YOLOX مقابل PP-YOLOE+
عند تصميم مسار عمل متين لـالرؤية الحاسوبية، يُعد اختيار نموذج كشف الكائنات المناسب قرارًا بالغ الأهمية. ويشهد مجال كواشف الكائنات الآنية منافسة شديدة، إذ تسعى بنى عديدة إلى تحقيق أفضل توازن بين سرعة الاستدلال ودقة الكشف. ويقيّم هذا الاستعراض التقني نموذجين بارزين، YOLOX وPP-YOLOE+، ويدرس تصميمهما المعماري ومنهجيات تدريبهما ومقاييس أدائهما لمساعدة المطورين والباحثين على اختيار الأداة المناسبة لبيئات النشر لديهم.
الابتكارات المعمارية والتصميم#
صُمم كلا النموذجين لمعالجة تحديات محددة في إصدارات YOLO السابقة، لكنهما يتبعان نهجين مختلفين للمفاضلة بين السرعة والدقة.
YOLOX: جسر بين البحث والصناعة#
طوّر Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun في Megvii نموذج YOLOX، الذي صدر في 18 يوليو 2021. وشكّل تحولًا مهمًا في عائلة YOLO باعتماده تصميمًا خاليًا من المراسي بالكامل. ويمكنك الاطلاع على الأبحاث التأسيسية في ورقة arXiv الرسمية، وعلى الشيفرة المصدرية الأصلية في مستودع YOLOX على GitHub.
يدمج YOLOX رأسًا مفككًا يفصل مهام التصنيف والانحدار، ما يحسّن سرعة التقارب أثناء التدريب بدرجة كبيرة. كما قدم استراتيجيات متقدمة لإسناد التسميات مثل SimOTA، لإسناد العينات الإيجابية ديناميكيًا. وهذا يجعل النموذج فعالًا، كما أن أصغر نسخه مناسبة لبيئات الذكاء الاصطناعي الطرفي التي تكون فيها الموارد الحاسوبية محدودة بشدة.
PP-YOLOE+: كشف صناعي عالي الأداء#
قدّم مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+ في 2 أبريل 2022 بوصفه تطويرًا محسّنًا لسلسلة PP-YOLO. وكما هو موضح في منشورهم على arXiv، يتكامل PP-YOLOE+ بعمق مع منظومة Baidu ويتطلب إطار PaddlePaddle. ويمكن العثور على إعدادات النموذج في مستودع PaddleDetection على GitHub.
يعتمد PP-YOLOE+ على العمود الفقري CSPRepResNet، ويستخدم رأسًا متوافقًا مع المهام الفعالة (ET-head) إلى جانب تعلّم توافق المهام (TAL). وتحقق هذه البنية متوسط دقة (mAP) قويًا على مجموعة بيانات COCO، ما يجعلها خيارًا مناسبًا لكشف العيوب الصناعية والمعالجة المكثفة على الخوادم، حيث تكون الأولوية للدقة لا للحد الأدنى من التبعيات.
تعرّف على المزيد حول PP-YOLOE+
معايير الأداء#
يُعد فهم أداء هذه النماذج على المقاييس المختلفة أمرًا أساسيًا للنشر. يعرض الجدول أدناه المقاييس الرئيسية، ومنها mAP وسرعات الاستدلال عند التصدير إلى TensorRT.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
يحقق PP-YOLOE+ دقة أعلى من YOLOX عند كل حجم قابل للمقارنة، ويستخدم عمليات FLOPs أقل بدءًا من الحجم s، فيما يحقق PP-YOLOE+x أعلى دقة إجمالًا. لكن YOLOX يوفر نسخًا خفيفة جدًا (Nano وTiny) تلائم وحدات التحكم الدقيقة منخفضة الطاقة والأجهزة المحمولة القديمة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOX وPP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات البيئة البرمجية.
متى تختار YOLOX#
يُعد YOLOX خيارًا قويًا لـ:
- 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 PP-YOLOE+#
يوصى باستخدام PP-YOLOE+ في الحالات التالية:
- التكامل مع منظومة PaddlePaddle: المؤسسات التي تمتلك بنية تحتية قائمة مبنية على إطار العمل والأدوات PaddlePaddle من Baidu.
- النشر الطرفي عبر Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة عالية خصيصًا لمحرك Paddle Lite أو محرك الاستدلال Paddle.
- اكتشاف عالي الدقة على جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يشكل الاعتماد على إطار عمل معين مصدر قلق.
متى تختار Ultralytics (YOLO26)#
بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:
- النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة 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.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من المزايا المختلفة التي يقدمها YOLOX وPP-YOLOE+، يتطلب التطور السريع للذكاء الاصطناعي أدوات تجمع بين الدقة العالية وسهولة الاستخدام. وهنا تتميز نماذج Ultralytics، ولا سيما Ultralytics YOLO26، مقارنةً بمستودعات الأبحاث الأقدم.
يرسي YOLO26، الذي صدر في يناير 2026، معيارًا جديدًا لكشف الكائنات الحديث ومهام الرؤية الأخرى، مع تجربة تطوير مبسطة.
لماذا يختار المطورون YOLO26#
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يدعم YOLO26 الاستدلال الشامل الأصلي. ومن خلال تجاوز معالجة NMS اللاحقة باستخدام رأسه الاختياري أحادي المطابقة (
nms=False)، يوفّر زمن استجابة ثابتًا ويبسط مسارات التصدير للبيئات الطرفية. - تحسين التدريب: يحسّن محسّن MuSGD، وهو مزيج من SGD وMuon (المستوحى من منهجيات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI)، استقرار التدريب وسرعة التقارب. كما يستخدم YOLO26 ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة) لتحسين كشف الكائنات الصغيرة، وهي ميزة أساسية للتطبيقات التي تشمل الصور الجوية والروبوتات.
- كفاءة العتاد: من خلال إزالة Distribution Focal Loss (DFL)، يبسّط YOLO26 رأس الكشف ومخطط التصدير. ويوفر YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% مقارنةً بـ YOLO11n، ما يجعله خيارًا قويًا للأجهزة التي تفتقر إلى تسريع GPU مخصص.
- تعدد الاستخدامات: على عكس PP-YOLOE+ الذي يركز حصرًا على الكشف، يقدم YOLO26 دعمًا موحدًا لمهام عديدة. ويضم خسارة متخصصة للتجزئة الدلالية من أجل تجزئة الكائنات الفردية، وتقدير الاحتمالية اللوغاريتمي المتبقي (RLE) من أجل تقدير الوضعية بدقة، وخسارة متخصصة للزوايا من أجل مربعات الإحاطة الموجّهة (OBB).
تكامل النظام البيئي#
تتجنب Ultralytics عمليات تثبيت الأطر المعقدة. وباستخدام واجهة Python البرمجية الموحدة أو منصة Ultralytics البديهية، يمكنك تدريب النماذج والتحقق من صحتها وتصديرها ببضعة أسطر من التعليمات البرمجية.
from ultralytics import YOLO
# تحميل نموذج YOLO26 الصغير
model = YOLO("yolo26s.pt")
# درّب النموذج على مجموعة بيانات مخصصة بأقل استهلاك لذاكرة CUDA
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تنفيذ الاستدلال
predictions = model("https://ultralytics.com/images/bus.jpg")
# صدّر إلى ONNX محليًا، مع الاستفادة الكاملة من البنية الخالية من NMS
model.export(format="onnx", nms=False)للمستخدمين الذين يقيّمون بنيات قوية أخرى ضمن منظومة Ultralytics، يظل YOLO11 خيارًا موثوقًا للنشرات الحالية، بينما يوفر RT-DETR القائم على Transformer قدرات قوية لمن يبحثون عن حلول تعتمد على آليات الانتباه.
الملخص#
غالبًا ما يتوقف الاختيار بين YOLOX وPP-YOLOE+ على قيود إطار العمل الأساسي لديك، أي ما إذا كنت تفضل مرونة PyTorch أو التكامل العميق مع PaddlePaddle من Baidu. أما المؤسسات التي تخطط لبنية تحتية جديدة للذكاء الاصطناعي، فيوصى لها باستخدام Ultralytics YOLO26. وبفضل الاستدلال الاختياري الخالي من NMS واستهلاك الذاكرة المحدود ودعم المهام الواسع، يساعد YOLO26 الفرق على بناء تطبيقات رؤية حاسوبية سريعة وفعالة.
التعليقات6
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
UltralyticsAssistantUltralytics
👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!
For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.
If you have specific questions or need further assistance, please provide more details about your use case. For example:
- What type of dataset are you working with?
- Are there specific metrics or constraints you are prioritizing?
Join the Ultralytics community for more discussions and insights:
- Real-time chat? Join us on Discord 🎧.
- Prefer forum-style discussions? Check out Discourse.
- Or head over to our Subreddit to connect with other users.
Additionally, ensure you're using the latest version of the
ultralyticspackage for optimal performance and features. Upgrade with the following command:pip install -U ultralyticsThis is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊
Glenn JocherUltralytics(تم التعديل)@UltralyticsAssistant Thanks for the automated response.
@Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.
For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.
Amine-Torki
"YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...
-1
Glenn JocherUltralytics(تم التعديل)@Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.
Amine-Torki(تم التعديل)
Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.
Glenn JocherUltralytics(تم التعديل)