YOLOv9 مقارنة بـ YOLOX#

شهد مجال الرؤية الحاسوبية تطوراً سريعاً في بنيات كشف الكائنات في الوقت الفعلي. يقدم هذا الدليل مقارنة شاملة بين YOLOv9 وYOLOX، حيث يحلل ابتكاراتهما الهندسية، ومقاييس الأداء، ومنهجيات التدريب. وسواء كنت تبني تطبيقات ذكية لـ AI in manufacturing أو تستكشف predictive modeling، فإن فهم هذه النماذج سيساعدك على اتخاذ قرارات مدروسة لنشرك القادم.

الابتكارات المعمارية#

YOLOv9: معلومات التدرج القابلة للبرمجة#

قدم YOLOv9 تحولاً نوعياً من خلال معالجة مشكلة عنق زجاجة المعلومات المتأصلة في الشبكات العصبية العميقة. تشمل ابتكاراته الأساسية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).

المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 21 فبراير 2024
Arxiv: 2402.13616
GitHub: WongKinYiu/yolov9

من خلال الاحتفاظ ببيانات الميزات الأساسية أثناء عملية التمرير الأمامي، يضمن YOLOv9 أن التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي تظل دقيقة. تتفوق هذه البنية في feature extraction، مما يجعلها قادرة بدرجة كبيرة على اكتشاف الكائنات الصغيرة في البيئات المعقدة، مثل تلك الموجودة في aerial imagery والمسح الطبي التفصيلي.

اعرف المزيد عن YOLOv9

YOLOX: الجسر بين البحث والصناعة#

بعد إصداره في منتصف عام 2021، نقل YOLOX سلسلة YOLO نحو تصميم خالٍ من نقاط الارتكاز (anchor-free). وقد قدم رأساً مفككاً (decoupled head) يفصل بين مهام التصنيف والتحديد، واستخدم استراتيجية تعيين 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 أن YOLOX كان رائعاً في وقته، حيث حقق mean average precision (mAP) ممتازاً وألغى الحاجة لضبط المعلمات الفائقة لصناديق الإرساء، إلا أن بنيته الأساسية قد تم تجاوزها منذ ذلك الحين بواسطة الشبكات الحديثة التي توازن بشكل أفضل بين عدد المعلمات والاحتفاظ بالميزات.

تعرف على المزيد حول YOLOX

تطور الأنظمة الخالية من نقاط الارتكاز

تتبنى كل من YOLOX ونماذج Ultralytics الأحدث تصاميم خالية من نقاط الارتكاز، مما يقلل من تعقيد ضبط المعلمات الفائقة ويحسن التعميم عبر مجموعات بيانات متنوعة.

تحليل الأداء#

عند مقارنة هذه النماذج عبر معيار MS COCO، تصبح التطورات في YOLOv9 واضحة. يحقق YOLOv9 باستمرار مقايضة أفضل بين الدقة وFLOPs.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv9t	640	38.3	-	2.3	2.0	7.7
YOLOv9s	640	46.8	-	3.54	7.1	26.4
YOLOv9m	640	51.4	-	6.43	20.0	76.3
YOLOv9c	640	53.0	-	7.16	25.3	102.1
YOLOv9e	640	55.6	-	16.77	57.3	189.0

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

في حين يقدم YOLOX متغيرات خفيفة الوزن مثل YOLOX-Nano لحالات الحافة القصوى، فإن متغيرات YOLOv9 تتفوق باستمرار على نماذج YOLOX ذات الحجم المماثل في accuracy الخالص. على سبيل المثال، يحقق YOLOv9m نسبة mAP تبلغ 51.4% مقارنة بـ 49.7% لـ YOLOXl، على الرغم من امتلاكه لأقل من نصف عدد المعلمات (20.0M مقابل 54.2M).

ميزة Ultralytics#

اختيار النموذج يتضمن أكثر من مجرد النظرية المعمارية؛ فالبنية التحتية المحيطة به تملي سرعة التطوير ونجاح النشر. يوفر استخدام YOLOv9 ضمن Ultralytics ecosystem سهولة استخدام لا مثيل لها ودعم مجتمعي قوي.

على عكس مستودعات الأبحاث الأصلية الأقدم، يوفر إطار عمل Ultralytics واجهة برمجة تطبيقات Python موحدة تبسيط المسارات المعقدة. يتطلب التدريب ذاكرة GPU memory أقل بكثير من العديد من البدائل، مما يقدم كفاءة تدريب مذهلة.

from ultralytics import YOLO

# Initialize the YOLOv9c model
model = YOLO("yolov9c.pt")

# Train the model on your custom dataset seamlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export the optimized model to TensorRT format
model.export(format="engine")

مع الدعم المدمج لمهام متعددة، بما في ذلك object detection، وinstance segmentation، وpose estimation، يمكنك تحويل حلول الرؤية الحاسوبية الخاصة بك بسرعة دون تغيير قاعدة الكود بأكملها.

تصدير سلس

هل تقوم بالتنشر على الحافة؟ يجعل Ultralytics من السهل تصدير نماذجك المدربة إلى تنسيقات مُحسّنة للغاية مثل ONNX، وTensorRT، وOpenVINO باستخدام أمر واحد فقط.

تطبيقات العالم الحقيقي#

تؤهل نقاط القوة المحددة لهذه النماذج لاستخدامها في تطبيقات واقعية مميزة:

تحليلات التجزئة عالية السرعة#

لبيئات التجزئة الحديثة التي تتطلب التعرف على المنتجات في الوقت الفعلي، يتألق YOLOv9. قدرته على الاحتفاظ بتفاصيل الميزات المعقدة تجعله مناسباً تماماً لعمليات نشر AI in retail حيث يكون التمييز بين المنتجات المتشابهة بصرياً على رف مزدحم أمراً ضرورياً.

عمليات نشر الحافة القديمة#

في السيناريوهات المحكومة بقيود الأجهزة الصارمة أو وحدات NPU المتخصصة التي تعاني مع كتل التجميع الأحدث، يمكن لـ YOLOX-Nano أن تجد مكاناً مناسباً في بعض الأحيان. فأنماط الالتفاف الخالصة والمجردة الخاصة به مفضلة أحياناً لل microcontrollers المقيدة بالموارد للغاية.

الروبوتات المستقلة#

بالنسبة للملاحة في الروبوتات، قد يكون فقدان الكائنات الصغيرة كارثياً. تضمن بنية GELAN داخل YOLOv9 عدم ضياع ميزات العوائق الصغيرة والبعيدة في الطبقات العميقة للشبكة، متفوقة على النماذج القديمة في بيئات السلامة الحرجة مثل تطبيقات AI in automotive.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv9 و YOLOX على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLOv9#

YOLOv9 هي خيار قوي لـ:

أبحاث اختناق المعلومات: المشاريع الأكاديمية التي تدرس معمارية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN).
دراسات تحسين تدفق التدرج: الأبحاث التي تركز على فهم وتخفيف فقدان المعلومات في طبقات الشبكة العميقة أثناء التدريب.
قياس أداء الكشف عالي الدقة: السيناريوهات التي تكون فيها أداء معيار COCO القوي لـ YOLOv9 مطلوباً كنقطة مرجعية للمقارنات المعمارية.

متى تختار YOLOX#

يوصى باستخدام YOLOX لـ:

أبحاث الكشف بدون نقاط ارتكاز: البحث الأكاديمي الذي يستخدم بنية YOLOX النظيفة والخالية من نقاط الارتكاز كخط أساس لتجربة رؤوس كشف جديدة أو دوال خسارة مبتكرة.
أجهزة الحافة خفيفة الوزن للغاية: النشر على وحدات التحكم الدقيقة أو أجهزة الجوال القديمة حيث يكون البصمة الصغيرة جداً لمتغير YOLOX-Nano (0.91 مليون معلمة) أمراً بالغ الأهمية.
دراسات تخصيص التصنيفات SimOTA: المشاريع البحثية التي تبحث في استراتيجيات تخصيص التصنيفات القائمة على النقل الأمثل وتأثيرها على تقارب التدريب.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

المستقبل: دخول YOLO26#

بينما يمثل YOLOv9 علامة فارقة ومثيرة للإعجاب، فإن متطلبات بيئات الإنتاج تدفع الحدود باستمرار. يمثل YOLO26 الذي تم إصداره حديثاً المعيار النهائي لذكاء الرؤية الحديث.

يعمل YOLOv9 على تنشيط مسار النشر تماماً بتصميم أصلي End-to-End NMS-Free Design. من خلال التخلص من الحاجة إلى قمع غير الحد الأقصى (Non-Maximum Suppression) المعقد أثناء المعالجة اللاحقة، فإنه يوفر inference latency أقل بشكل ملحوظ.

علاوة على ذلك، يدمج YOLO26 مُحسِّن MuSGD الثوري، وهو مزيج من SGD و Muon يستعير ابتكارات من تدريب النماذج اللغوية الكبيرة (LLM) لتوفير تقارب سريع ومستقر بشكل لا يصدق. من خلال إزالة خسارة بؤرية التوزيع (DFL)، يحقق YOLO26 استدلالاً أسرع على CPU بنسبة تصل إلى 43% مقارنة بأسلافه، مما يجعله الخيار الأفضل على الإطلاق لأجهزة الحافة وعمليات النشر المؤسسية. مع تحسينات ملحوظة في التعرف على الأشياء الصغيرة عبر ProgLoss و STAL، يحل YOLO26 محل كل من YOLOX و YOLOv9 بفعالية.

للمهندسين الذين يستكشفون البنيات الحديثة، نوصي أيضاً بالتحقق من YOLO11 وRT-DETR كبدائل قوية داخل حزمة Ultralytics. تأكد من إعداد مشروعك للمستقبل من خلال الاستفادة من الأداء الذي لا يُضاهى لأحدث النماذج على منصة Ultralytics.

المساهمون

GLglenn-jocher¹⁵ PDpderrenger¹

تم الإنشاء 27 يناير 2025تم التحديث أول أمس