مقارنة YOLOX وPP-YOLOE+#

عند تصميم خط أنابيب متين لـالرؤية الحاسوبية، يُعد اختيار نموذج اكتشاف الأجسام المناسب قرارًا بالغ الأهمية. ويشهد مجال كاشفات الأجسام الآنية منافسة شديدة، إذ تسعى معماريات عديدة إلى تحقيق التوازن الأمثل بين سرعة الاستدلال ودقة الاكتشاف. في هذه المقارنة التقنية، سنقيّم نموذجين بارزين: YOLOX وPP-YOLOE+. ومن خلال دراسة تصميماتهما المعمارية ومنهجيات تدريبهما ومقاييس أدائهما، نهدف إلى تزويد المطورين والباحثين بالرؤى اللازمة لاختيار الأداة المناسبة لبيئات النشر الخاصة بهم.

الابتكارات المعمارية والتصميم#

صُمم كلا النموذجين لمعالجة نقاط ضعف محددة في إصدارات YOLO السابقة، إلا أنهما 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، الذي أُطلق في 18 يوليو 2021. وقد مثّل تحولًا مهمًا في عائلة YOLO من خلال تبنّي تصميم لا يعتمد على المراسي بالكامل. ويمكنك الاطلاع على البحث التأسيسي في ورقة Arxiv الرسمية الخاصة بهم، وعلى الشيفرة المصدرية الأصلية في مستودع YOLOX على GitHub.

يدمج YOLOX رأسًا مفككًا يفصل بين مهمتَي التصنيف والانحدار، ما يحسّن سرعة التقارب بدرجة كبيرة أثناء التدريب. كما قدّم استراتيجيات متقدمة لتعيين التسميات، مثل SimOTA، لتعيين العينات الموجبة ديناميكيًا. وهذا يجعل النموذج عالي الكفاءة، لا سيما في بيئات الذكاء الاصطناعي الطرفي التي تكون فيها الموارد الحاسوبية محدودة للغاية.

تعرف على المزيد حول YOLOX

PP-YOLOE+: اكتشاف صناعي عالي الأداء#

قدّم مؤلفو PaddlePaddle في Baidu نموذج PP-YOLOE+ في 2 أبريل 2022، وهو يمثل تطورًا محسّنًا بدرجة كبيرة لسلسلة PP-YOLO. ووفقًا لما ورد في منشور Arxiv الخاص بهم، يندمج PP-YOLOE+ بعمق في منظومة Baidu ويتطلب إطار عمل PaddlePaddle. ويمكن العثور على إعدادات النموذج في مستودع PaddleDetection على GitHub.

يعتمد PP-YOLOE+ على بنية CSPRepResNet أساسية قوية، ويستخدم رأسًا فعالًا لمحاذاة المهام (ET-head) إلى جانب تعلّم محاذاة المهام (TAL). وتحقق هذه المعمارية متوسط دقة (mAP) متميزًا على مجموعة بيانات COCO، ما يجعلها خيارًا قويًا لاكتشاف العيوب الصناعية ومعالجة الخوادم الكثيفة، حيث تُعطى الأولوية للدقة على حساب تقليل التبعيات إلى أدنى حد.

تعرف على المزيد حول PP-YOLOE+

معايير الأداء#

يُعد فهم أداء هذه النماذج على مقاييس مختلفة أمرًا أساسيًا للنشر. يوضّح الجدول أدناه المقاييس الرئيسية، بما في ذلك mAP وسرعات الاستدلال عند التصدير إلى TensorRT.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX وPP-YOLOE+ على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة البرمجية.

متى تختار YOLOX؟#

يُعد YOLOX خيارًا قويًا لـ:

• أبحاث الاكتشاف دون مراسٍ: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة المستغنية عن المراسي خط أساس للتجارب على رؤوس اكتشاف أو دوال خسارة جديدة.
• الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة التي تكون فيها البصمة الصغيرة للغاية لمتغير YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
• دراسات إسناد التسميات 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 على إطار عمل وأدوات PaddlePaddle الخاصة بـBaidu.
• النشر الطرفي باستخدام Paddle Lite: النشر على عتاد مزود بنوى استدلال محسّنة بدرجة كبيرة خصيصًا لمحرك Paddle Lite أو محرك Paddle للاستدلال.
• الاكتشاف عالي الدقة من جانب الخادم: السيناريوهات التي تعطي الأولوية لأقصى دقة اكتشاف على خوادم GPU قوية، حيث لا يمثل الاعتماد على إطار العمل 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: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

ميزة Ultralytics: تقديم YOLO26#

على الرغم من أن كلاً من YOLOX وPP-YOLOE+ يقدّم مزايا مميزة، فإن التطور السريع للذكاء الاصطناعي يتطلب أدوات تجمع بين دقة متقدمة وسهولة استخدام لا مثيل لها. وهنا تتفوق نماذج Ultralytics، وبالأخص Ultralytics YOLO26 الذي أُطلق مؤخرًا، على مستودعات الأبحاث القديمة.

أُطلق YOLO26 في يناير 2026، ويضع معيارًا جديدًا لـاكتشاف الأجسام الحديث وما يتجاوزه، إذ يوفر تجربة للمطورين لا تضاهيها أطر العمل المنافسة.

لماذا يختار المطورون YOLO26#

1. تصميم شامل من البداية وخالٍ من NMS: استنادًا إلى المفاهيم التي ابتكرها YOLOv10، يعمل YOLO26 أصلاً بطريقة شاملة من البداية إلى النهاية. ومن خلال إزالة المعالجة اللاحقة للقمع غير الأقصى (NMS) بالكامل، يضمن زمن استجابة متسقًا بدرجة كبيرة، ويبسط خطوط أنابيب التصدير لبيئات الحافة تبسيطًا هائلًا.
2. تحسين من الجيل التالي: يُحدث محسّن MuSGD ثورة في استقرار التدريب، إذ يجمع بين SGD وMuon، المستوحى من منهجيات LLM مثل Kimi K2 من Moonshot AI. وهذا يضمن تقاربًا أسرع. علاوة على ذلك، يستخدم YOLO26 تقنية ProgLoss + STAL لتحسين التعرّف على الأجسام الصغيرة بدرجة كبيرة، وهي ميزة حاسمة للتطبيقات التي تتضمن الصور الجوية والروبوتات.
3. كفاءة عتادية لا مثيل لها: من خلال إزالة Distribution Focal Loss (DFL)، يخفض YOLO26 متطلبات الذاكرة بدرجة كبيرة. كما يوفر استدلالًا أسرع على CPU بنسبة تصل إلى 43%، ما يجعله الخيار الحاسم للأجهزة التي تفتقر إلى تسريع GPU مخصص.
4. تعدد استخدامات استثنائي: بخلاف PP-YOLOE+ الذي يركز حصريًا على الاكتشاف، يوفر YOLO26 دعمًا موحدًا عبر العديد من المهام. فهو يدمج خسارة متخصصة للتقسيم الدلالي من أجل تقسيم المثيلات، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) من أجل تقدير الوضعية بدقة، وآليات متقدمة لخسارة الزاوية من أجل الصناديق المحيطة الموجّهة (OBB).

تكامل سلس مع المنظومة البرمجية#

تزيل Ultralytics الإحباط الناتج عن عمليات تثبيت أطر العمل المعقدة. وباستخدام واجهة Python الموحدة أو منصة Ultralytics سهلة الاستخدام، يمكنك تدريب النماذج والتحقق منها وتصديرها باستخدام بضعة أسطر من الشيفرة فقط.

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 إلى المستخدمين الذين يقيّمون معماريات قوية أخرى ضمن منظومة Ultralytics، يظل YOLO11 خيارًا موثوقًا للغاية لعمليات النشر القديمة، بينما يوفر RT-DETR القائم على Transformer إمكانات ممتازة للباحثين عن حلول تعتمد على آلية الانتباه.

الملخص#

غالبًا ما يتوقف الاختيار بين YOLOX وPP-YOLOE+ على قيود إطار العمل الأساسي لديك، أي ما إذا كنت تفضل المرونة القائمة على PyTorch أو التكامل العميق مع PaddlePaddle من Baidu. ومع ذلك، بالنسبة إلى المؤسسات التي تتطلع إلى تحصين بنيتها التحتية للذكاء الاصطناعي في مواجهة المستقبل، يقدم Ultralytics YOLO26 بديلاً متفوقًا بدرجة كبيرة. وبفضل تصميمه الثوري الخالي من NMS، وبصمته الخفيفة على الذاكرة، وتعدد مهامه الشامل، يمكّن YOLO26 الفرق من بناء تطبيقات للرؤية الحاسوبية أسرع وأذكى وأكثر كفاءة بسهولة غير مسبوقة.