Ultralytics YOLO27:
Get Started

YOLOX مقابل YOLO26#

شهد مجال الرؤية الحاسوبية تحولات هائلة خلال العقد الماضي. ومن أبرز المحطات في هذه المسيرة إصدار YOLOX، الذي ساهم في انتشار البنى الخالية من المراسي، والتقديم الحديث لـUltralytics YOLO26، الذي يعيد تعريف الأداء في الوقت الفعلي بالكامل من خلال تصميم أصلي شامل من البداية إلى النهاية وخالٍ من NMS. تستعرض هذه المقارنة الشاملة بنيتيهما ومقاييس أدائهما وسيناريوهات النشر المثلى لمساعدة المطورين على اتخاذ قرارات مستنيرة بشأن مشروع الذكاء الاصطناعي التالي.

نظرة عامة على النماذج#

يوفر فهم أصول كل نموذج وأهداف تصميمه الرئيسية سياقًا أساسيًا لإنجازاته التقنية.

YOLOX#

ظهر YOLOX في منتصف عام 2021، وشكّل تحولًا كبيرًا لاعتماده تصميمًا خاليًا من المراسي مقترنًا برأس منفصل واستراتيجية متقدمة لإسناد التسميات تُعرف باسم SimOTA. وبابتعاده عن آليات الصناديق المرساة التقليدية التي هيمنت على البنى السابقة، نجح YOLOX في تجسير الهوة بين البحث الأكاديمي والتطبيق الصناعي، مقدمًا إطارًا أنيقًا وفعالًا للغاية لـاكتشاف الكائنات.

تعرّف على مزيد من المعلومات عن YOLOX

YOLO26#

صدر YOLO26 في أوائل عام 2026، وهو ثمرة سنوات من التحسينات المتكررة، مع تركيز كبير على النشر الطرفي وتبسيط مسارات التدريب. ويقدّم رأسًا اختياريًا من نمط واحد إلى واحد شاملًا من البداية إلى النهاية وخاليًا من NMS (nms=False) يتجاوز خطوة المعالجة اللاحقة التقليدية لقمع غير الأقصى. ويبسّط هذا الإنجاز نشر النموذج بدرجة كبيرة عبر مختلف الأجهزة. علاوة على ذلك، يحقق YOLO26 زمن استجابة أقل بكثير بإزالة وحدة خسارة البؤرة التوزيعية (DFL)، مما يعزز مكانته بوصفه الخيار الأول 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#

يرتقي YOLO26 بالكفاءة المعمارية إلى مستوى جديد. لا يقتصر أثر إزالة NMS على خفض زمن استجابة الاستدلال، بل يضمن أيضًا أزمنة تنفيذ متسقة وحتمية، وهو عامل حاسم بالنسبة إلى المركبات ذاتية القيادة والروبوتات.

تشمل أبرز ابتكارات YOLO26 ما يلي:

  • محسِّن MuSGD: يستلهم هذا المزيج من SGD وMuon تقنيات تدريب نماذج اللغة الكبيرة (LLM)، ويضمن عمليات تدريب مستقرة على نحو استثنائي وتقاربًا أسرع.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة DFL وتبسيط بنية الشبكة، يُحسَّن YOLO26 بدرجة كبيرة للأجهزة الطرفية محدودة الموارد، بدءًا من مستشعرات إنترنت الأشياء البسيطة وصولًا إلى لوحات Raspberry Pi.
  • ProgLoss + STAL: تحسّن دوال الخسارة المتقدمة هذه التعرف على الكائنات الصغيرة بوضوح، وهو أمر بالغ الأهمية لتحليل الصور الجوية وإجراء مراقبة دقيقة للجودة في أتمتة التصنيع.
تحسين يضع الأجهزة الطرفية في المقام الأول

إذا كان مشروعك يستهدف الأنظمة المضمنة أو تطبيقات الأجهزة المحمولة من دون GPU مخصص، فإن أداء YOLO26 المحسّن على CPU يوفر ميزة كبيرة، إذ يتطلب نفقات حوسبة أقل بكثير من نماذج الأجيال السابقة.

الأداء ومعايير التقييم#

عند تقييم النماذج لبيئات الإنتاج، من الأهمية بمكان تحليل التوازن بين الدقة والسرعة والتعقيد الحسابي. فيما يلي مقارنة مفصلة للنماذج القياسية المُقيّمة بحجم صورة يبلغ 640 بكسل (و416 لإصدارات nano/tiny).

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

كما يوضح الجدول، توفر سلسلة YOLO26 توازنًا متفوقًا في الأداء. فعلى سبيل المثال، يحقق YOLO26x قيمة mAP مذهلة تبلغ 57.5، مستخدمًا ما يقارب نصف عدد معلمات نموذج YOLOXx، ما يترجم مباشرة إلى أوقات استدلال أسرع على GPU (11.8 ms مقابل 16.1 ms) ومرونة نشر أعلى بكثير.

تجربة التدريب والمنظومة#

يكمن أحد أبرز الاختلافات بين هاتين البنيتين في سهولة الاستخدام ودعم المنظومة.

يظل YOLOX مستودعًا تأسيسيًا للباحثين الذين يدرسون آليات العمل الخالية من المراسي وإسناد التسميات، لكن إعداده قد يكون معقدًا، وغالبًا ما يتطلب تهيئة التبعيات والمشغلات يدويًا. في المقابل، ترسي منظومة Ultralytics معيار الصناعة لسهولة الاستخدام.

باستخدام API موحد لـPython، يستطيع المطورون تهيئة نماذج YOLO26 وتدريبها ونشرها ببساطة لا مثيل لها. ويتولى النظام تلقائيًا تنزيل مجموعات البيانات وضبط المعلمات الفائقة والتصدير السلس إلى تنسيقات مثل ONNX وTensorRT وOpenVINO.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLO26 الصغير المتطور والشامل من البداية إلى النهاية⁩
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")

علاوة على ذلك، تتطلب نماذج Ultralytics YOLO ذاكرة أقل بكثير أثناء التدريب مقارنة بالبدائل الثقيلة القائمة على Transformer، ما يتيح للمهندسين تدريب دفعات أكبر حتى على أجهزة متاحة للمستهلكين.

تطبيقات واقعية#

يعتمد الاختيار بين YOLOX وYOLO26 في نهاية المطاف على قيود النشر ومتطلبات المهام المتعددة.

مجالات تفوق YOLOX#

يظل YOLOX خيارًا مناسبًا لمعايير أكاديمية محددة وللأنظمة القديمة المبنية على قاعدة شيفرة YOLOX الأصلية. وتجعله أهميته التاريخية خط أساس شائعًا للبحث في كاشفات الكائنات الخالية من المراسي واستراتيجيات الإسناد المخصصة.

مواضع تميّز YOLO26#

صُمِّم YOLO26 أساسًا للتطبيقات الصناعية الحديثة. وبفضل دعمه الأصلي لـتجزئة المثيلات وتقدير الوضعيات والصناديق المحيطة الموجّهة (OBB)، فهو أكثر تنوعًا بكثير من محركات الكشف القياسية.

  • التجزئة الذكية وإدارة المخزون: يضمن التصميم الخالي من NMS معالجة أنظمة الدفع الآلي لتدفقات الفيديو بزمن استجابة منخفض للغاية، مع التعرف على المنتجات من دون عنق زجاجة تسببه حلقات المعالجة اللاحقة.
  • تحليلات الطائرات المسيّرة والصور الجوية: تجعل خسارة الزاوية المتخصصة لـ OBB ودمج ProgLoss + STAL من YOLO26 نموذجًا لا يُضاهى في اكتشاف الكائنات المدارة والعناصر الصغيرة في صور الأقمار الصناعية الشاسعة.
  • أنظمة الأمن الطرفية: بفضل الاستدلال على CPU الأسرع بنسبة 43%، يتيح YOLO26 للشركات نشر تحليلات أمنية قوية مباشرة على أجهزة محلية منخفضة التكلفة من دون الحاجة إلى 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 تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

استكشاف نماذج Ultralytics الأخرى#

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

  • YOLO11: السلف المباشر لـ YOLO26، ويوفر أداءً موثوقًا ودعمًا واسعًا من المجتمع لبيئات الإنتاج المستقرة.
  • YOLOv8: بنية خضعت لاختبارات مكثفة ورسخت معيار سهولة الاستخدام والمرونة عبر آلاف عمليات النشر في العالم الحقيقي.

ختامًا، رغم أن YOLOX قدّم مفاهيم مهمة إلى مجال اكتشاف الكائنات، فإن YOLO26 الجديد يقدم قفزة جيلية في السرعة والدقة وسهولة النشر، ما يجعله الخيار الأمثل للمطورين والشركات الساعين إلى مواكبة المستقبل.

المساهمون
GLglenn-jocher9PDpderrenger1

التعليقات