Link to this sectionYOLOX مقابل YOLO26: التطور من كشف الكائنات بدون نقاط ارتكاز إلى الكشف المتكامل (End-to-End)#

شهد مجال الرؤية الحاسوبية تحولات مذهلة على مدار العقد الماضي. ومن أبرز المحطات في هذه المسيرة إطلاق YOLOX، الذي ساهم في انتشار البنيات بدون نقاط ارتكاز (anchor-free)، والتقديم الأخير لـ Ultralytics YOLO26، الذي يعيد تعريف الأداء في الوقت الفعلي بتصميم متكامل تماماً وخالٍ من NMS. تستكشف هذه المقارنة الشاملة بنيات هذه النماذج، ومقاييس أدائها، وسيناريوهات النشر المثالية لمساعدة المطورين في اتخاذ قرارات مدروسة لمشروع الذكاء الاصطناعي القادم الخاص بهم.

Link to this sectionنظرة عامة على النماذج#

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

Link to this sectionYOLOX#

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

تم تقديم YOLOX في منتصف عام 2021، ومثل تحولاً كبيراً من خلال اعتماد تصميم بدون نقاط ارتكاز (anchor-free) مقترناً برأس مفكك واستراتيجية متقدمة لتخصيص التصنيفات تُعرف بـ SimOTA. من خلال الابتعاد عن آليات صناديق الارتكاز التقليدية التي هيمنت على البنيات السابقة، نجح YOLOX في ردم الفجوة بين البحث الأكاديمي والتطبيق الصناعي، مقدماً إطار عمل أنيقاً وعالي الفعالية لـ كشف الكائنات.

تعرف على المزيد حول YOLOX

Link to this sectionYOLO26#

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

أُطلق YOLO26 في أوائل عام 2026، وهو نتاج سنوات من التحسينات التكرارية، مع تركيز شديد على النشر على الحافة (edge deployment) وتبسيط خطوط أنابيب التدريب. يقدم النموذج تصميماً متكاملاً خالياً من NMS، مما يلغي تماماً خطوة المعالجة اللاحقة التقليدية المعروفة بـ Non-Maximum Suppression. هذا الاختراق يبسط بشكل جذري نشر النماذج عبر الأجهزة المتنوعة. علاوة على ذلك، من خلال إزالة وحدة Distribution Focal Loss (DFL)، يحقق YOLO26 زمناً انتقالياً (latency) أقل بشكل ملحوظ، مما يرسخ مكانته كخيار أول لتطبيقات الرؤية الحاسوبية الحديثة.

تعرف على المزيد حول YOLO26

Link to this sectionالابتكارات المعمارية#

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

Link to this sectionنهج YOLOX#

YOLOX decoupled the classification and regression tasks in its prediction head, which significantly accelerated convergence during training. Its anchor-free nature reduced the number of design parameters, mitigating the need for complex anchor tuning prior to training. Coupled with the SimOTA label assignment algorithm, YOLOX achieved state-of-the-art results for its time, particularly on standard benchmarks like the COCO dataset.

Link to this sectionميزة YOLO26#

ينقل YOLO26 كفاءة البنية إلى المستوى التالي. إن إزالة NMS لا تقلل فقط من زمن الانتقال للاستنتاج، بل تضمن أيضاً أوقات تنفيذ متسقة وحتمية—وهو عامل حاسم لـ المركبات ذاتية القيادة 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.
• استنتاج أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): من خلال التخلص من DFL وتبسيط بنية الشبكة، تم تحسين YOLO26 بشكل كبير للأجهزة الطرفية ذات الموارد المحدودة، بدءاً من مستشعرات IoT البسيطة وصولاً إلى لوحات Raspberry Pi.
• ProgLoss + STAL: تقدم دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لتحليل الصور الجوية وإجراء مراقبة دقيقة للجودة في أتمتة التصنيع.

Link to this sectionالأداء 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 متفوقاً في الأداء. على سبيل المثال، يحقق YOLO26x دقة مبهرة تبلغ 57.5 mAP بينما يستخدم ما يقرب من نصف معاملات نموذج YOLOXx، مما يترجم مباشرة إلى أوقات استنتاج أسرع على وحدة معالجة الرسومات (11.8 مللي ثانية مقابل 16.1 مللي ثانية) ومرونة نشر متفوقة بكثير.

Link to this sectionتجربة التدريب والنظام البيئي#

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

بينما يظل YOLOX مستودعاً أساسياً للباحثين الذين يدرسون تدفق التدرج وآليات خلو نقاط الارتكاز، يمكن أن يكون إعداده معقداً، وغالباً ما يتطلب تكويناً يدوياً للتبعيات والمشغلين. في المقابل، يحدد نظام Ultralytics البيئي معيار الصناعة لسهولة الاستخدام.

من خلال استخدام واجهة برمجة تطبيقات Python الموحدة، يمكن للمطورين تهيئة نماذج YOLO26 وتدريبها ونشرها ببساطة لا مثيل لها. 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.

Link to this sectionتطبيقات العالم الحقيقي#

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

Link to this sectionأين يتفوق YOLOX#

يظل YOLOX مرشحاً قابلاً للتطبيق لمعايير أكاديمية محددة والأنظمة القديمة المدمجة بعمق مع إطار عمل MegEngine. أهميته التاريخية تجعله خط أساس شائعاً لبحث كاشفات خلو نقاط الارتكاز واستراتيجيات التخصيص المخصصة.

Link to this sectionأين يتفوق YOLO26#

تم تصميم YOLO26 بشكل أساسي للتطبيقات الصناعية الحديثة. ولأنه يدعم أصلاً تجزئة المثيلات، و تقدير الوضع، و صناديق التقييد الموجهة (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.

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX و YOLO26 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى 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.

Link to this sectionمتى 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.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionاستكشاف 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 يقدم أداءً قوياً ودعماً مجتمعياً واسع النطاق لبيئات الإنتاج المستقرة.
• YOLOv8: بنية تم اختبارها ميدانياً بشكل مكثف وضعت المعيار لسهولة الاستخدام والمرونة عبر آلاف التطبيقات 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.