YOLOv8 مقابل YOLOX
شكّل التطور المتواصل لبنى اكتشاف الأجسام في الزمن الحقيقي ملامح مجال الرؤية الحاسوبية. ومن أبرز محطاته Ultralytics YOLOv8 وYOLOX. يستخدم كلا النموذجين تصميمًا خاليًا من المراسي لتبسيط التنبؤات بصناديق الإحاطة، لكنهما يمثلان حقبتين وفلسفتين مختلفتين في أبحاث التعلم العميق وتطوير منظومات النشر.
تستعرض هذه المقارنة التقنية البنى ومنهجيات التدريب ومقاييس الأداء في العالم الواقعي، لمساعدة المطورين والباحثين على اختيار النموذج المناسب لتطبيقات الذكاء الاصطناعي للرؤية لديهم.
نبذة عن النموذجين#
يوفر فهم أصول كل إطار وأهداف تصميمه سياقًا أساسيًا لفهم الاختلافات المعمارية ونضج المنظومة.
Ultralytics YOLOv8#
طوّر Glenn Jocher وAyush Chaurasia وJing Qiu من Ultralytics هذا النموذج، وأُصدر في 10 يناير 2023، وشكّل YOLOv8 خطوة مهمة إلى الأمام لمنظومة Ultralytics. واستنادًا إلى نجاح YOLOv5، قدّم YOLOv8 بنية محسّنة قادرة على معالجة مجموعة متنوعة من المهام مباشرةً، بما في ذلك اكتشاف الأجسام، وتجزئة الكائنات، وتصنيف الصور، وتقدير الوضعيات.
تكمن ميزته الأساسية في منظومة Ultralytics التي تحظى بصيانة جيدة، إذ توفر مسار عمل متكاملًا يتضمن واجهة Python API موحدة، ووثائق شاملة، وعمليات تكامل أصلية مع أدوات MLOps مثل Weights & Biases وComet.
YOLOX#
قدّم Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun من Megvii هذا النموذج في 18 يوليو 2021، بهدف سد الفجوة بين البحث الأكاديمي والتطبيقات الصناعية. وكما ورد في ورقتهم على arXiv، تميّز YOLOX بتحويل عائلة YOLO نحو التصميم الخالي 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.
اعتمد YOLOv8 هذا المفهوم وطوّره. فهو يستخدم وحدة C2f (عنق زجاجة جزئي عبر المراحل مع التفافات ثنائية) في العمود الفقري، لتحل محل وحدة C3 الأقدم. ويعزز ذلك تدفق التدرجات وتمثيل السمات من دون إضافة عبء حسابي كبير. كما يجمع YOLOv8 بين رأس اكتشاف خالٍ من المراسي ومُسنِد متوافق مع المهمة، يطابق العينات الإيجابية ديناميكيًا بناءً على مزيج من درجات التصنيف والتقاطع على الاتحاد (IoU)، ما يحسّن الدقة.
صُممت نماذج Ultralytics YOLO لتحقيق كفاءة في استخدام الذاكرة. وبالمقارنة مع البنى القائمة على Transformer أو قواعد الشيفرات البحثية غير المحسّنة، يحتاج YOLOv8 إلى قدر أقل بكثير من ذاكرة CUDA أثناء التدريب، ما يتيح للمطورين استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية المعتادة.
مقارنة الأداء#
عند تقييم النماذج للنشر في العالم الواقعي، من الضروري تحقيق توازن بين الدقة (mAP) وزمن استجابة الاستدلال وتعقيد النموذج. يوضح الجدول أدناه مقاييس الأداء على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval50-95 | 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 المعلمات. فعلى سبيل المثال، يحقق YOLOv8m قيمة mAP تبلغ 50.2%، مقارنةً بـ 46.9% لـ YOLOXm، أي بزيادة قدرها 3.3 نقاط في mAP مع الحفاظ على سرعات استدلال تنافسية على GPU باستخدام TensorRT.
مزايا التدريب والمنظومة#
تتمثل إحدى أكبر الفروق بين هذين الحلين في تجربة المطور. فكثيرًا ما يتطلب تدريب YOLOX إعداد بيئات معقدة، وتعديلات يدوية على النصوص البرمجية، ومعرفة عميقة بتفاصيل PyTorch الداخلية لتصحيح أخطاء التدريب أو التصدير.
تعالج منظومة Ultralytics هذا التعقيد من خلال واجهة Python API بديهية وواجهة سطر الأوامر (CLI).
واجهة Python API مبسطة#
لا يتطلب تدريب نموذج YOLOv8 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 إلى ONNX للاستخدام في الإنتاج
model.export(format="onnx")توحّد واجهة API هذه مسارات العمل بين مهام الاكتشاف والتجزئة وصناديق الإحاطة الموجّهة (OBB)، ما يقلل الوقت اللازم لطرح التطبيقات في السوق. كما تتيح وظيفة التصدير المدمجة تحويل النماذج إلى ONNX وOpenVINO وCoreML من دون كتابة عوامل تشغيل مخصصة بلغة C++.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هاتين البنيتين على قيود مشروعك، مع أن YOLOv8 يوفر أساسًا أكثر مرونة.
- تحليلات طرفية عالية السرعة: لمعالجة البيانات في الزمن الحقيقي على أجهزة مثل NVIDIA Jetson، يوازن YOLOv8 بقوة بين السرعة والدقة، ويسهل نشره بفضل تكامله الأصلي مع TensorRT.
- الأبحاث الأكاديمية: يظل YOLOX أداة تعليمية قيّمة للباحثين الذين يدرسون الانتقال من المنهجيات القائمة على المراسي إلى المنهجيات الخالية منها ضمن PyTorch.
- تطبيقات معقدة متعددة المهام: ستفضل التطبيقات التي تتطلب تتبع الأجسام وتجزئة الكائنات في الوقت نفسه YOLOv8، إذ إن هذه الإمكانات مدمجة مباشرةً في مكتبة Ultralytics.
نظرة مستقبلية: نماذج بديلة#
يقدم YOLOv8 تحسينات كبيرة مقارنةً بـ YOLOX، لكن المجال يتطور بسرعة. وللمشاريع الجديدة، توصي Ultralytics باستخدام Ultralytics YOLO26، الذي صدر في يناير 2026.
يتميز YOLO26 بتصميم شامل خالٍ من NMS، إذ يلغي رأسه الاختياري أحادي المطابقة (nms=False) المعالجة اللاحقة باستخدام Non-Maximum Suppression (NMS)، ما يبسّط مسارات النشر. وبفضل الاستدلال الخالي من NMS وإزالة Distribution Focal Loss (DFL)، يحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLO11n، فيما يحسّن محسّن MuSGD استقرار التدريب. كما يقدم ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة)، ما يحسّن اكتشاف الأجسام الصغيرة في الصور 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#
أظهر YOLOX قيمة الرؤوس المفصولة والتصميم الخالي من المراسي في عائلة YOLO. واستفاد Ultralytics YOLOv8 من هذه المفاهيم، فحسّن البنية وضمّها إلى منظومة جاهزة للإنتاج، تشتهر بسهولة استخدامها وتنوع مهامها. وباستخدام نموذج Ultralytics، يحصل المطورون على أداء قوي، وتدريب كفؤ في استخدام الذاكرة، وأدوات نشر تبسّط الانتقال من التجريب إلى الإنتاج.
التعليقات1
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
marybary0000(تم التعديل)
Great deep dive! YOLOX introduced key innovations like anchor-free design and decoupled head structure, which significantly improved detection performance. However, this YOLOv8 comparison highlights how v8 builds on such ideas with a more modular framework, better support for multi-task learning, and an easier deployment pipeline. Both models reflect strong evolution in object detection, and choosing between them really depends on specific project goals and hardware constraints.