YOLOX مقابل YOLO11#
تطور مجال الرؤية الحاسوبية مدفوع إلى حد كبير بالسعي إلى أطر عمل لاكتشاف الكائنات في الوقت الفعلي، توازن بين الدقة العالية وسرعة الاستدلال. ومن أبرز المحطات في هذه المسيرة YOLOX وUltralytics YOLO11. ورغم إسهام كلا النموذجين إسهامًا كبيرًا في المجال، تختلف بنيتاهما الأساسيتان وفلسفتا التصميم ومنظومتاهما للمطورين اختلافًا جوهريًا.
تستعرض هذه المقارنة التقنية الشاملة البنى ومقاييس الأداء ومنهجيات التدريب وسيناريوهات النشر المثلى لمساعدتك على اتخاذ قرار مستنير بشأن مشروعك التالي في الذكاء الاصطناعي.
نظرة عامة على YOLOX#
قدّمه الباحثون Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun في Megvii بتاريخ 18 يوليو 2021، وشكّل YOLOX تحولًا مهمًا في سلسلة YOLO. وقد نجح في تجسير الهوة بين البحث الأكاديمي والتطبيق الصناعي من خلال تقديم تصميم خالٍ من المراسي.
للاطلاع على مزيد من الخلفية التقنية، يمكنك مراجعة ورقة YOLOX الأصلية على arXiv.
الميزات المعمارية الأساسية#
ابتعد YOLOX عن الكشف التقليدي المعتمد على المراسي، واعتمد رأسًا منفصلًا وآلية خالية من المراسي. وقد قلل هذا التصميم عدد معلمات التصميم وحسّن أداء النموذج على معايير متنوعة. كما قدّم استراتيجيات متقدمة 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.
من خلال إزالة الصناديق المرساة المحددة مسبقًا، قلل YOLOX بدرجة كبيرة الحاجة إلى الضبط الاستدلالي لمجموعات البيانات المختلفة، ما جعله خط أساس قويًا للبحث في المنهجيات الخالية من المراسي.
نظرة عامة على Ultralytics YOLO11#
أصدره Glenn Jocher وJing Qiu في Ultralytics بتاريخ 27 سبتمبر 2024، ويُعد YOLO11 نموذجًا رائدًا يعيد تعريف تعدد الاستخدامات وسهولة الاستخدام في الرؤية الحاسوبية. وهو مبني على سنوات من الأبحاث التأسيسية، ويوفر حلًا مصقولًا للغاية وجاهزًا للإنتاج، يتفوق في مجموعة واسعة من المهام.
ميزة Ultralytics#
YOLO11 ليس مجرد كاشف للكائنات، بل إطار عمل موحد يدعم تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات واكتشاف الصناديق المحيطة الموجّهة (OBB). ويتميز ببنية عالية الكفاءة تعطي الأولوية لتحقيق توازن سلس 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) | mAPالتحقق 50-95 | 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، في حين يحقق YOLOXx قيمة مشابهة تبلغ 51.1 mAP لكنه يتطلب 99.1M معلمة ضخمة. وتجعل هذه الكفاءة في الذاكرة أثناء التدريب والاستدلال YOLO11 مناسبًا للغاية للنشر على أجهزة الذكاء الاصطناعي الطرفية، مع تجنب متطلبات ذاكرة CUDA الكبيرة المعتادة في النماذج الأقدم أو القائمة على Transformer مثل RT-DETR.
تتطلب نماذج Ultralytics ذاكرة GPU أقل بكثير أثناء التدريب مقارنة ببنى YOLOX والنماذج القائمة على Transformer، ما يتيح للباحثين تدريب نماذج قوية على أجهزة استهلاكية عادية.
المنظومة وسهولة الاستخدام#
تُعد تجربة المطورين أحد أبرز أوجه الاختلاف بين إطاري العمل.
غالبًا ما يتطلب YOLOX استنساخ المستودعات وإعداد بيئات معقدة وتشغيل وسيطات مطولة لسطر الأوامر لتدريب النماذج وتصديرها إلى تنسيقات مثل ONNX أو TensorRT.
وعلى النقيض تمامًا، توفر Ultralytics YOLO11 واجهة API وCLI بسيطة للغاية لـPython. وتتولى مكتبة Ultralytics تلقائيًا زيادة البيانات وضبط المعلمات الفائقة والتصدير.
from ultralytics import YOLO
# تحميل نموذج YOLO11 مدرّب مسبقًا
model = YOLO("yolo11n.pt")
# تدريب النموذج بسهولة 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 المُدارة جيدًا وثائق شاملة وتكاملًا سلسًا 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 التجزئة الذكية أو أنظمة الإنذار الأمني، حيث لا مجال للتنازل عن موثوقية الشيفرة المُدارة ودقتها العالية.
- 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 ومعدل إنتاجيته العالي، يُعد YOLO11 مثاليًا للنشر على Raspberry Pi أو العقد الطرفية المحمولة عبر CoreML وNCNN.
نظرة مستقبلية: مزايا YOLO26#
مع أن YOLO11 يمثّل قفزة هائلة مقارنةً بـ YOLOX، فإن مجال الرؤية الحاسوبية يتطور بسرعة. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة اليوم، فإن Ultralytics YOLO26 هو التوصية المثلى.
صدر YOLO26 في يناير 2026، واستفاد من براعة YOLO11 المعمارية وأضاف إليها مجموعة من الميزات الرائدة:
- تصميم شامل من البداية إلى النهاية بلا NMS: يزيل الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) مرحلة المعالجة اللاحقة المتمثلة في كبت غير الأقصى (NMS)، ما يتيح مسارات نشر أسرع وأبسط (وهو مفهوم استُكشف للمرة الأولى في YOLOv10). - استدلال أسرع بنسبة تصل إلى 43% على CPU: بفضل إزالة خسارة البؤرة التوزيعية (DFL)، أصبح YOLO26 أكثر كفاءة بكثير على وحدات CPU والأجهزة الطرفية منخفضة الطاقة.
- مُحسِّن MuSGD: استلهامًا من ابتكارات تدريب نماذج اللغة الكبيرة لدى Moonshot AI، يضمن مُحسِّن MuSGD استقرارًا عاليًا لعمليات التدريب وتقاربًا سريعًا.
- دوال خسارة متقدمة: باستخدام ProgLoss + STAL، يحقق YOLO26 تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في صور الطائرات المسيّرة والروبوتات ذاتية التشغيل.
في الغالبية العظمى من مهام الرؤية الحاسوبية الحديثة، سيمنحك تطوير مسار العمل للاستفادة من YOLO26 أفضل توازن ممكن بين السرعة والدقة وبساطة النشر.