Ultralytics YOLO27: انضم إلى قائمة الانتظار.
Get Started

YOLOv9 مقابل YOLOX#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا في معماريات كشف الأجسام في الوقت الفعلي. يقارن هذا الدليل بين YOLOv9 وYOLOX، ويحلل ابتكاراتهما المعمارية ومقاييس الأداء ومنهجيات التدريب. سواء أكنت تطوّر تطبيقات ذكية لـالذكاء الاصطناعي في التصنيع أم تستكشف النمذجة التنبؤية، فإن فهم هذه النماذج سيساعدك على اتخاذ قرارات مدروسة لعملية النشر التالية.

ابتكارات البنية#

YOLOv9: معلومات التدرج القابلة للبرمجة#

يعالج YOLOv9 مشكلة اختناق المعلومات المتأصلة في الشبكات العصبية العميقة. وتشمل ابتكاراته الأساسية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعّالة المعممة (GELAN).

  • المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
  • الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
  • التاريخ: 21 فبراير 2024
  • arXiv: 2402.13616
  • GitHub: WongKinYiu/yolov9

من خلال الاحتفاظ ببيانات السمات المهمة أثناء التمرير الأمامي، يساعد YOLOv9 على الحفاظ على دقة التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي. وتتفوق هذه البنية في استخراج السمات، ما يجعلها فعّالة في كشف الأجسام الصغيرة في البيئات المعقدة، مثل الصور الجوية والفحوصات الطبية التفصيلية.

تعرّف على المزيد عن YOLOv9

YOLOX: جسر بين البحث والصناعة#

صدر YOLOX في منتصف عام 2021، ووجّه سلسلة YOLO نحو تصميم لا يعتمد على المراسي. وقدّم رأسًا مفككة تفصل مهام التصنيف وتحديد الموقع، واستخدم استراتيجية إسناد التسميات SimOTA لتحسين تقارب التدريب.

  • المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
  • المؤسسة: Megvii
  • التاريخ: 18 يوليو 2021
  • arXiv: 2107.08430
  • GitHub: Megvii-BaseDetection/YOLOX

على الرغم من تأثير YOLOX في وقته، وتحقيقه متوسط الدقة المتوسطة (mAP) الممتاز وإلغاء ضبط المعلمات الفائقة لصناديق المراسي، فقد تجاوزت بنيته الأساسية شبكات حديثة توازن بصورة أفضل بين عدد المعلمات والاحتفاظ بالسمات.

تعرّف على مزيد من المعلومات عن YOLOX

تطور التصميمات غير المعتمدة على المراسي

يعتمد كل من YOLOX ونماذج Ultralytics الأحدث تصميمات لا تعتمد على المراسي، ما يقلل تعقيد ضبط المعلمات الفائقة ويحسن التعميم عبر مجموعات بيانات متنوعة.

تحليل الأداء#

عند مقارنة هذه النماذج على معيار MS COCO، يتضح التقدم الذي حققه YOLOv9. إذ يحقق YOLOv9 باستمرار توازنًا أفضل بين الدقة وعمليات الفاصلة العائمة.

النموذجالحجم
(بكسل)		‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

على الرغم من أن YOLOX يقدم إصدارات خفيفة مثل YOLOX-Nano للحالات الطرفية القصوى، فإن إصدارات YOLOv9 تتفوق باستمرار على نماذج YOLOX المماثلة في الحجم من حيث الدقة وحدها. فعلى سبيل المثال، يحقق YOLOv9m قيمة mAP تبلغ 51.4% مقارنةً بـ49.7% لنموذج YOLOXl، رغم احتوائه على أقل من نصف عدد المعلمات (20.1M مقابل 54.2M).

ميزة Ultralytics#

لا يقتصر اختيار النموذج على النظرية المعمارية؛ فالمنظومة المحيطة به تحدد سرعة التطوير ونجاح النشر. ويوفر استخدام YOLOv9 ضمن منظومة Ultralytics سهولة الاستخدام ودعمًا قويًا من المجتمع.

على عكس مستودعات الأبحاث الأصلية الأقدم، يوفر إطار عمل Ultralytics واجهة Python موحدة تبسّط مسارات العمل المعقدة. ويتطلب التدريب عادةً ذاكرة GPU أقل من كثير من البدائل، ما يحسّن كفاءة التدريب.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLOv9c⁩
model = YOLO("yolov9c.pt")

# ⁨درّب النموذج على مجموعة البيانات المخصصة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨التحقق من أداء النموذج⁩
metrics = model.val()

# ⁨صدّر النموذج المُحسّن بتنسيق TensorRT⁩
model.export(format="engine")

بفضل الدعم المدمج لمهام متعددة، بما فيها كشف الأجسام وتجزئة الكائنات وتقدير الوضعية، يمكنك الانتقال بين مهام الرؤية من دون تغيير قاعدة التعليمات البرمجية بأكملها.

تصدير مبسّط

هل تنشر على الأجهزة الطرفية؟ تسهّل Ultralytics تصدير نماذجك المدرّبة إلى تنسيقات محسّنة مثل ONNX وTensorRT وOpenVINO بأمر واحد فقط.

تطبيقات واقعية#

تجعل نقاط القوة المحددة لهذه النماذج كلًا منها ملائمًا لتطبيقات واقعية مختلفة:

تحليلات تجارة التجزئة عالية السرعة#

في بيئات البيع بالتجزئة الحديثة التي تتطلب التعرف على المنتجات في الوقت الفعلي، يتفوق YOLOv9. وتجعله قدرته على الاحتفاظ بتفاصيل السمات الدقيقة ملائمًا تمامًا لعمليات نشر الذكاء الاصطناعي في قطاع البيع بالتجزئة، حيث يلزم التمييز بين المنتجات المتشابهة بصريًا على رف مزدحم.

عمليات النشر الطرفية القديمة#

في الحالات التي تفرض قيودًا صارمة على العتاد أو تستخدم وحدات NPU متخصصة تواجه صعوبة مع كتل التجميع الأحدث، قد يجد YOLOX-Nano مجالًا مناسبًا له. إذ تُفضّل أنماط الالتفاف البسيطة فيه أحيانًا على المتحكمات الدقيقة شديدة التقييد من حيث الموارد.

الروبوتات ذاتية التشغيل#

في الملاحة الروبوتية، قد يؤدي تفويت الأجسام الصغيرة إلى عواقب وخيمة. وتساعد بنية GELAN في YOLOv9 على منع فقدان سمات العوائق الصغيرة والبعيدة في الطبقات العميقة للشبكة، وهو أمر مهم في البيئات الحساسة للسلامة مثل تطبيقات الذكاء الاصطناعي في قطاع السيارات.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv9 وYOLOX على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLOv9#

يُعد YOLOv9 خيارًا قويًا لما يلي:

  • أبحاث عنق زجاجة المعلومات: المشاريع الأكاديمية التي تدرس معلومات التدرج القابلة للبرمجة (PGI) وبنى شبكة تجميع الطبقات الفعالة المعمّمة (GELAN).
  • دراسات تحسين تدفق التدرجات: الأبحاث التي تركز على فهم فقدان المعلومات في طبقات الشبكات العميقة أثناء التدريب والحد منه.
  • اختبارات معيارية للكشف عالي الدقة: السيناريوهات التي يلزم فيها أداء YOLOv9 القوي في اختبارات COCO المعيارية ليكون مرجعاً للمقارنة بين البنى.

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 الخالي من NMS: للتطبيقات التي تتطلب استدلالًا مستقرًا بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للقمع غير الأقصى (NMS).
  • البيئات التي لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية حاسمة.
  • اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.

المستقبل: ظهور YOLO26#

يمثل YOLOv9 محطة مهمة، لكن متطلبات الإنتاج تواصل التطور. YOLO26، الصادر في يناير 2026، هو نموذج Ultralytics الموصى به حاليًا.

يبسّط YOLO26 مسار النشر من خلال تصميم شامل اختياري خالٍ من NMS. ومن خلال إزالة المعالجة اللاحقة لـ NMS باستخدام nms=False، يحقق زمن استدلال أقل.

يتضمن YOLO26 أيضًا مُحسِّن MuSGD، وهو مزيج من SGD وMuon يستفيد من ابتكارات تدريب نماذج اللغة الكبيرة لتوفير تقارب مستقر وسريع. ومع إزالة DFL والاستدلال الخالي من NMS، يحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعل YOLO26 خيارًا قويًا للأجهزة الطرفية وعمليات النشر المؤسسية. وبفضل تحسين كشف الأجسام الصغيرة باستخدام ProgLoss وSTAL (الخسارة التدريجية وتعيين التسميات الواعي بالأهداف الصغيرة)، يتفوق YOLO26 على كل من YOLOX وYOLOv9 في المشاريع الجديدة.

للمهندسين الذين يستكشفون المعماريات الحديثة، يُعد YOLO11 وRT-DETR أيضًا بديلين قويين ضمن منظومة Ultralytics، كما تتيح منصة Ultralytics تدريب أحدث النماذج ونشرها في مكان واحد.

المساهمون
GLglenn-jocher19PDpderrenger2

التعليقات