مقارنة بين YOLOX و PP-YOLOE+#
عند تصميم خط أنابيب رؤية حاسوبية قوي، يُعد اختيار نموذج كشف الأشياء المناسب قراراً حاسماً. يُعد مشهد كواشف الأشياء في الوقت الفعلي تنافسياً للغاية، مع وجود العديد من الهياكل التي تسعى جاهدة لتقديم التوازن الأمثل بين سرعة الاستدلال ودقة الكشف. في هذه المقارنة التقنية، سنقوم بتقييم نموذجين بارزين: YOLOX و PP-YOLOE+. من خلال فحص تصاميمها الهيكلّية، ومنهجيات التدريب، ومقاييس الأداء، نهدف إلى تزويد المطورين والباحثين بالرؤى اللازمة لاختيار الأداة المناسبة لبيئات نشرهم.
الابتكارات 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.
YOLOX: الجسر بين البحث والصناعة#
تم تطوير YOLOX بواسطة Zheng Ge و Songtao Liu و Feng Wang و Zeming Li و Jian Sun في Megvii، وأُصدر في 18 يوليو 2021. لقد مثَّل تحولاً مهماً في عائلة YOLO من خلال تبني تصميم خالٍ من نقاط الارتكاز (anchor-free) بشكل كامل. يمكنك استكشاف البحث الأساسي في ورقة Arxiv الرسمية الخاصة بهم وشفرة المصدر الأصلية في مستودع YOLOX على GitHub.
يدمج YOLOX رأساً منفصلاً (decoupled head)، مما يفصل بين مهام التصنيف والانحدار، مما يحسن بشكل كبير من سرعة التقارب أثناء التدريب. بالإضافة إلى ذلك، فقد قدم استراتيجيات متقدمة لتخصيص التسميات مثل SimOTA لتخصيص العينات الإيجابية ديناميكياً. هذا يجعل النموذج عالي الكفاءة، خاصة في بيئات الذكاء الاصطناعي على الحافة حيث تكون الموارد الحسابية محدودة للغاية.
PP-YOLOE+: اكتشاف صناعي عالي الأداء#
تم تقديم PP-YOLOE+ بواسطة مؤلفي PaddlePaddle في Baidu في 2 أبريل 2022، وهو يمثل تطوراً مُحسَّناً للغاية لسلسلة PP-YOLO. وُصِف بالتفصيل في منشور Arxiv الخاص بهم، وPP-YOLOE+ مدمج بعمق في بيئة Baidu 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) إلى جانب تعلم محاذاة المهام (TAL). يحقق هذا الهيكل متوسط الدقة المتوسطة (mAP) بارزاً على مجموعة بيانات COCO، مما يجعله خياراً هائلاً للكشف عن العيوب الصناعية والمعالجة الثقيلة من جانب الخادم حيث تُعطى الأولوية للدقة على الحد الأدنى من التبعيات.
مقاييس الأداء#
يُعد فهم أداء هذه الناتجات عبر مقاييس مختلفة أمراً أساسياً للنشر. يوضح الجدول أدناه المقاييس الرئيسية، بما في ذلك mAP وسرعات الاستدلال عند التصدير إلى TensorRT.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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 |
في حين أن PP-YOLOE+x يحقق أعلى دقة مطلقة، يوفر YOLOX متغيرات خفيفة للغاية (Nano و Tiny) وهي مناسبة جداً لوحدات التحكم الدقيقة منخفضة الطاقة وأجهزة الهاتف القديمة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOX و PP-YOLOE+ على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.
متى 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.
متى تختار PP-YOLOE+#
يوصى بـ PP-YOLOE+ من أجل:
- تكامل بيئة PaddlePaddle: المنظمات التي لديها بنية تحتية حالية مبنية على إطار عمل وأدوات 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.
متى تختار Ultralytics (YOLO26)#
بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:
- 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.
- الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.
ميزة Ultralytics: تقديم YOLO26#
في حين أن كل من YOLOX و PP-YOLOE+ يقدمان مزايا مميزة، فإن التطور السريع للذكاء الاصطناعي يتطلب أدوات تجمع بين الدقة الحديثة وسهولة الاستخدام التي لا تُضاهى. هذا هو المكان الذي تتفوق فيه نماذج Ultralytics، وتحديداً Ultralytics YOLO26 الذي تم إصداره مؤخراً، على مستودعات الأبحاث القديمة.
أُصدر YOLO26 في يناير 2026، ليضع معياراً جديداً لكشف الأشياء الحديث وما بعده، مقدماً تجربة مطور لا تُنافس ببساطة من قِبل الأطر المنافسة.
لماذا يختار المطورون YOLO26#
- تصميم من البداية إلى النهاية بدون NMS: بناءً على المفاهيم التي رائدة في YOLOv10، فإن YOLO26 مصمم أصلاً من البداية إلى النهاية. من خلال إزالة معالجة كبح الحد الأقصى غير (NMS) بالكامل، فإنه يضمن تأخراً ثابتاً للغاية ويبسط بشكل كبير خطوط أنابيب التصدير لبيئات الحافة.
- التحسين من الجيل التالي: ثورة في استقرار التدريب بواسطة MuSGD Optimizer، وهو هجين من SGD و Muon (مستوحى من منهجيات نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI). هذا يضمن تقارباً أسرع. علاوة على ذلك، يستخدم YOLO26 ProgLoss + STAL لتحسين التعرف على الأشياء الصغيرة بشكل كبير، وهي ميزة حاسمة للتطبيقات التي تشمل الصور الجوية والروبوتات.
- كفاءة أجهزة لا تُطابق: من خلال إزالة فقدان التركيز التوزيعي (DFL)، يقلل YOLO26 من متطلبات الذاكرة بشكل كبير. وهو يتميز بما يصل إلى استدلال وحدة المعالجة المركزية (CPU) أسرع بنسبة 43%، مما يجعله الخيار النهائي للأجهزة التي تفتقر إلى تسريع GPU المخصص.
- تنوع فائقي: على عكس PP-YOLOE+ الذي يركز حصرياً على الكشف، يوفر YOLO26 دعماً موحداً عبر العديد من المهام. وهو يدمج فقدان تجزئة دلالي مخصص لتجزئة النسخ، وتقدير اللوغاريتم المتبقي (RLE) لتقدير الوضعية بدقة، وآليات فقدان الزاوية المتقدمة لصناديق التقييد الموجهة (OBB).
تكامل سلس مع النظام البيئي#
يزيل Ultralytics إحباط عمليات تثبيت الأطر المعقدة. باستخدام واجهة برمجة تطبيقات Python (API) الموحدة أو منصة Ultralytics البديهية، يمكنك تدريب النماذج والتحقق من صحتها وتصديرها ببضع أسطر فقط من التعليمات البرمجية.
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 يقيّمون هياكل قوية أخرى داخل بيئة Ultralytics، يظل YOLO11 خياراً موثوقاً للغاية عمليات النشر القديمة، بينما يوفر RT-DETR القائم على المحولات (Transformer) قدرات ممتازة لأولئك الذين يبحثون عن حلول تعتمد على الانتباه.
ملخص#
الختيار بين YOLOX و PP-YOLOE+ غالباً ما يؤول إلى قيود إطار العمل الأساسي الخاص بك - سواء كنت تفضل مرونة القائمة على PyTorch أو التكامل العميق مع PaddlePaddle من Baidu. ومع ذلك، بالنسبة للمؤسسات التي تتطلع إلى تأمين بنيتها التحتية للذكاء الاصطناعي للمستقبل، يوفر Ultralytics YOLO26 بديلاً متفوقاً بكثير. بفضل تصميمه الثوري الخالي من NMS، وبصمة الذاكرة خفيفة الوزن، وتنوع المهام الشامل، يمكّن YOLO26 الفرق من بناء تطبيقات رؤية حاسوبية أسرع وأكثر ذكاءً وأكثر كفاءة بسهولة غير مسبوقة.