مقارنة YOLOX و YOLO26#

شهد مجال الرؤية الحاسوبية تحولات مذهلة خلال العقد الماضي. ويمثل كل من إطلاق YOLOX، الذي نشر المعمارية الخالية من المراسي، والإدخال الحديث لـ Ultralytics YOLO26، الذي يعيد تعريف أداء الوقت الفعلي تماماً من خلال تصميم أصلي شامل وخالٍ من NMS، علامتين فارقتين مهمتين في هذه الرحلة. تستكشف هذه المقارنة الشاملة معمارياتهم ومقاييس الأداء وسيناريوهات النشر المثالية لمساعدة المطورين على اتخاذ قرارات مستنيرة لمشروع الذكاء الاصطناعي التالي الخاص بهم.

نظرة عامة على النماذج#

إن فهم أصول وأهداف التصميم الأساسية لكل نموذج يوفر سياقاً جوهرياً لإنجازاتهم التقنية.

YOLOX#

المؤلفون: Zheng Ge و Songtao Liu و Feng Wang و Zeming Li و Jian Sun
المنظمة: Megvii
التاريخ: 2021-07-18
Arxiv: 2107.08430
GitHub: Megvii-BaseDetection/YOLOX
المستندات: YOLOX GitHub Docs

قدمت YOLOX، التي تم إطلاقها في منتصف عام 2021، تحولاً رئيسياً من خلال تبني تصميم خالٍ من المراسي مقترناً برأس مفصول واستراتيجية تعيين التسميات المتقدمة المعروفة باسم SimOTA. من خلال الابتعاد عن آليات صندوق الانكشور التقليدية التي هيمنت على المعماريات السابقة، نجحت YOLOX في سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي، مما يوفر إطار عمل أنيقاً ولكنه فعال للغاية لـ object detection.

تعرف على المزيد حول YOLOX

YOLO26#

المؤلفون: Glenn Jocher و Jing Qiu
المنظمة: Ultralytics
التاريخ: 2026-01-14
GitHub: ultralytics/ultralytics
المنصة: Ultralytics Platform

يُعد YOLO26، الذي تم إصداره في أوائل عام 2026، تتويجاً لسنوات من التحسينات التكرارية، مع التركيز بشكل كبير على النشر على الأجهزة الطرفية وخطوط أنابيب التدريب المبسطة. وهو يقدم تصميماً شاملاً خالياً من NMS، مما يزيل تماماً خطوة المعالجة اللاحقة التقليدية لكبح الحد الأقصى غير (Non-Maximum Suppression). تبسط هذه النقلة النوعية بشكل كبير نشر النموذج عبر الأجهزة المتنوعة. علاوة على ذلك، من خلال إزالة وحدة خسارة بؤرية التوزيع (DFL)، يحقق YOLO26 زمناً انتقالياً أقل بكثير، مما يرسخ مكانته الخيار الأول لـ computer vision applications.

تعرف على المزيد حول YOLO26

الابتكارات المعمارية#

تسلط بنية هذين النموذجين الضوء على التقدم السريع في منهجيات التعلم العميق، خاصة فيما يتعلق بدوال الخسارة والمعالجة اللاحقة.

نهج YOLOX#

فصلت YOLOX مهام التصنيف والانحدار في رأس التنبؤ الخاص بها، مما أدى إلى تسريع التقارب بشكل كبير أثناء التدريب. أدت طبيعتها الخالية من المراسي إلى تقليل عدد معاملات التصميم، مما خفف من الحاجة إلى ضبط المعلمات المعقدة للانكشور قبل التدريب. ومقترنة بخوارزمية تعيين التسميات SimOTA، حققت YOLOX نتائج متطورة لوقتها، لا سيما في المعايير القياسية مثل COCO dataset.

ميزة YOLO26#

يأخذ YOLO26 كفاءة المعمارية إلى المستوى التالي. إن إزالة NMS لا تقلل فقط من زمن استجابة الاستدلال فحسب، بل تضمن أيضاً أوقات تنفيذ متسقة وحتمية - وهو عامل حاسم لـ autonomous vehicles والروبوتات.

تشمل ابتكارات YOLO26 الرئيسية ما يلي:

• مُحسّن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (LLM)، يضمن هذا المزيج من SGD و Muon عمليات تدريب مستقرة للغاية وتقارباً أسرع.
• استدلال وحدة المعالجة المركزية أسرع بنسبة تصل إلى 43%: من خلال القضاء على DFL وتبسيط معمارية الشبكة، تم تحسين YOLO26 بشكل كبير للأجهزة الطرفية المقيّدة بالمورد، بدءاً من مستشعرات IoT البسيطة وحتى لوحات Raspberry Pi.
• ProgLoss + STAL: توفر هذه الدوال المتقدمة للخسارة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتحليل aerial imagery وإجراء مراقبة دقيقة للجودة في manufacturing automation.

الأداء والمعايير القياسية#

عند تقييم النماذج لبيئات الإنتاج، يعد تحليل التوازن بين الدقة والسرعة والتعقيد الحوسبي أمراً بالغ الأهمية. فيما يلي مقارنة تفصيلية للنماذج القياسية التي تم تقييمها بحجم صورة 640 بكسل (و 416 للمتغيرات الصغيرة جداً).

كما يوضح الجدول، توفر سلسلة YOLO26 توازناً فائقاً في الأداء. على سبيل المثال، يحقق YOLO26x ماب مذهلاً قدره 57.5 مع استخدام ما يقرب من نصف معاملات نموذج YOLOXx، مما يترجم مباشرة إلى أوقات استدلال أسرع لوحدة معالجة الرسومات (11.8 مللي ثانية مقابل 16.1 مللي ثانية) ومرونة نشر متفوقة بشكل كبير.

تجربة التدريب والنظام البيئي#

تكمن إحدى أكثر الاختلافات عمقاً بين هذه البنيات في سهولة الاستخدام ودعم النظام البيئي.

في حين تظل YOLOX مستودعاً أساسياً للباحثين الذين يدرسون تدفق التدرج وميكانيكا عدم وجود مراسي، إلا أن إعدادها يمكن أن يكون معقداً، وغالباً ما يتطلب تكويناً يدويّاً للا تبعات والمشغلين. على العكس من ذلك، يحدد Ultralytics ecosystem معيار الصناعة لسهولة الاستخدام.

من خلال استخدام واجهة برمجة تطبيقات Python الموحدة، يمكن للمطورين تهيئة نماذج YOLO26 وتدريبها ونشرها ببطء لا مثيل له وبساطة. يتعامل النظام بطبيعته مع تنزيل مجموعات البيانات وضبط المعلمات الفائقة والتصدير السلس إلى تنسيقات مثل ONNX و TensorRT و OpenVINO.

from ultralytics import YOLO

# Initialize the cutting-edge, end-to-end YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with built-in MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the optimized model for edge deployment
model.export(format="onnx")

علاوة على ذلك، تتميز نماذج Ultralytics YOLO بمتطلبات ذاكرة أقل بكثير أثناء التدريب مقارنة بالبدائل الثقيلة القائمة على Transformer، مما يسمح للمهندسين بتدريب أحجام دفعات أكبر حتى على الأجهزة الموجهة للمستهلك.

تطبيقات العالم الحقيقي#

يعتمد الاختيار بين YOLOX و YOLO26 في النهاية على قيود النشر ومتطلبات المهام المتعددة الخاصة بك.

أين يتفوق YOLOX#

تظل YOLOX مرشحاً قابلاً للتطبيق لمعايير أكاديمية محددة والأنظمة القديمة المدمجة بعمق مع إطار عمل MegEngine. تجعلها أهميتها التاريخية أساساً شائعاً لبحث anchor-free detectors واستراتيجيات التعيين المخصصة.

أين يتفوق YOLO26#

تم تصميم YOLO26 أساساً للتطبيقات الصناعية الحديثة. نظراً لأنه يدعم بشكل أصلي instance segmentation و pose estimation و Oriented Bounding Boxes (OBB)، فهو أكثر تنوعاً بكثير من محركات الكشف القياسية.

• التجزئة الذكية والمخزون: يضمن استخدام التصميم الخالي من NMS أن أنظمة الدفع الآلية تعالج خلاصات الفيديو بزمن انتقال منخفض للغاية، مما يتعرف على المنتجات دون اختناق حلقات المعالجة اللاحقة.
• تحليلات الطائرات بدون طيار والجوية: تجعل دالة الخسارة الزاوية المتخصصة لـ OBB ودمج ProgLoss + STAL من YOLO26 لا مثيل له في اكتشاف الكائنات المستدارة والأجسام الدقيقة في صور الأقمار الصناعية الواسعة.
• أنظمة أمن الحافة: بفضل استنتاجه الأسرع بنسبة 43% على وحدة المعالجة المركزية، يسمح YOLO26 للشركات بنشر تحليلات أمنية قوية مباشرة على أجهزة محلية غير مكلفة دون الحاجة إلى حوسبة سحابية باهظة الثمن.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX و YOLO26 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 YOLO26#

يوصى بـ YOLO26 لـ:

• 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.

استكشاف نماذج Ultralytics الأخرى#

إذا كنت تستكشف تطور الرؤية الحاسوبية، فهناك نماذج أخرى عالية القدرة ضمن عائلة Ultralytics تستحق البحث:

• YOLO11: السلف المباشر لـ YOLO26، حيث يوفر أداءً قوياً ودعماً واسع النطاق للمجتمع لبيئات الإنتاج المستقرة.
• YOLOv8: معمارية مختبرة بشكل مكثف وضعت المعيار لسهولة الاستخدام والمرونة عبر آلاف عمليات النشر الواقعية.

في الختام، بينما قدم YOLOX مفاهيم حاسمة لمشهد كشف الكائنات، يوفر YOLO26 الجديد قفزة جيلية في السرعة والدقة وبساطة النشر، مما يجعله الخيار النهائي للمطورين والمؤسسات ذوي الرؤية المستقبلية.