ابدأ

YOLOX مقابل YOLOv7

كان تطور اكتشاف الكائنات في الوقت الفعلي مدفوعًا بالتطورات المعمارية المستمرة. ومن المحطات المهمة في هذا المسار YOLOX وYOLOv7. وقد صدر النموذجان خلال عام واحد، وقدم كل منهما نهجًا جديدًا لنموذج اكتشاف الكائنات القياسي، مما حسّن بدرجة كبيرة المفاضلة بين السرعة والدقة.

تقدم هذه الصفحة تحليلًا تقنيًا لـ YOLOX وYOLOv7، وتقارن بين بنيتيهما ومقاييس أدائهما وحالات الاستخدام المثالية لمساعدة المطورين على اختيار الأداة المناسبة لعمليات نشر الرؤية الحاسوبية.

YOLOX: ريادة الاكتشاف الخالي من المراسي#

قدّم باحثون في Megvii نموذج YOLOX في يوليو 2021، ممثلًا تحولًا كبيرًا بالابتعاد عن التصاميم التقليدية المعتمدة على المراسي. ومن خلال ردم الفجوة بين البحث الأكاديمي والتطبيق الصناعي، بسّط YOLOX رأس الاكتشاف وحسّن الأداء العام.

تفاصيل النموذج الرئيسية:

ابتكارات البنية#

قدم YOLOX نهجًا خاليًا من المراسي، مما خفّض بدرجة كبيرة عدد معلمات التصميم والتعديلات الاستدلالية اللازمة لمجموعات البيانات المخصصة. وطبّق رأسًا مفصولًا يفصل مهام التصنيف والانحدار، مما حسّن سرعة التقارب والدقة. كما استخدم YOLOX استراتيجيات متقدمة لـزيادة البيانات، مثل MixUp وMosaic، لتعزيز متانة النموذج.

تعرّف على المزيد حول YOLOX

ميزة الاستغناء عن المراسي

من خلال التنبؤ بمربع واحد لكل موقع بدلًا من عدة مربعات مراسٍ، يقلل YOLOX عدد التنبؤات التي يجب مطابقتها مع القيم الحقيقية باستخدام التقاطع على الاتحاد (IoU) أثناء التدريب، مما يبسّط إسناد التسميات وقد يقلل استخدام ذاكرة CUDA.

YOLOv7: مجموعة مزايا قابلة للتدريب#

طوّر باحثون في معهد علوم المعلومات التابع لـ Academia Sinica في تايوان YOLOv7، الذي صدر في يوليو 2022 وواصل تطوير اكتشاف الكائنات في الوقت الفعلي. وقد قدم مفهوم «حزمة المزايا المجانية القابلة للتدريب»، محققًا نتائج جديدة رائدة آنذاك على مجموعة بيانات MS COCO عند إصداره.

تفاصيل النموذج الرئيسية:

ابتكارات البنية#

تتمحور بنية YOLOv7 حول شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، التي تتيح للنموذج تعلّم سمات أكثر تنوعًا باستمرار من دون إضعاف مسار التدرّج. علاوة على ذلك، استخدم YOLOv7 تقنيات إعادة تحديد معلمات النموذج، ما يتيح تبسيط شبكات التدريب المعقدة متعددة الفروع إلى شبكات أسرع أحادية المسار أثناء الاستدلال.

تعرّف على المزيد عن YOLOv7

مقارنة الأداء#

عند تقييم هذه النماذج للتطبيقات الواقعية، من الضروري فهم أدائها عبر المقاييس المختلفة. يقارن الجدول أدناه المقاييس القياسية لأحجام متنوعة من YOLOX وYOLOv7.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

التحليل#

  • الدقة: يحقق YOLOv7 عمومًا قيمة mAP أعلى مقارنةً بنماذج YOLOX المناظرة. فعلى سبيل المثال، يحقق YOLOv7x قيمة mAP تبلغ 53.1 مقارنةً بـ 51.1 لنموذج YOLOXx.
  • السرعة: حُسّن كلا النموذجين للتنفيذ على GPU باستخدام TensorRT. وعند الأحجام الكبيرة، يكون YOLOv7 أسرع وأكثر دقة (فعلى سبيل المثال، يعمل YOLOv7l خلال 6.84 ms مقابل 9.04 ms لـ YOLOXl)، مع أن YOLOX يقدم إصدارات أصغر للأجهزة الطرفية.
  • تعدد الاستخدامات: وسّع YOLOv7 نطاق إمكاناته ليتجاوز صناديق الإحاطة، إذ يوفّر أصليًا أوزانًا لـتقسيم الكائنات وتقدير الوضعية، ما يجعله أكثر تنوعًا من مستودع YOLOX الأساسي.

تطبيقات واقعية#

غالبًا ما يتوقف الاختيار بين هذين النموذجين على بيئة النشر المحددة لديك.

الحوسبة الطرفية وإنترنت الأشياء#

تُعد YOLOX-Nano وYOLOX-Tiny خيارين جذابين للأجهزة الطرفية محدودة الموارد مثل Raspberry Pi أو المعالجات المحمولة الأقدم. ويجعلها عدد المعلمات القليل وطبيعتها الخالية من المراسي أسهل نشرًا في البيئات منخفضة الطاقة لمهام مثل تتبع الحركة الأساسي أو تطبيقات جرس الباب الذكي.

تحليلات الفيديو عالية الدقة#

يُعد YOLOv7 الخيار الأقوى لمعالجة البث عالي الدقة في اكتشاف العيوب الصناعية أو مراقبة حركة المرور الكثيفة. ويتيح له تجميع السمات المتين الحفاظ على دقة عالية حتى عند حجب الكائنات جزئيًا أو تفاوت أحجامها بدرجة كبيرة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX وYOLOv7 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

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 YOLOv7#

يوصى بـ YOLOv7 في الحالات التالية:

  • المقارنة المرجعية الأكاديمية: إعادة إنتاج نتائج الجيل المتطور لعام 2022 أو دراسة تأثيرات E-ELAN وتقنيات مجموعة المزايا المجانية القابلة للتدريب.
  • أبحاث إعادة المعلمات: دراسة الالتفافات المخطط لإعادة معلماتها واستراتيجيات توسيع النماذج المركبة.
  • مسارات العمل المخصصة القائمة: المشاريع التي تعتمد على مسارات عمل مخصصة بدرجة كبيرة ومبنية على بنية YOLOv7 المحددة، والتي يصعب إعادة هيكلتها.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
  • 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 اكتشاف الأجسام الصغيرة جدًا.

ميزة Ultralytics#

على الرغم من أن YOLOX وYOLOv7 تطبيقان بحثيان قويان، فقد يكون الانتقال من مستودع بحثي إلى بيئة إنتاج قابلة للتوسع تحديًا. وهنا يأتي دور منصة Ultralytics للمساعدة.

توفر نماذج Ultralytics واجهة Python برمجية موحدة، وتعامل تدريب النماذج والتحقق من صحتها ونشرها باعتبارها مهامًا مبسطة وموحدة. وهذا يجنب إدارة التبعيات المعقدة التابعة لجهات خارجية أو عوامل C++ المخصصة الشائعة في البنى الأقدم.

علاوة على ذلك، تتطلب نماذج Ultralytics YOLO قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب مقارنةً بكاشفات Transformer مثل RT-DETR. ويتيح ذلك للممارسين استخدام أحجام دفعات أكبر، ما يعزز استقرار التدريب ويسرّع التقارب على مجموعات البيانات المخصصة.

التكاملات المدعومة

تدعم Ultralytics تصدير النماذج أصليًا إلى تنسيقات قياسية في القطاع مثل ONNX وOpenVINO وCoreML باستخدام وسيطة format واحدة، مما يبسّط عملية نشر النموذج.

مثال على الشيفرة: التدريب باستخدام Ultralytics#

لا تُدرّب حزمة Ultralytics Python نقاط تحقق YOLOv7 .pt ولا تشغّلها أصليًا (يوضّح توثيق YOLOv7 كيفية تشغيل نماذج ONNX أو TensorRT المصدّرة)، لكن يمكن تحميل البنى الأحدث مثل YOLO26 وتدريبها وتشغيلها باستخدام بضعة أسطر فقط من الشيفرة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 مدرّب مسبقًا⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج على مجموعة بيانات مخصصة (مثل COCO8)⁩
# ⁨تتولى واجهة API تلقائيًا تحميل البيانات وزيادتها وإدارة الذاكرة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تنفيذ الاستدلال على صورة اختبار⁩
predictions = model("path/to/image.jpg")
predictions[0].show()

المستقبل: Ultralytics YOLO26#

مع أن YOLOv7 وYOLOX يمثلان محطتين تاريخيتين مهمتين، فإن المجال يتطور بسرعة. ويقدم Ultralytics YOLO26، الذي صدر في يناير 2026، عدة تغييرات تتجاوز النماذج السابقة.

  • تصميم شامل خالٍ من NMS: يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) المعالجة اللاحقة لـ NMS. وهذا يقلل اختناقات زمن الاستجابة ويوفر أوقات تنفيذ قابلة للتنبؤ عبر إعدادات الأجهزة المتنوعة.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: بعد إزالة خسارة التركيز التوزيعي (DFL) والاستدلال الخالي من NMS، يعمل YOLO26n بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n على CPU، مما يجعله مناسبًا للأجهزة الطرفية التي لا تحتوي على أجهزة GPU مخصصة.
  • مُحسِّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة، يوفر مُحسِّن MuSGD (مزيج من SGD وMuon) تدريبًا مستقرًا وتقاربًا أسرع.
  • تحسين اكتشاف الكائنات الصغيرة: تحسّن ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة) التعرف على الكائنات الصغيرة والبعيدة، وهو أمر بالغ الأهمية لرسم خرائط الطائرات المسيّرة والمراقبة الأمنية.
  • دعم أصلي للمهام: يدعم YOLO26 أصليًا تقسيم المثيلات والتقسيم الدلالي وتقدير العمق والتصنيف وتقدير الوضعية ومربعات الإحاطة الموجّهة (OBB) ضمن واجهة API نفسها.

للمطورين الذين يبدأون اليوم مشروعًا جديدًا في الرؤية الحاسوبية، يمثل Ultralytics YOLO26 المسار الموصى به لتحقيق أفضل توازن بين السرعة والدقة وبساطة النشر. أما من يحدّثون أجيالًا سابقة مثل YOLO11 أو YOLOv8، فعادةً لا يتطلب الانتقال سوى تغيير اسم النموذج.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.