YOLOX مقابل PP-YOLOE+#

عند تصميم مسار عمل متين لـالرؤية الحاسوبية، يُعد اختيار نموذج كشف الكائنات المناسب قرارًا حاسمًا. يشهد مجال كواشف الكائنات الآنية منافسة شديدة، إذ تسعى بنيات عديدة إلى تحقيق التوازن الأمثل بين سرعة الاستدلال ودقة الكشف. في هذه المقارنة التقنية، سنقيّم نموذجين بارزين: YOLOX وPP-YOLOE+. ومن خلال دراسة تصميمهما المعماري ومنهجيات التدريب ومقاييس الأداء، نهدف إلى تزويد المطورين والباحثين بالرؤى اللازمة لاختيار الأداة المناسبة لبيئات النشر لديهم.

الابتكارات المعمارية والتصميم#

صُمم كلا النموذجين لمعالجة نقاط ضعف محددة في إصدارات YOLO السابقة، لكنهما يتبعان نهجين مختلفين جوهريًا لحل المفاضلة بين السرعة والدقة.

YOLOX: جسر بين البحث والصناعة#

طوّر Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun في Megvii نموذج YOLOX، وأُصدر في 18 يوليو 2021. وقد مثّل تحولًا مهمًا في عائلة YOLO بتبنيه الكامل للتصميم الخالي من المراسي. يمكنك الاطلاع على الأبحاث التأسيسية في ورقة Arxiv الرسمية، وعلى الشيفرة المصدرية الأصلية في مستودع YOLOX على GitHub.

يدمج YOLOX رأسًا مفككًا يفصل مهمتي التصنيف والانحدار، ما يحسن سرعة التقارب أثناء التدريب بدرجة كبيرة. كما قدم استراتيجيات متقدمة لإسناد التسميات مثل SimOTA لتعيين العينات الإيجابية ديناميكيًا. وهذا يجعل النموذج عالي الكفاءة، ولا سيما في بيئات الذكاء الاصطناعي الطرفي التي تكون فيها الموارد الحاسوبية محدودة للغاية.

تعرّف على المزيد حول YOLOX

PP-YOLOE+: كشف صناعي عالي الأداء#

قدم مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+ في 2 أبريل 2022، وهو تطوير محسّن للغاية لسلسلة PP-YOLO. ووفقًا لما هو موضح في منشورهم على Arxiv، يرتبط PP-YOLOE+ ارتباطًا وثيقًا ببيئة Baidu ويتطلب إطار عمل PaddlePaddle. ويمكن العثور على إعدادات النموذج في مستودع PaddleDetection على GitHub.

يعتمد PP-YOLOE+ على العمود الفقري القوي CSPRepResNet، ويستخدم رأسًا فعالًا ومتوافقًا مع المهام (ET-head) إلى جانب تعلّم مواءمة المهام (TAL). تحقق هذه البنية متوسط دقة متميزًا على مجموعة بيانات COCO، ما يجعلها خيارًا قويًا لكشف العيوب الصناعية والمعالجة الثقيلة على الخوادم، حيث تكون الأولوية للدقة على حساب الحد 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.

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 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.

ميزة Ultralytics: تقديم YOLO26#

على الرغم من المزايا المختلفة التي يقدمها كل من YOLOX وPP-YOLOE+، يتطلب التطور السريع للذكاء الاصطناعي أدوات تجمع بين الدقة المتطورة وسهولة الاستخدام الفائقة. وهنا تتفوق نماذج Ultralytics، ولا سيما Ultralytics YOLO26 الصادر حديثًا، على مستودعات الأبحاث القديمة.

يضع YOLO26، الذي صدر في يناير 2026، معيارًا جديدًا لـكشف الكائنات الحديث وما يتجاوزه، مقدمًا تجربة للمطورين لا تضاهيها أطر العمل المنافسة.

لماذا يختار المطورون YOLO26#

1. تصميم شامل خالٍ من NMS: استنادًا إلى المفاهيم التي قدمها YOLOv10، يدعم YOLO26 الاستدلال الشامل أصليًا. ومن خلال تجاوز المعالجة اللاحقة بكبت غير الأعظم (NMS) باستخدام رأس اختياري أحادي المطابقة (nms=False)، يضمن زمن استجابة متسقًا للغاية ويبسط مسارات التصدير للبيئات الطرفية بدرجة كبيرة.
2. تحسين من الجيل التالي: يُحدث محسّن MuSGD ثورة في استقرار التدريب؛ فهو مزيج من SGD وMuon (مستوحى من منهجيات LLM مثل Kimi K2 من Moonshot AI). وهذا يضمن تقاربًا أسرع. علاوة على ذلك، يستخدم YOLO26 ProgLoss + STAL لتحسين التعرف على الأجسام الصغيرة بدرجة كبيرة، وهي ميزة أساسية للتطبيقات التي تشمل الصور الجوية والروبوتات.
3. كفاءة فائقة في استخدام العتاد: من خلال إزالة Distribution Focal Loss (DFL)، يبسط YOLO26 رأس الكشف ومخطط التصدير. ويحقق استدلالًا على CPU أسرع بنسبة تصل إلى 43%، ما يجعله الخيار الأمثل للأجهزة التي تفتقر إلى تسريع مخصص بواسطة GPU.
4. تعدد استخدامات استثنائي: على خلاف PP-YOLOE+ الذي يركز حصرًا على الكشف، يقدم YOLO26 دعمًا موحدًا لمهام عديدة. ويضم دالة خسارة متخصصة للتجزئة الدلالية من أجل تجزئة الكائنات، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) من أجل تقدير الوضعية بدقة، وآليات متقدمة لخسارة الزاوية من أجل صناديق الإحاطة الموجّهة (OBB).

تكامل سلس مع البيئة البرمجية#

تزيل Ultralytics مشقة تثبيت أطر العمل المعقدة. باستخدام واجهة Python البرمجية الموحدة أو منصة Ultralytics البديهية، يمكنك تدريب النماذج والتحقق من صحتها وتصديرها ببضعة أسطر من الشيفرة فحسب.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 small المتطور⁩
model = YOLO("yolo26s.pt")

# ⁨درّب النموذج على مجموعة بيانات مخصصة بأقل استهلاك لذاكرة CUDA⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨شغّل الاستدلال بسهولة⁩
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 معماريات قوية أخرى ضمن منظومة Ultralytics، يظل YOLO11 خيارًا موثوقًا للغاية لعمليات النشر القديمة، بينما يوفّر RT-DETR القائم على Transformer إمكانات ممتازة لمن يبحثون عن حلول تعتمد على آليات الانتباه.

الملخص#

غالبًا ما يتوقف الاختيار بين YOLOX وPP-YOLOE+ على القيود الأساسية للأطر التي تستخدمها، وما إذا كنت تفضّل مرونة PyTorch أو التكامل العميق مع PaddlePaddle من Baidu. ومع ذلك، توفّر Ultralytics YOLO26 بديلًا متفوقًا كثيرًا للمؤسسات التي تسعى إلى تهيئة بنيتها التحتية للذكاء الاصطناعي للمستقبل. وبفضل الاستدلال الاختياري الخالي من NMS، واستهلاك الذاكرة المنخفض، والتنوع الشامل في المهام، تمكّن YOLO26 الفرق من إنشاء تطبيقات رؤية حاسوبية أسرع وأذكى وأكثر كفاءة بسهولة غير مسبوقة.