Link to this sectionمقارنة بين YOLOX و PP-YOLOE+#

عند تصميم خط أنابيب رؤية حاسوبية قوي، يعد اختيار نموذج اكتشاف الكائنات المناسب قراراً حاسماً. يشهد مجال مكتشفات الكائنات في الوقت الفعلي منافسة عالية، حيث تسعى العديد من المعماريات لتقديم التوازن الأمثل بين سرعة الاستدلال ودقة الاكتشاف. في هذه المقارنة التقنية، سنقيم نموذجين بارزين: YOLOX و PP-YOLOE+. من خلال فحص تصاميمهما المعمارية، ومنهجيات التدريب، ومقاييس الأداء، نهدف إلى تزويد المطورين والباحثين بالرؤى اللازمة لاختيار الأداة المناسبة لبيئات النشر الخاصة بهم.

Link to this sectionالابتكارات المعمارية والتصميم#

صُمم كلا النموذجين لمعالجة نقاط ضعف محددة في تكرارات YOLO السابقة، ومع ذلك، فإنهما يتخذان نهجاً مختلفاً جذرياً في حل المقايضة بين السرعة والدقة.

Link to this sectionYOLOX: الجسر بين البحث والصناعة#

تم تطوير YOLOX بواسطة Zheng Ge و Songtao Liu و Feng Wang و Zeming Li و Jian Sun في شركة Megvii، وصدر في 18 يوليو 2021. لقد مثل تحولاً كبيراً في عائلة YOLO من خلال تبني تصميم خالٍ من الركائز (anchor-free) بالكامل. يمكنك استكشاف البحث التأسيسي في ورقة Arxiv الرسمية الخاصة بهم وكود المصدر الأصلي في مستودع YOLOX على GitHub.

يدمج YOLOX رأساً مفصولاً (decoupled head)، مما يفصل بين مهام التصنيف والانحدار، وهو ما يحسن سرعة التقارب بشكل كبير أثناء التدريب. بالإضافة إلى ذلك، قدم استراتيجيات متقدمة لتخصيص التسميات مثل SimOTA لتعيين العينات الإيجابية ديناميكياً. هذا يجعل النموذج عالي الكفاءة، خاصة في بيئات الذكاء الاصطناعي على الحافة حيث تكون الموارد الحسابية محدودة للغاية.

اعرف المزيد عن YOLOX

Link to this sectionPP-YOLOE+: اكتشاف صناعي عالي الأداء#

تم تقديم PP-YOLOE+ بواسطة مؤلفي PaddlePaddle في Baidu في 2 أبريل 2022، ويمثل تطوراً محسناً للغاية من سلسلة PP-YOLO. مفصل في منشور Arxiv الخاص بهم، تم دمج PP-YOLOE+ بعمق في نظام Baidu البيئي ويتطلب إطار عمل PaddlePaddle. يمكن العثور على تكوينات النموذج في مستودع PaddleDetection على GitHub.

يعتمد PP-YOLOE+ على هيكل أساسي قوي من نوع CSPRepResNet ويستخدم رأساً فعالاً متوافقاً مع المهام (ET-head) جنباً إلى جنب مع تعلم محاذاة المهام (TAL). تحقق هذه المعمارية متوسط دقة (mAP) متميزاً على مجموعة بيانات COCO، مما يجعله خياراً هائلاً لاكتشاف العيوب الصناعية والمعالجة الثقيلة من جانب الخادم حيث يتم إعطاء الأولوية للدقة على حساب الاعتماديات الدنيا.

تعرف على المزيد حول PP-YOLOE+

Link to this sectionمقاييس الأداء#

يعد فهم كيفية أداء هذه النماذج عبر مقاييس مختلفة أمراً ضرورياً للنشر. يوضح الجدول أدناه المقاييس الرئيسية، بما في ذلك mAP وسرعات الاستدلال عند التصدير إلى TensorRT.

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX و PP-YOLOE+ على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار YOLOX#

يعد YOLOX خياراً قوياً 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.

Link to this sectionمتى تختار PP-YOLOE+#

يوصى بـ PP-YOLOE+ من أجل:

• التكامل مع نظام PaddlePaddle البيئي: للمؤسسات التي لديها بنية تحتية موجودة مبنية على إطار عمل Baidu's PaddlePaddle.
• النشر على أجهزة الحافة (Paddle Lite): عند النشر على أجهزة ذات أنوية استنتاج محسّنة خصيصاً لمحرك Paddle Lite أو محرك استنتاج Paddle.
• الكشف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة للكشف على خوادم GPU قوية حيث لا يمثل الاعتماد على إطار عمل معين مصدر قلق.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

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

• 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.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionميزة Ultralytics: تقديم YOLO26#

على الرغم من أن كلاً من YOLOX و PP-YOLOE+ يقدمان مزايا متميزة، فإن التطور السريع للذكاء الاصطناعي يتطلب أدوات تجمع بين أحدث مستويات الدقة وسهولة الاستخدام غير المسبوقة. وهنا تتفوق نماذج Ultralytics، وتحديداً Ultralytics YOLO26 الذي تم إصداره مؤخراً، على مستودعات الأبحاث القديمة.

تم إصدار YOLO26 في يناير 2026، وهو يضع معياراً جديداً لـ اكتشاف الكائنات الحديث وما بعده، مما يوفر تجربة مطور لا تضاهى ببساطة من قبل أطر العمل المنافسة.

Link to this sectionلماذا يختار المطورون YOLO26#

1. تصميم من طرف إلى طرف بدون NMS: بناءً على المفاهيم التي تم ريادتها في YOLOv10، فإن YOLO26 هو تصميم أصلي من طرف إلى طرف. من خلال إزالة معالجة Non-Maximum Suppression (NMS) بالكامل، فإنه يضمن تأخراً ثابتاً للغاية ويبسط بشكل كبير خطوط أنابيب التصدير لبيئات الحافة.
2. تحسين الجيل التالي: تم إحداث ثورة في استقرار التدريب بواسطة مُحسن MuSGD، وهو مزيج من SGD و Muon (مستوحى من منهجيات LLM مثل Kimi K2 من Moonshot AI). هذا يضمن تقارباً أسرع. علاوة على ذلك، يستخدم YOLO26 ProgLoss + STAL لتحسين التعرف على الكائنات الصغيرة بشكل جذري، وهي ميزة حاسمة للتطبيقات التي تتضمن الصور الجوية والروبوتات.
3. Unmatched Hardware Efficiency: By removing Distribution Focal Loss (DFL), YOLO26 drastically lowers memory requirements. It boasts up to 43% faster CPU inference, making it the definitive choice for devices lacking dedicated GPU acceleration.
4. تنوع فائق: على عكس PP-YOLOE+ الذي يركز فقط على الاكتشاف، يوفر YOLO26 دعماً موحداً عبر مهام عديدة. وهو يدمج خسارة تجزئة دلالية متخصصة لـ تجزئة المثيلات، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـ تقدير الوضعية الدقيق، وآليات خسارة الزاوية المتقدمة لـ صناديق التحديد الموجهة (OBB).

تعرف على المزيد حول YOLO26

Link to this sectionتكامل سلس مع النظام البيئي#

تزيل Ultralytics الإحباط الناتج عن عمليات تثبيت إطار العمل المعقدة. باستخدام واجهة برمجة تطبيقات Python الموحدة أو منصة Ultralytics البديهية، يمكنك تدريب النماذج والتحقق منها وتصديرها ببضعة أسطر فقط من الكود.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train on a custom dataset with minimal CUDA memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Effortlessly run inference
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX natively, fully benefiting from the NMS-free architecture
model.export(format="onnx")

بالنسبة للمستخدمين الذين يقيمون معماريات قوية أخرى ضمن نظام Ultralytics البيئي، يظل YOLO11 خياراً موثوقاً للغاية لعمليات النشر القديمة، بينما يوفر RT-DETR القائم على المحولات قدرات ممتازة لأولئك الذين يبحثون عن حلول قائمة على الانتباه.

Link to this sectionملخص#

يعتمد الاختيار بين YOLOX و PP-YOLOE+ غالباً على قيود إطار العمل الأساسية الخاصة بك—سواء كنت تفضل المرونة القائمة على PyTorch أو التكامل العميق مع PaddlePaddle من Baidu. ومع ذلك، بالنسبة للمؤسسات التي تتطلع إلى تأمين بنيتها التحتية للذكاء الاصطناعي في المستقبل، يوفر Ultralytics YOLO26 بديلاً متفوقاً بشكل كبير. بفضل تصميمه الثوري الخالي من NMS، وبصمة الذاكرة الخفيفة، وتنوع المهام الشامل، يُمكّن YOLO26 الفرق من بناء تطبيقات رؤية حاسوبية أسرع وأكثر ذكاءً وكفاءة بسهولة غير مسبوقة.