytics هذه العملية من التعقيدات، إذ توفر واجهة Python API وواجهة سطر أوامر (CLI) سهلتي الاستخدام للغاية.
واجهة Python API مبسطة#
لا يتطلب تدريب نموذج YOLOv8 متطور على مجموعة بيانات مخصصة سوى بضعة أسطر من الشيفرة:
from ultralytics import YOLO
# تحميل نموذج YOLOv8 مدرّب مسبقًا لاكتشاف الأجسام
model = YOLO("yolov8n.pt")
# تدريب النموذج على مجموعة البيانات التجريبية COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# التحقق من النموذج بسهولة
metrics = model.val()
# التصدير بسلاسة إلى ONNX للإنتاج
model.export(format="onnx")توحّد واجهة API هذه مسارات العمل لمهام الاكتشاف والتقسيم ومربع الإحاطة الموجّه (OBB)، ما يقلل كثيرًا الوقت اللازم للوصول إلى السوق للتطبيقات الإنتاجية. إضافةً إلى ذلك، تتيح وظائف التصدير المدمجة التحويل بسلاسة إلى ONNX وOpenVINO وCoreML دون كتابة عوامل C++ مخصصة.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هاتين البنيتين على قيود مشروعك، لكن YOLOv8 يوفر أساسًا أكثر مرونة بكثير.
- تحليلات عالية السرعة على الحافة: للمعالجة في الزمن الحقيقي على أجهزة مثل NVIDIA Jetson، يقدم YOLOv8 توازنًا لا مثيل له بين السرعة والدقة، ويمكن نشره بسهولة عبر تكامل TensorRT الأصلي.
- الأبحاث الأكاديمية: يظل YOLOX أداة تعليمية قيّمة للباحثين الذين يدرسون الانتقال من المنهجيات القائمة على المراسي إلى المنهجيات الخالية منها ضمن PyTorch.
- التطبيقات المعقدة متعددة المهام: ترجّح الكفة بقوة لصالح YOLOv8 في التطبيقات التي تتطلب تتبع الأجسام وتقسيم الكائنات في آن واحد، إذ إن هذه الإمكانات مدمجة مباشرةً في مكتبة Ultralytics.
نظرة مستقبلية: نماذج بديلة#
على الرغم من أن YOLOv8 يمثل تحسينًا كبيرًا مقارنةً بـYOLOX، فإن مجال الذكاء الاصطناعي يتطور بسرعة هائلة. ونوصي بشدة المستخدمين الذين يبدؤون مشاريع جديدة بتقييم Ultralytics YOLO26. صدر YOLO26 في يناير 2026، ويمثل المعيار الذهبي الجديد للذكاء الاصطناعي للرؤية.
يتميز YOLO26 بتصميم شامل من البداية إلى النهاية وخالٍ من NMS، إذ يلغي رأسه الاختياري أحادي المطابقة (nms=False) المعالجة اللاحقة باستخدام كبت غير الحد الأقصى، ما يبسط مسارات النشر. وبالاقتران مع محسّن MuSGD الجديد وإزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـYOLO11. كما يقدم ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة)، ما يحقق تحسينات كبيرة في التعرف على الأجسام الصغيرة، وهو أمر مهم للصور الجوية والروبوتات.
ويمكن للمستخدمين أيضًا النظر في YOLO11 بوصفه سلفًا قويًا آخر يحظى بدعم جيد ضمن منظومة Ultralytics، ويوفر أداءً متينًا عبر مهام متنوعة.
الخلاصة#
أثبت YOLOX بنجاح فاعلية الرؤوس المفصولة والتصميم الخالي من المراسي ضمن عائلة YOLO. لكن Ultralytics YOLOv8 تبنّى هذه المفاهيم وصقل البنية وضمّنها في منظومة جاهزة للإنتاج، لا مثيل لها من حيث سهولة الاستخدام وتنوع المهام. وباختيار نموذج من Ultralytics، يحصل المطورون على أداء متفوق، وتدريب موفر للذاكرة، ومجموعة متينة من أدوات النشر التي تسهّل الانتقال من التجريب إلى تحقيق أثر فعلي في العالم الحقيقي.