YOLOv8 مقابل YOLOX#
تشكّل مشهد الرؤية الحاسوبية بدرجة كبيرة بفعل التطور المستمر لبنى كشف الكائنات في الوقت الفعلي. ومن أبرز المحطات في هذه المسيرة Ultralytics YOLOv8 وYOLOX. وعلى الرغم من أن كلا النموذجين يتبنى نهجًا معماريًا خاليًا من المراسي لتبسيط تنبؤات مربعات الإحاطة، فإنهما يمثلان حقبتين وفلسفتين مختلفتين في أبحاث التعلم العميق وتطوير منظومات النشر.
تستكشف هذه المقارنة التقنية الشاملة بنيتيهما ومنهجيات التدريب ومقاييس الأداء في العالم الواقعي، لمساعدة المطورين والباحثين على اختيار الحل الأمثل لتطبيقات الذكاء الاصطناعي للرؤية لديهم.
خلفيات النماذج#
يوفّر فهم أصول كل إطار عمل وأهداف تصميمه سياقًا مهمًا للاختلافات المعمارية بينهما ولمدى نضج منظومتيهما.
Ultralytics YOLOv8#
طوّر Glenn Jocher وAyush Chaurasia وJing Qiu في Ultralytics النموذج، وأُطلق في 10 يناير 2023، حيث مثّل YOLOv8 قفزة مهمة في منظومة Ultralytics. واستنادًا إلى النجاح الهائل الذي حققه YOLOv5، قدّم YOLOv8 بنية متطورة للغاية وحديثة قادرة على التعامل أصليًا مع مجموعة متنوعة من المهام، بما في ذلك كشف الكائنات وتقسيم المثيلات وتصنيف الصور وتقدير الوضعية.
تكمن ميزته الأساسية في منظومة Ultralytics جيدة الصيانة، التي توفر تجربة سلسة من «الصفر إلى الاحتراف» عبر واجهة Python موحدة ووثائق واسعة وتكاملات أصلية مع أدوات MLOps مثل Weights & Biases وComet.
YOLOX#
قدّم Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun من Megvii النموذج في 18 يوليو 2021، وكان YOLOX يهدف إلى سد الفجوة بين البحث الأكاديمي والتطبيقات الصناعية. ووفقًا لما ورد في ورقتهم على Arxiv، أحدث YOLOX تأثيرًا كبيرًا من خلال توجيه عائلة YOLO نحو تصميم خالٍ من المراسي ودمج رأس غير مقترن، مما حسّن استقرار التدريب والتقارب.
وعلى الرغم من تأثيره الكبير في عام 2021، يظل مستودع YOLOX على GitHub قاعدة شيفرة تركز أساسًا على البحث. فهو يفتقر إلى تنوع المهام الواسع وخطوط النشر المصقولة الموجودة في أطر العمل الحديثة، ويتطلب مزيدًا من الإعداد اليدوي للنشر في بيئات الإنتاج.
الابتكارات المعمارية#
يستفيد كلا النموذجين من نهج خالٍ من المراسي، مما يلغي الحاجة إلى تجميع مربعات المراسي المعقدة والخاصة بكل مجموعة بيانات قبل التدريب. ويؤدي ذلك إلى تقليل عدد معلمات الضبط الاستكشافية وتبسيط رأس الكشف.
الرؤوس غير المقترنة واستخراج السمات#
كان YOLOX رائدًا في دمج رأس غير مقترن ضمن سلسلة YOLO. تقليديًا، كانت مهام التصنيف والانحدار تُنفّذ في رأس موحد واحد، مما كان يؤدي غالبًا إلى تدرجات متعارضة أثناء التدريب. ومن خلال فصل فرعي التصنيف وتحديد الموقع، حقق YOLOX تقاربًا أسرع.
اعتمد YOLOv8 هذا المفهوم وطرّقه بدرجة كبيرة. فهو يستخدم وحدة C2f (عنق زجاجة جزئي عبر المراحل مع التفافين) متطورة وحديثة في العمود الفقري، لتحل محل وحدة C3 الأقدم. ويعزز ذلك تدفق التدرجات وتمثيل السمات دون إضافة عبء حسابي كبير. علاوة على ذلك، يطبّق YOLOv8 رأس كشف متقدمًا خاليًا من المراسي باستخدام Task-Aligned Assigner، إذ يطابق العينات الموجبة ديناميكيًا استنادًا إلى مجموعة من درجات التصنيف والتقاطع على الاتحاد (IoU)، مما 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، يتطلب YOLOv8 قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب، مما يتيح للمطورين استخدام أحجام دفعات أكبر على العتاد الاستهلاكي القياسي.
مقارنة الأداء#
عند تقييم النماذج للنشر في العالم الواقعي، يكون تحقيق التوازن بين الدقة (mAP) وزمن استجابة الاستدلال وتعقيد النموذج أمرًا بالغ الأهمية. يسلط الجدول أدناه الضوء على مقاييس الأداء على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | 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 | 165.2 |
| 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% لنموذج YOLOXm، مما يبرز قفزة كبيرة في الدقة مع الحفاظ على سرعات استدلال تنافسية على GPU باستخدام TensorRT.
مزايا التدريب والمنظومة#
يتمثل أحد أبرز أوجه الاختلاف بين هذين الحلين في تجربة المطور. فكثيرًا ما يتطلب تدريب YOLOX إعدادات معقدة للبيئة، وتعديلات يدوية على البرامج النصية، ومعرفة عميقة بأساسيات PyTorch لتصحيح تسربات الذاكرة أو مشكلات التصدير.
وعلى العكس، تخفي منظومة Ultralytics هذا التعقيد، إذ توفر واجهة Python وواجهة سطر أوامر (CLI) تتميزان بسهولة الاستخدام.
واجهة Python مبسطة#
لا يتطلب تدريب نموذج YOLOv8 متطور وحديث على مجموعة بيانات مخصصة سوى بضعة أسطر من الشيفرة:
from ultralytics import YOLO
# Load a pre-trained YOLOv8 model for object detection
model = YOLO("yolov8n.pt")
# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Easily validate the model
metrics = model.val()
# Export seamlessly to ONNX for production
model.export(format="onnx")توحّد هذه الواجهة سير العمل عبر مهام الكشف والتقسيم ومربع الإحاطة الموجّه (OBB)، مما يقلل بدرجة كبيرة الوقت اللازم للوصول إلى السوق لتطبيقات الإنتاج. علاوة على ذلك، تتيح وظائف التصدير المضمنة تحويلًا سلسًا إلى ONNX وOpenVINO وCoreML دون كتابة عوامل تشغيل مخصصة بلغة C++.
حالات الاستخدام المثالية#
يعتمد الاختيار بين هاتين البنيتين على قيود مشروعك، إلا أن YOLOv8 يوفر أساسًا أكثر مرونة بكثير.
- تحليلات الحافة عالية السرعة: للمعالجة في الوقت الفعلي على أجهزة مثل NVIDIA Jetson، يوفر YOLOv8 توازنًا لا مثيل له بين السرعة والدقة، ويمكن نشره بسهولة عبر تكامل TensorRT الأصلي.
- البحث الأكاديمي: يظل YOLOX أداة تعليمية قيّمة للباحثين الذين يدرسون الانتقال من المنهجيات القائمة على المراسي إلى المنهجيات الخالية منها ضمن PyTorch.
- التطبيقات المعقدة متعددة المهام: ستفضّل التطبيقات التي تتطلب تتبع الكائنات وتقسيم المثيلات في الوقت نفسه YOLOv8 بدرجة كبيرة، إذ إن هذه الإمكانات مدمجة مباشرةً في مكتبة Ultralytics.
نظرة مستقبلية: نماذج بديلة#
على الرغم من أن YOLOv8 يمثل تحسينًا هائلًا مقارنةً بـ YOLOX، فإن مجال الذكاء الاصطناعي يتقدم بسرعة مذهلة. ونوصي بشدة المستخدمين الذين يبدؤون مشاريع جديدة بتقييم Ultralytics YOLO26. أُطلق YOLO26 في يناير 2026، ويمثل المعيار الذهبي الجديد للذكاء الاصطناعي للرؤية.
يتميز YOLO26 بـ تصميم ثوري شامل خالٍ من NMS، مما يلغي تمامًا المعالجة اللاحقة لقمع غير الأقصى، ويبسّط خطوط النشر. وبالاقتران مع محسّن MuSGD الجديد وإزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLOv8. كما يقدّم دالتي خسارة ProgLoss + STAL، موفرًا تحسينات كبيرة في التعرّف على الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات.
وبديلًا عن ذلك، يمكن للمستخدمين أيضًا النظر في YOLO11 بوصفه سلفًا قويًا آخر ومدعومًا جيدًا ضمن منظومة Ultralytics، إذ يوفر أداءً متينًا عبر مهام متنوعة.
الخلاصة#
أثبت YOLOX بنجاح قوة الرؤوس غير المقترنة والتصميم الخالي من المراسي في عائلة YOLO. إلا أن Ultralytics YOLOv8 أخذ هذه المفاهيم، وطوّر البنية، ووضعها ضمن منظومة جاهزة للإنتاج لا مثيل لها في سهولة الاستخدام وتنوع المهام. وباختيار نموذج من Ultralytics، يحصل المطورون على أداء متفوق وتدريب كفؤ في استخدام الذاكرة ومجموعة قوية من أدوات النشر التي تجعل الانتقال من التجريب إلى التأثير في العالم الواقعي سلسًا.