YOLOX مقابل YOLOv7#

لقد كان تطور اكتشاف الأجسام في الوقت الفعلي مدفوعًا باختراقات معمارية مستمرة. ومن المحطات البارزة في هذه الرحلة YOLOX وYOLOv7. وقد أُطلق كلا النموذجين خلال عام واحد من بعضهما، وطرح كل منهما أساليب مبتكرة لنموذج اكتشاف الأجسام القياسي، مما حسّن بدرجة كبيرة المفاضلة بين السرعة والدقة.

تقدم هذه الصفحة تحليلًا تقنيًا متعمقًا لـ YOLOX وYOLOv7، مع مقارنة معماريتهما ومقاييس أدائهما وحالات الاستخدام المثالية لهما، لمساعدة المطورين على اختيار الأداة المناسبة لعمليات نشر الرؤية الحاسوبية لديهم.

YOLOX: ريادة الاكتشاف الخالي من المراسي#

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

تفاصيل النموذج الأساسية:

• المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
• المنظمة: Megvii
• التاريخ: 2021-07-18
• الورقة البحثية: arXiv:2107.08430
• الشيفرة المصدرية: Megvii YOLOX GitHub
• التوثيق: وثائق YOLOX على GitHub

الابتكارات المعمارية#

قدّم YOLOX نهجًا خاليًا من المراسي، مما خفّض بدرجة كبيرة عدد معلمات التصميم والضبط الاستكشافي المطلوب لمجموعات البيانات المخصصة. ونفّذ رأسًا غير مقترن يفصل بين مهمتَي التصنيف والانحدار، مما حسّن سرعة التقارب والدقة. بالإضافة إلى ذلك، استخدم YOLOX استراتيجيات متقدمة لـزيادة البيانات مثل MixUp وMosaic لتعزيز متانة النموذج.

تعرّف على المزيد حول YOLOX

YOLOv7: مجموعة المزايا المجانية القابلة للتدريب#

أطلق باحثون في معهد علوم المعلومات التابع لأكاديميا سينيكا في تايوان نموذج YOLOv7 في يوليو 2022، وقد دفع حدود اكتشاف الأجسام في الوقت الفعلي إلى مدى أبعد. وطرح مفهوم «حقيبة المجانيات القابلة للتدريب»، محققًا عند إطلاقه معايير مرجعية جديدة متقدمة على مجموعة بيانات MS COCO.

تفاصيل النموذج الأساسية:

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• الجهة: معهد علوم المعلومات، Academia Sinica، تايوان
• التاريخ: 2022-07-06
• الورقة البحثية: arXiv:2207.02696
• الشيفرة المصدرية: WongKinYiu YOLOv7 GitHub
• التوثيق: وثائق Ultralytics YOLOv7

الابتكارات المعمارية#

تتمحور معمارية YOLOv7 حول شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، التي تتيح للنموذج تعلم ميزات أكثر تنوعًا باستمرار دون تدهور مسار التدرج. علاوة على ذلك، استخدم YOLOv7 تقنيات إعادة مَعْلَمَة النموذج، مما يتيح تبسيط شبكات التدريب المعقدة متعددة الفروع إلى شبكات أسرع ذات مسار واحد أثناء الاستدلال.

تعرّف على المزيد حول YOLOv7

مقارنة الأداء#

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

التحليل#

• الدقة: يحقق YOLOv7 عمومًا قيمة mAP أعلى مقارنةً بنماذج YOLOX المكافئة. فعلى سبيل المثال، يحقق YOLOv7x قيمة 53.1 mAP مقارنةً بقيمة 51.1 التي يحققها YOLOXx.
• السرعة: رغم أن كلا النموذجين محسّنان بدرجة كبيرة للتنفيذ على GPU باستخدام TensorRT، توفر معمارية E-ELAN في YOLOv7 معدل نقل أفضل قليلًا للتطبيقات المتطورة، بينما يحافظ YOLOX على زمن استجابة ممتاز في الأجهزة الطرفية الأصغر.
• تعدد الاستخدامات: وسّع YOLOv7 نطاقه ليتجاوز مربعات الإحاطة من خلال توفير أوزان أصلية لـتجزئة المثيلات وتقدير الوضعيات، مما يجعله أكثر تنوعًا من مستودع YOLOX الأساسي.

التطبيقات الواقعية#

غالبًا ما يعتمد الاختيار بين هذين النموذجين على بيئة النشر الخاصة بك.

الحوسبة الطرفية وإنترنت الأشياء#

بالنسبة إلى الأجهزة الطرفية محدودة الموارد مثل Raspberry Pi أو معالجات الأجهزة المحمولة الأقدم، يُعد YOLOX-Nano وYOLOX-Tiny خيارين جذابين للغاية. إذ إن عددهما المحدود من المعلمات وطبيعتهما الخالية من المراسي تجعلهما أسهل نشرًا في البيئات منخفضة الطاقة لمهام مثل تتبع الحركة الأساسي أو تطبيقات أجراس الأبواب الذكية.

تحليلات الفيديو عالية الدقة#

لمعالجة التدفقات عالية الدقة في اكتشاف العيوب الصناعية أو مراقبة حركة المرور الكثيفة، يتفوق YOLOv7. إذ يتيح له تجميع الميزات المتين الحفاظ على دقة عالية حتى عندما تكون الأجسام محجوبة جزئيًا أو تختلف اختلافًا كبيرًا في الحجم.

حالات الاستخدام والتوصيات#

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

متى تختار YOLOX؟#

يُعد YOLOX خيارًا قويًا لـ:

• أبحاث الاكتشاف دون مراسٍ: الأبحاث الأكاديمية التي تستخدم بنية YOLOX النظيفة المستغنية عن المراسي خط أساس للتجارب على رؤوس اكتشاف أو دوال خسارة جديدة.
• الأجهزة الطرفية فائقة الخفة: النشر على المتحكمات الدقيقة أو الأجهزة المحمولة القديمة التي تكون فيها البصمة الصغيرة للغاية لمتغير YOLOX-Nano (0.91M معلمة) أمرًا بالغ الأهمية.
• دراسات إسناد التسميات SimOTA: مشاريع بحثية تدرس استراتيجيات إسناد التسميات القائمة على النقل الأمثل وتأثيرها في تقارب التدريب.

متى تختار YOLOv7#

يوصى باستخدام YOLOv7 من أجل:

• المقارنة المعيارية الأكاديمية: إعادة إنتاج النتائج التي كانت تمثل أحدث ما توصل إليه المجال في عام 2022، أو دراسة تأثيرات E-ELAN وتقنيات مجموعة المزايا القابلة للتدريب.
• بحوث إعادة المعلمة: دراسة الالتفافات المعادَة معلمتها المخططة واستراتيجيات تحجيم النماذج المركبة.
• مسارات المعالجة المخصصة الحالية: المشاريع ذات مسارات المعالجة المخصصة بدرجة كبيرة والمبنية حول بنية YOLOv7 المحددة، والتي لا يمكن إعادة هيكلتها بسهولة.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

ميزة Ultralytics#

رغم أن YOLOX وYOLOv7 يمثلان تطبيقين بحثيين قويين، فإن الانتقال من مستودع بحثي إلى بيئة إنتاج قابلة للتوسع قد يكون أمرًا شاقًا. وهنا تتألق منصة Ultralytics.

توفر نماذج Ultralytics واجهة Python API موحّدة، وتتعامل مع تدريب النموذج والتحقق منه ونشره بوصفها مهام مبسطة وموحّدة. وبذلك تتجنب عناء إدارة التبعيات المعقدة التابعة لجهات خارجية أو عوامل التشغيل المخصصة بلغة C++ الشائعة في المعماريات الأقدم.

علاوة على ذلك، تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالكاشفات القائمة على Transformer مثل RT-DETR. ويتيح ذلك للممارسين استخدام أحجام دفعات أكبر، مما يثبت التدريب ويسرّع التقارب على مجموعات البيانات المخصصة.

مثال على الشيفرة: التدريب باستخدام Ultralytics#

يتيح لك النظام البيئي لـ Ultralytics تحميل YOLOv7 أو المعماريات الأحدث وتدريبها وتشغيل الاستدلال عليها بسهولة باستخدام بضعة أسطر من الشيفرة.

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model
model = YOLO("yolov7.pt")

# Train the model on a custom dataset (e.g., COCO8)
# The API handles data loading, augmentation, and memory management automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a test image
predictions = model("path/to/image.jpg")
predictions[0].show()

المستقبل: Ultralytics YOLO26#

رغم أن YOLOv7 وYOLOX يمثلان محطات تاريخية مهمة، فإن أحدث ما توصل إليه المجال يتقدم بسرعة. وقدّمت Ultralytics YOLO26، التي أُطلقت في يناير 2026، نماذج paradigms رائدة تتجاوز النماذج السابقة.

• تصميم شامل من البداية وخالٍ من NMS: يلغي YOLO26 أصلاً المعالجة اللاحقة لـالكبت غير الأقصى (NMS). ويقلل ذلك بدرجة كبيرة اختناقات زمن الاستجابة، ويضمن أوقات تنفيذ حتمية عبر إعدادات الأجهزة المتنوعة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة خسارة البؤرة التوزيعية (DFL) وتحسين عمق الشبكة، صُمم YOLO26 بدرجة كبيرة للأجهزة الطرفية التي تفتقر إلى عتاد GPU مخصص.
• مُحسِّن MuSGD: استُلهِم مُحسِّن MuSGD من تقنيات تدريب LLM المتقدمة، وهو مزيج هجين من SGD وMuon، ويوفر استقرارًا استثنائيًا للتدريب وتقاربًا أسرع.
• تحسين اكتشاف الأجسام الصغيرة: يوفر دمج دوال الخسارة ProgLoss + STAL تحسينات كبيرة في التعرف على الأجسام الصغيرة والبعيدة، وهو أمر بالغ الأهمية لـرسم الخرائط باستخدام الطائرات المسيّرة والمراقبة الأمنية.
• دعم المهام أصلاً: يدعم YOLO26 بصورة شاملة مربعات الإحاطة الموجّهة (OBB) وتجزئة المثيلات وتقدير الوضعيات أصلاً ضمن واجهة API المبسطة نفسها.

بالنسبة إلى أي مطور حديث يبدأ اليوم مشروعًا جديدًا في الرؤية الحاسوبية، يُعد تقييم Ultralytics YOLO26 على المنصة المسار الموصى به لتحقيق أفضل توازن ممكن بين السرعة والدقة وبساطة النشر. وبالنسبة إلى من يقومون بالترقية من أجيال سابقة مثل YOLO11 أو YOLOv8، لا يتطلب الانتقال سوى تغيير سلسلة النموذج، مما يفتح فورًا إمكانات متفوقة.