YOLOX مقابل YOLO26
شهد مجال الرؤية الحاسوبية تغيرًا كبيرًا خلال العقد الماضي. ومن محطاته المهمة إطلاق YOLOX، الذي أشاع البنى الخالية من المراسي، وطرح Ultralytics YOLO26، الذي يأتي بتصميم أصلي شامل خالٍ من NMS للكشف في الزمن الحقيقي. تستكشف هذه المقارنة بنيتيهما المعماريتين ومقاييس أدائهما وسيناريوهات النشر المثالية، لمساعدة المطورين على اتخاذ قرارات مدروسة بشأن مشاريع الذكاء الاصطناعي القادمة.
نظرة عامة على النماذج#
يوفر فهم أصول كل نموذج وأهداف تصميمه الرئيسية سياقًا أساسيًا لإنجازاته التقنية.
YOLOX#
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المؤسسة: Megvii
- التاريخ: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- الوثائق: وثائق YOLOX على GitHub
شكّل YOLOX، الذي طُرح في منتصف عام 2021، تحولًا كبيرًا باعتماده تصميمًا خاليًا من المراسي مقترنًا برأس مفصول واستراتيجية إسناد التسميات SimOTA. ومن خلال التخلي عن آليات مربعات المراسي التقليدية التي هيمنت على البنى المعمارية السابقة، ساعد YOLOX على سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي، مقدّمًا إطارًا بسيطًا وفعّالًا لـالكشف عن الأجسام.
تعرّف على مزيد من المعلومات عن YOLOX
YOLO26#
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: ultralytics/ultralytics
- المنصة: منصة Ultralytics
بُني YOLO26، الذي أُطلق في يناير 2026، على سنوات من التحسينات المتتابعة، مع التركيز على النشر الطرفي وتبسيط مسارات عمل التدريب. ويقدّم رأسًا اختياريًا شاملًا أحادي المطابقة وخاليًا من NMS (nms=False)، يتجاوز خطوة المعالجة اللاحقة التقليدية لـقمع غير الأعظميات (NMS)، مما يبسّط نشر النماذج على عتاد متنوع. كما أن إزالة وحدة خسارة البؤرة التوزيعية (DFL) تبسّط الرأس وتقلل الكمون، ما يجعل YOLO26 خيارًا قويًا لتطبيقات الرؤية الحاسوبية الحديثة.
ابتكارات البنية#
تبرز بنيتا هذين النموذجين التطور السريع لمنهجيات التعلم العميق، لا سيما فيما يتعلق بدوال الخسارة والمعالجة اللاحقة.
نهج YOLOX#
فصل YOLOX مهمتي التصنيف والانحدار في رأس التنبؤ، ما سرّع التقارب أثناء التدريب بدرجة كبيرة. كما قللت طبيعته الخالية من المراسي عدد معلمات التصميم، وخففت الحاجة إلى ضبط المراسي المعقد قبل التدريب. وبالاقتران مع خوارزمية SimOTA لإسناد التسميات، حقق YOLOX نتائج رائدة في عصره، لا سيما على المعايير القياسية مثل مجموعة بيانات COCO.
مزايا YOLO26#
يركز YOLO26 على الكفاءة المعمارية. ولا تقتصر إزالة NMS على خفض كمون الاستدلال، بل تتيح أيضًا أوقات تنفيذ متسقة ويمكن توقعها، وهو عامل حاسم في المركبات ذاتية القيادة والروبوتات.
تشمل أبرز ابتكارات YOLO26 ما يلي:
- مُحسِّن MuSGD: يجمع هذا المُحسِّن بين SGD وMuon، مستلهمًا تقنيات تدريب نماذج اللغة الكبيرة (LLM)، ويوفّر تدريبًا مستقرًا وتقاربًا أسرع.
- استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد إزالة DFL واعتماد بنية مبسطة، يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، مما يجعله مناسبًا للأجهزة الطرفية محدودة الموارد، بدءًا من مستشعرات إنترنت الأشياء البسيطة وصولًا إلى لوحات Raspberry Pi.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية لتحليل الصور الجوية وإجراء ضبط دقيق للجودة في أتمتة التصنيع.
إذا كان مشروعك يستهدف الأنظمة المضمّنة أو تطبيقات الأجهزة المحمولة من دون وحدات GPU مخصصة، فإن أداء YOLO26 المحسّن على CPU يمنحك ميزة كبيرة، مع أعباء حسابية إضافية أقل من نماذج الأجيال السابقة.
الأداء ومعايير التقييم#
عند تقييم النماذج لبيئات الإنتاج، من الضروري تحليل التوازن بين الدقة والسرعة والتعقيد الحسابي. فيما يلي مقارنة مفصلة بين النماذج القياسية التي جرى تقييمها على حجم صور يبلغ 640 بكسلًا (و416 لإصدارات nano/tiny).
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
كما يوضح الجدول، تحقق سلسلة YOLO26 توازنًا أفضل في الأداء. فعلى سبيل المثال، يحقق YOLO26x قيمة 57.5 mAP باستخدام عدد معلمات أقل بنحو 44% من YOLOXx، إلى جانب استدلال أسرع على GPU (11.8 ms مقابل 16.1 ms).
تجربة التدريب والمنظومة#
يكمن أحد أكبر الاختلافات بين هاتين البنيتين المعماريتين في سهولة الاستخدام ودعم المنظومة.
رغم أن مستودع YOLOX يظل مرجعًا أساسيًا للباحثين الذين يدرسون آليات العمل الخالية من المراسي وإسناد التسميات، فقد يكون إعداده معقدًا، وغالبًا ما يتطلب ضبط التبعيات والمشغّلات يدويًا. وعلى النقيض، صُممت منظومة Ultralytics لتكون سهلة الاستخدام.
بفضل واجهة Python API الموحدة، يستطيع المطورون تهيئة نماذج YOLO26 وتدريبها ونشرها باستخدام بضعة أسطر من الشيفرة. وتتولى الواجهة تنزيل مجموعات البيانات، وتدعم ضبط المعلمات الفائقة، وتصدير النماذج إلى تنسيقات مثل ONNX وTensorRT وOpenVINO.
from ultralytics import YOLO
# هيّئ نموذج YOLO26 الصغير الشامل
model = YOLO("yolo26s.pt")
# تدريب النموذج؛ يختار optimizer="auto" مُحسِّن MuSGD لعمليات التشغيل الأطول (>10k iterations)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# التحقق من أداء النموذج على مجموعة التحقق
metrics = model.val()
# تصدير النموذج المحسّن للنشر على الأجهزة الطرفية
model.export(format="onnx")تتطلب نماذج Ultralytics YOLO عادةً ذاكرة أقل أثناء التدريب مقارنةً بالبدائل الثقيلة القائمة على Transformer، ما يتيح للمهندسين تدريب النماذج بأحجام دفعات أكبر حتى على أجهزة استهلاكية.
تطبيقات واقعية#
يعتمد الاختيار بين YOLOX وYOLO26 في نهاية المطاف على قيود النشر ومتطلبات المهام المتعددة.
مجالات تفوق YOLOX#
يظل YOLOX خيارًا صالحًا لبعض الاختبارات المعيارية الأكاديمية والأنظمة القديمة المبنية على قاعدة الشيفرة الأصلية لـYOLOX. وتجعل أهميته التاريخية منه خط أساس شائعًا لأبحاث كواشف الأجسام الخالية من المراسي واستراتيجيات الإسناد المخصصة.
مواضع تميّز YOLO26#
صُمم YOLO26 للتطبيقات الصناعية الحديثة. وبما أنه يدعم مباشرةً تجزئة الكائنات والتجزئة الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعيات والكشف باستخدام مربعات الإحاطة الموجّهة (OBB)، فهو أكثر تنوعًا من النماذج المخصصة للكشف وحده.
- البيع بالتجزئة الذكي وإدارة المخزون: يساعد التصميم الخالي من NMS أنظمة الدفع الآلي على معالجة تدفقات الفيديو بكمون منخفض، والتعرّف على المنتجات دون اختناق في المعالجة اللاحقة.
- تحليلات الطائرات المسيّرة والصور الجوية: تجعل خسارة الزاوية المتخصصة لـOBB وProgLoss + STAL نموذج YOLO26 ملائمًا لاكتشاف الأجسام المستديرة والسمات الدقيقة في صور الأقمار الصناعية واسعة النطاق.
- أنظمة الأمن الطرفية: بفضل استدلال أسرع على CPU بنسبة تصل إلى 43% (YOLO26n مقارنةً بـYOLO11n)، يتيح YOLO26 للشركات نشر تحليلات أمنية متينة مباشرةً على عتاد محلي منخفض التكلفة، دون الحاجة إلى موارد حوسبة سحابية باهظة.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLOX وYOLO26 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات منظومة الأدوات.
متى تختار YOLOX#
يُعد YOLOX خيارًا قويًا لـ:
- أبحاث الاكتشاف دون مراسي: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة والخالية من المراسي أساسًا لتجربة رؤوس اكتشاف أو دوال خسارة جديدة.
- الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة، حيث يكون الحجم الصغير للغاية لإصدار YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
- دراسات إسناد التسميات باستخدام SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.
متى تختار YOLO26#
يوصى بـ YOLO26 لما يلي:
- النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند التعامل مع الأجسام الدقيقة.
استكشاف نماذج Ultralytics الأخرى#
إذا كنت تستكشف تطور الرؤية الحاسوبية، فهناك نماذج أخرى جديرة بالبحث ضمن عائلة Ultralytics:
- YOLO11: السلف المباشر لـ YOLO26، ويوفر أداءً موثوقًا ودعمًا واسعًا من المجتمع لبيئات الإنتاج المستقرة.
- YOLOv8: بنية معمارية مجرّبة ميدانيًا أرست معيار سهولة الاستخدام والمرونة في آلاف عمليات النشر الواقعية.
ختامًا، قدّم YOLOX مفاهيم مهمة للكشف عن الأجسام، ويحقق YOLO26 تحسنًا جيليًا في السرعة والدقة وسهولة النشر، مما يجعله الخيار الموصى به للمشاريع الجديدة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.