مقارنة بين YOLOX و YOLO11#
لقد تأثر تطور الرؤية الحاسوبية بشكل كبير بالسعي نحو أطر عمل لاكتشاف الكائنات في الوقت الفعلي والتي توازن بين الدقة العالية وسرعة الاستدلال. ومن بين أبرز المحطات في هذه الرحلة YOLOX و Ultralytics YOLO11. ورغم أن كلا النموذجين قد قدما إسهامات هامة في هذا المجال، إلا أن بنياتهما التحتية، وفلسفات تصميمهما، والنظم البيئية للمطورين الخاصة بهما تختلف بشكل جوهري.
تستكشف هذه المقارنة التقنية الشاملة بنيتها، ومقاييس الأداء، ومنهجيات التدريب، وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير لمشروعك القادم في مجال الذكاء الاصطناعي.
نظرة عامة على YOLOX#
تم تقديم نموذج YOLOX بواسطة الباحثين تشينج جي، سونغتاو ليو، فينك وانغ، زيمينغ لي، وجيان سون في شركة Megvii في 18 يوليو 2021، ومثل تحولاً ملحوظاً في سلسلة YOLO. فقد نجح في جسر الهوة بين البحث الأكاديمي والتطبيق الصناعي من خلال تقديم تصميم خالٍ من المراسي (anchor-free).
للحصول على مزيد من الخلفية التقنية، يمكنك مراجعة ورقة YOLOX الأصلية على Arxiv.
الميزات المعمارية الرئيسية#
ابتعد YOLOX عن الكشف التقليدي المعتمد على الإطارات المرجعية (anchor-based) من خلال اعتماد رأس مفكك وآلية خالية من الإطارات المرجعية. قلل هذا التصميم من عدد معلمات التصميم وحسن أداء النموذج في مختلف المقاييس المرجعية. بالإضافة إلى ذلك، قدم استراتيجيات متقدمة لتعيين التسميات مثل SimOTA لتسريع عملية التدريب وتحسين التقارب.
على الرغم من أن YOLOX يوفر دقة ممتازة لوقته، إلا أنه يركز بشكل أساسي على كشف الأجسام باستخدام الصناديق المحيطة ويفتقر إلى الدعم الأصلي لمهام الرؤية المعقدة الأخرى بشكل افتراضي.
من خلال القضاء على صناديق الإطارات المرجعية المحددة مسبقاً، قلل YOLOX بشكل كبير من الضبط التجريبي المطلوب لمجموعات البيانات المختلفة، مما جعله أساساً قوياً للبحث في المنهجيات الخالية من الإطارات المرجعية.
نظرة عامة على Ultralytics YOLO11#
تم إطلاق YOLO11 في 27 سبتمبر 2024 بواسطة غلين جوشر وجينغ تشيو في Ultralytics، وهو نموذج متطور يعيد تعريف التنوع وسهولة الاستخدام في مجال الرؤية الحاسوبية. بناءً على سنوات من أبحاث التأسيس، فإنه يوفر حلاً محسناً للغاية وجاهزاً للإنتاج يتفوق في مجموعة متنوعة من المهام.
ميزة Ultralytics#
إن YOLO11 ليس مجرد كاشف للكائنات؛ بل هو إطار عمل موحد يدعم الكشف عن تجزئة المثيلات، تصنيف الصور، تقدير الوضعية، واكتشاف صناديق الإحاطة الموجهة (OBB). وهو يفتخر ببنية عالية الكفاءة تعطي الأولوية لتوازن سلس بين السرعة، وعدد المعلمات، والدقة.
علاوة على ذلك، يتم دمج YOLO11 بالكامل في منصة Ultralytics، والتي توفر نظاماً بيئياً مبسطاً لتعليق البيانات، وتدريب النماذج، والنشر.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج، يصبح توازن الأداء واضحاً. يحقق YOLO11 متوسط دقة (mAP) أعلى مع عدد أقل بكثير من المعلمات وعمليات الفاصلة العائمة (FLOPs) في معظم فئات الحجم مقارنة بنظيراته من YOLOX.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
وكما هو موضح، تفوق نماذج YOLO11 باستمرار نموذج YOLOX من حيث الدقة مع الحفاظ على بصمة معلمات أصغر. على سبيل المثال، يحقق YOLO11m قيمة 51.5 mAP مع 20.1M معلمات فقط، بينما يحقق YOLOXx قيمة mAP قريبة تبلغ 51.1 ولكنه يتطلب 99.1M معلمات ضخمة. هذه الكفاءة في الذاكرة أثناء التدريب والاستدلال تجعل YOLO11 مناسباً للغاية للنشر على أجهزة الحافة الذكية (edge AI)، مما يتجنب متطلبات ذاكرة CUDA العالية النموذجية للنماذج الأقدم أو القائمة على المحولات مثل RT-DETR.
تتطلب نماذج Ultralytics ذاكرة GPU أقل بكثير أثناء التدريب مقارنة بـ YOLOX والبنى القائمة على Transformer، مما يسمح للباحثين بتدريب نماذج قوية على الأجهزة الاستهلاكية القياسية.
النظام البيئي وسهولة الاستخدام#
أحد أكثر الاختلافات وضوحاً بين إطاري العمل هو تجربة المطور.
غالباً ما يتطلب YOLOX استنساخ المستودعات، وإعداد بيئات معقدة، وتشغيل وسائط سطر أسر امر مطولة لتدريب وتصدير النماذج إلى تنسيقات مثل ONNX أو TensorRT.
في تناقض صارخ، يوفر Ultralytics YOLO11 واجهة برمجة تطبيقات Python و CLI بسيطة بشكل لا يصدق. تتولى مكتبة Ultralytics التعامل مع زيادة البيانات، وضبط المعلمات الفائقة، والتصدير بشكل تلقائي.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")هذا النظام البيئي الصیانة الجيدة مدعوم بوثائق شاملة وتكامل سلس مع أدوات مثل Weights & Biases لـ تتبع التجارب.
حالات الاستخدام المثالية#
غالباً ما يعتمد الاختيار بين هذه النماذج على خصوصيات بيئة النشر.
متى تستخدم YOLOX#
- الأنظمة القديمة: إذا كان لديك خط أنابيب راسخ مبني بشكل صريح حول إطار عمل MegEngine أو نماذج كشف الأجسام من أوائل عام 2021.
- المراجع الأكاديمية: عند إجراء أبحاث تتطلب إجراء مقارنة مباشرة مع البنى الأساسية الخالية من الإطارات المرجعية من حقبة عام 2021.
متى تستخدم YOLO11#
- عمليات النشر للإنتاج: للتطبيقات التجارية في التجزئة الذكية أو أنظمة إنذار الأمان، حيث يكون الكود القوي والمُصان والدقة العالية أموراً غير قابلة للتفاوض.
- خطوط أنابيب متعددة المهام: عندما يتطلب المشروع تتبع الأجسام، وتقدير وضعية الإنسان، وتجزئة المثيلات باستخدام إطار عمل واحد وموحد.
- أجهزة الحافة المحدودة الموارد: نظراً لانخفاض عدد المعلمات والإنتاجية العالية، يُعد YOLO11 مثالياً للنشر على Raspberry Pi أو عقد الحافة المحمولة عبر CoreML و NCNN.
نظرة مستقبلية: ميزة YOLO26#
بينما يمثل YOLO11 قفزة هائلة مقارنة بـ YOLOX، فإن مجال الرؤية الحاسوبية يتقدم بسرعة. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، فإن Ultralytics YOLO26 هو التوصية النهائية.
تم إصداره في يناير 2026، يأخذ YOLO26 البراعة المعمارية لـ YOLO11 ويقدم العديد من الميزات الرائدة:
- تصميم بدون NMS من البداية إلى النهاية: يلغي YOLO26 معالجة قمع الحد الأقصى غير (NMS)، ويبث الاستدلال بشكل أصلي لتوفير خطوط أنابيب نشر أسرع وأبسط (وهو مفهوم تم استكشافه لأول مرة في YOLOv10).
- أسرع بنسبة تصل إلى 43% في استنتاج CPU: من خلال إزالة Distribution Focal Loss (DFL)، يعد YOLO26 أكثر كفاءة بشكل كبير على وحدات المعالجة المركزية (CPUs) وأجهزة الحافة منخفضة الطاقة.
- محسن MuSGD: مستوحى من ابتكارات تدريب LLM من Moonshot AI، يضمن محسن MuSGD عمليات تدريب مستقرة للغاية وتقارباً سريعاً.
- دوال الخسارة المتقدمة: باستخدام ProgLoss + STAL، يحقق YOLO26 تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـ صور الطائرات بدون طيار والروبوتات المستقلة.
بالنسبة للغالبية العظمى من مهام الرؤية الحاسوبية الحديثة، فإن ترقية خط الأنابيب الخاص بك للاستفادة من YOLO26 ستوفر أفضل توازن مطلق بين السرعة، والدقة، وبساطة النشر.