YOLOX مقابل YOLO11
قاد السعي إلى أطر عمل للكشف عن الأجسام في الزمن الحقيقي توازن بين الدقة العالية وسرعة الاستدلال تطور الرؤية الحاسوبية. ومن أبرز محطات هذا المسار YOLOX وUltralytics YOLO11. وعلى الرغم من إسهام كلا النموذجين إسهامًا كبيرًا في المجال، تختلف بنيتاهما المعماريتان الأساسيتان وفلسفتا تصميمهما ومنظومتاهما للمطورين اختلافًا جوهريًا.
تستكشف هذه المقارنة التقنية البنى المعمارية ومقاييس الأداء ومنهجيات التدريب وسيناريوهات النشر المثالية لكلا النموذجين، لمساعدتك على اتخاذ قرار مدروس بشأن مشروعك التالي في الذكاء الاصطناعي.
نظرة عامة على YOLOX#
قدّم الباحثون Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun نموذج YOLOX في Megvii بتاريخ 18 يوليو 2021، وشكّل هذا النموذج تحولًا مهمًا في سلسلة YOLO. وساعد على سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي من خلال طرح تصميم خالٍ من المراسي.
للاطلاع على مزيد من الخلفية التقنية، يمكنك مراجعة ورقة YOLOX الأصلية على arXiv.
الميزات المعمارية الأساسية#
تخلّى YOLOX عن الكشف التقليدي المعتمد على المراسي، واعتمد رأسًا مفصولًا وآلية خالية من المراسي. وقد قلّل هذا التصميم عدد معلمات التصميم وحسّن أداء النموذج في اختبارات معيارية متنوعة. كما قدّم استراتيجيات لإسناد التسميات مثل SimOTA لتسريع عملية التدريب وتحسين التقارب.
على الرغم من دقة YOLOX الممتازة في عصره، فإنه يركز أساسًا على اكتشاف الكائنات باستخدام الصناديق المحيطة، ويفتقر إلى الدعم الأصلي لمهام الرؤية المعقدة الأخرى.
ومن خلال إزالة مربعات المراسي المحددة مسبقًا، خفّض YOLOX بدرجة كبيرة الحاجة إلى الضبط الاستدلالي لمجموعات البيانات المختلفة، مما جعله خط أساس قويًا لأبحاث المنهجيات الخالية من المراسي.
نظرة عامة على Ultralytics YOLO11#
أطلق Glenn Jocher وJing Qiu نموذج YOLO11 في 27 سبتمبر 2024 عبر Ultralytics، وهو نموذج جاهز للإنتاج يركّز على تعدد الاستخدامات وسهولة الاستخدام. وقد بُني على سنوات من أبحاث YOLO، ويؤدي جيدًا في مهام كثيرة.
ميزة Ultralytics#
ليس YOLO11 مجرد كاشف للأجسام، بل هو إطار موحد يدعم تجزئة الكائنات وتصنيف الصور وتقدير الوضعيات والكشف باستخدام مربعات الإحاطة الموجّهة (OBB). وتوازن بنيته المعمارية الفعّالة بين السرعة وعدد المعلمات والدقة.
علاوة على ذلك، يتكامل YOLO11 بالكامل مع منصة Ultralytics، التي توفر منظومة مبسطة لتعليق البيانات وتدريب النماذج ونشرها.
مقارنة الأداء والمقاييس#
يتضح توازن الأداء عند مقارنة هذه النماذج. إذ يحقق YOLO11 متوسط دقة أعلى (mAP) مع عدد أقل بكثير من المعلمات وعمليات FLOPs في معظم فئات الأحجام مقارنة بنماذج YOLOX المناظرة.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
كما يتضح، تتفوق نماذج YOLO11 باستمرار على YOLOX من حيث الدقة مع الحفاظ على عدد أقل من المعلمات. فعلى سبيل المثال، يحقق YOLO11m قيمة 51.5 mAP باستخدام 20.1M معلمة فقط، بينما يحقق YOLOXx قيمة مماثلة تبلغ 51.1 mAP، لكنه يتطلب 99.1M معلمة. ويقلل هذا الاستخدام الفعّال للمعلمات استهلاك الذاكرة أثناء التدريب والاستدلال، مما يجعل YOLO11 ملائمًا للنشر على أجهزة الذكاء الاصطناعي الطرفية، ويجنّبه متطلبات ذاكرة CUDA الكبيرة المعتادة في النماذج الأقدم أو القائمة على Transformer مثل RT-DETR.
تتطلب نماذج Ultralytics عادةً ذاكرة GPU أقل أثناء التدريب من YOLOX والبنى المعمارية القائمة على Transformer، مما يتيح للباحثين تدريب نماذج قوية على عتاد استهلاكي قياسي.
المنظومة وسهولة الاستخدام#
تتمثل إحدى أكبر نقاط الاختلاف بين الإطارين في تجربة المطور.
غالبًا ما يتطلب YOLOX استنساخ المستودعات وإعداد بيئات معقدة وتشغيل وسيطات مطولة لسطر الأوامر لتدريب النماذج وتصديرها إلى تنسيقات مثل ONNX أو TensorRT.
في المقابل، يوفّر Ultralytics YOLO11 واجهة Python API وCLI بسيطة. وتتولى مكتبة Ultralytics تلقائيًا زيادة البيانات وضبط المعلمات الفائقة والتصدير.
from ultralytics import YOLO
# تحميل نموذج YOLO11 مدرّب مسبقًا
model = YOLO("yolo11n.pt")
# درّب النموذج على بيانات مخصصة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تصدير النموذج المدرّب إلى TensorRT لنشر محسّن
model.export(format="engine")تدعم هذه المنظومة التي تُصان جيدًا وثائق شاملة وعمليات تكامل مع أدوات مثل Weights & Biases من أجل تتبّع التجارب.
حالات الاستخدام المثالية#
غالبًا ما يعتمد الاختيار بين هذين النموذجين على تفاصيل بيئة النشر.
متى تستخدم YOLOX#
- الأنظمة القديمة: إذا كان لديك مسار عمل قائم مبني صراحةً حول قاعدة شيفرة YOLOX الأصلية أو مناهج اكتشاف الكائنات المعتمدة في أوائل عام 2021.
- خطوط الأساس الأكاديمية: عند إجراء أبحاث تتطلب المقارنة المباشرة مع البنى التأسيسية الخالية من المراسي من حقبة 2021.
متى تستخدم YOLO11#
- عمليات النشر الإنتاجية: للتطبيقات التجارية في البيع بالتجزئة الذكي أو أنظمة الإنذار الأمني، حيث تكون الشيفرة المتينة التي تُصان باستمرار والدقة العالية ضروريتين.
- مسارات العمل متعددة المهام: عندما يتطلب المشروع تتبّع الكائنات وتقدير وضعيات البشر وتجزئة المثيلات باستخدام إطار عمل موحد واحد.
- الأجهزة الطرفية محدودة الموارد: بفضل انخفاض عدد معلماته وإنتاجيته العالية، يناسب YOLO11 النشر على Raspberry Pi أو العقد الطرفية المحمولة عبر CoreML وNCNN.
نظرة مستقبلية: مزايا YOLO26#
يمثل YOLO11 قفزة كبيرة مقارنةً بـYOLOX، لكن مجال الرؤية الحاسوبية يتقدم بسرعة. وبالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، فإن Ultralytics YOLO26 هو الخيار الموصى به.
أُطلق YOLO26 في يناير 2026، وهو يبني على YOLO11 ويقدّم عدة ميزات جديدة:
- تصميم شامل خالٍ من NMS: يلغي الرأس أحادي المطابقة الاختياري في YOLO26 (
nms=False) المعالجة اللاحقة لـقمع غير الأعظميات (NMS)، مما يوفّر مسارات نشر أبسط وأسرع (وهو نهج استُكشف أولًا في YOLOv10). - استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد إزالة خسارة البؤرة التوزيعية (DFL) واعتماد الاستدلال الخالي من NMS، يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، مما يفيد الأجهزة الطرفية منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب LLM مثل Kimi K2 من Moonshot AI، يوفّر مُحسِّن MuSGD، وهو مزيج من SGD وMuon، تدريبًا مستقرًا وتقاربًا سريعًا.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية لـصور الطائرات المسيّرة والروبوتات ذاتية التشغيل.
يوفّر YOLO26 أفضل توازن بين السرعة والدقة وسهولة النشر في معظم مهام الرؤية الحاسوبية الحديثة.
التعليقات2
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
shah0nawaz
Is the latency comparison on the same machine? If yes, please if you can give me the reference , I am working on the latency accuracy trade-off research.
Glenn JocherUltralytics@shah0nawaz I can’t confirm that the listed latencies were measured on the same machine, so I wouldn’t treat them as a controlled comparison for your research. The YOLO11 performance table specifies T4/TensorRT10, while the official YOLOX benchmarks report V100 timings and do not establish the provenance of the YOLOX latencies shown here. For a defensible latency–accuracy trade-off, benchmark both on the same GPU with matched input size, batch size, precision, runtime version, and timing boundaries, explicitly stating whether preprocessing and NMS are included.