Ultralytics YOLO27:
Get Started

YOLOv9 مقابل YOLOX#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا في معماريات اكتشاف الأجسام في الزمن الحقيقي. يقدم هذا الدليل مقارنة شاملة بين YOLOv9 وYOLOX، مع تحليل 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 مستنيرة بشأن عملية النشر التالية.

ابتكارات البنية#

YOLOv9: معلومات التدرج القابلة للبرمجة#

أحدث YOLOv9 تحولًا في النهج من خلال معالجة مشكلة اختناق المعلومات المتأصلة في الشبكات العصبية العميقة. وتشمل ابتكاراته الأساسية معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة 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 عملية التغذية الأمامية، يضمن YOLOv9 بقاء التدرجات المستخدمة لتحديث الأوزان أثناء الانتشار العكسي دقيقة. تتفوق هذه البنية في استخراج السمات، ما يجعلها قادرة جدًا على اكتشاف الأجسام الصغيرة في البيئات المعقدة، مثل تلك الموجودة في الصور الجوية والفحوص 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 أن YOLOX كان رائدًا في زمنه، وحقق متوسط الدقة (mAP) ممتازًا وألغى ضبط المعلمات الفائقة لصناديق المراسي، فقد تجاوزت الشبكات الحديثة بنيته الأساسية منذ ذلك الحين، إذ تحقق توازنًا 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)		mAPالتحقق
50-95		السرعة
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 استخدام لا تضاهى ودعمًا قويًا من المجتمع.

على خلاف مستودعات الأبحاث الأصلية الأقدم، يوفر إطار عمل Ultralytics واجهة Python برمجية موحّدة تبسّط مسارات العمل المعقدة. ويتطلب التدريب قدرًا أقل بكثير من ذاكرة GPU مقارنةً بالعديد من البدائل، ما يوفر كفاءة تدريب عالية.

from ultralytics import YOLO

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

# ⁨درّب النموذج على مجموعة بياناتك المخصصة بسهولة⁩
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 اكتشاف الأجسام وتقسيم المثيلات وتقدير الوضعية، يمكنك تكييف حلول الرؤية الحاسوبية بسرعة من دون تغيير قاعدة الشيفرة بأكملها.

تصدير سلس

هل تنشر على الأجهزة الطرفية؟ تجعل Ultralytics تصدير النماذج المدرّبة إلى تنسيقات محسّنة للغاية مثل ONNX وTensorRT وOpenVINO أمرًا بسيطًا باستخدام أمر واحد فقط.

تطبيقات واقعية#

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

تحليلات تجارة التجزئة عالية السرعة#

تتفوق YOLOv9 في بيئات تجارة التجزئة الحديثة التي تتطلب التعرّف على المنتجات في الوقت الفعلي. وتجعل قدرتها على الاحتفاظ بتفاصيل السمات الدقيقة منها خيارًا مثاليًا لتطبيقات الذكاء الاصطناعي في تجارة التجزئة، حيث يلزم التمييز بين المنتجات المتشابهة بصريًا على رف مزدحم.

عمليات النشر الطرفية القديمة#

في السيناريوهات التي تسود فيها قيود صارمة على العتاد أو تواجه فيها وحدات NPU متخصصة صعوبة في التعامل مع كتل التجميع الأحدث، قد يجد YOLOX-Nano أحيانًا مجالًا مناسبًا. وتُفضَّل أحيانًا أنماط الالتفاف البحتة والمبسطة الخاصة به في المتحكمات الدقيقة ذات الموارد المحدودة للغاية.

الروبوتات ذاتية التشغيل#

في الملاحة الروبوتية، قد يؤدي تفويت الأجسام الصغيرة إلى عواقب كارثية. وتضمن بنية GELAN ضمن YOLOv9 عدم فقدان سمات العوائق الصغيرة والبعيدة في الطبقات العميقة للشبكة، متفوقةً على النماذج الأقدم في بيئات السلامة الحيوية مثل تطبيقات الذكاء الاصطناعي في 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 دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

المستقبل: ظهور YOLO26#

مع أن YOLOv9 يمثل إنجازًا بارزًا، فإن متطلبات بيئات الإنتاج تدفع الحدود باستمرار. ويمثل YOLO26 الصادر حديثًا المعيار الحاسم لذكاء الرؤية الحديث.

يجدد YOLO26 مسار النشر بالكامل بتصميم اختياري شامل الطرفية وخالٍ من NMS. فمن خلال الاستغناء عن الحاجة إلى كبت القيم غير القصوى المعقد أثناء المعالجة اللاحقة باستخدام nms=False، يحقق زمن استدلال أقل بكثير.

إضافة إلى ذلك، يضم YOLO26 محسّن MuSGD الرائد، وهو مزيج هجين من SGD وMuon يستفيد من ابتكارات تدريب نماذج اللغة الكبيرة لتحقيق تقارب سريع ومستقر للغاية. ومن خلال إزالة خسارة البؤرة التوزيعية (DFL)، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بأسلافه، ما يجعله الخيار الأفضل على الإطلاق للأجهزة الطرفية وعمليات نشر المؤسسات. وبفضل التحسينات الملحوظة في التعرّف على الأجسام الصغيرة عبر ProgLoss وSTAL، يتفوق YOLO26 فعليًا على كل من YOLOX وYOLOv9.

نوصي المهندسين الذين يستكشفون البنى الحديثة بالاطلاع أيضًا على YOLO11 وRT-DETR بوصفهما بديلين قويين ضمن مجموعة Ultralytics. واجعل مشروعك مستعدًا للمستقبل بالاستفادة من الأداء الفائق لأحدث النماذج على منصة Ultralytics.

المساهمون
GLglenn-jocher16PDpderrenger2

التعليقات