YOLOX ضد YOLOv8: نظرة فنية متعمقة في تطور الكشف عن الأجسام

يتغير مشهد رؤية الكمبيوتر بسرعة، حيث تدفع الهياكل الجديدة باستمرار حدود السرعة والدقة. من المعالم الهامة في هذه الرحلة YOLOX و YOLOv8. تستكشف هذه المقارنة الفروق الفنية الدقيقة بين ابتكار YOLOX الخالي من المرساة وتعدد استخدامات Ultralytics YOLOv8 الحديث. نحلل هياكلها ومقاييس الأداء ومدى ملاءمتها للتطبيقات الواقعية لمساعدتك في اختيار الأداة المناسبة لمشاريع التعلم الآلي الخاصة بك.

الترقية إلى أحدث التقنيات

في حين أن YOLOv8 هو نموذج قوي، إلا أن المجال قد تقدم أكثر. تحقق من YOLO11، أحدث تكرار من Ultralytics، والذي يوفر كفاءة أعلى ومعالجة أسرع ودقة محسنة لمهام الكشف والتجزئة وتقدير الوضع.

مقاييس ومعايير الأداء

عند تقييم نماذج الكشف عن الكائنات، فإن المفاضلة بين سرعة الاستدلال و متوسط الدقة (mAP) أمر بالغ الأهمية. يوضح الجدول أدناه أن Ultralytics YOLOv8 تحقق باستمرار دقة أعلى مع زمن انتقال أقل عبر أحجام النماذج المماثلة.

والجدير بالذكر أن YOLOv8 يوفر معايير شفافة للاستدلال على CPU عبر ONNX، وهو مقياس حاسم للنشر على الأجهزة بدون وحدات معالجة رسومات مخصصة. في المقابل، تركز معايير YOLOX القياسية بشكل أساسي على أداء GPU، مما يترك فجوة للمستخدمين الذين يستهدفون تطبيقات edge AI على المعالجات القياسية.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

YOLOX: الرائد الخالي من الـ Anchor

قدم YOLOX، الذي تم إصداره في عام 2021 بواسطة باحثين في Megvii، تحولًا كبيرًا في عائلة YOLO من خلال اعتماد آلية خالية من المرساة. أدى هذا الاختيار التصميمي إلى إلغاء الحاجة إلى مربعات الإرساء المحددة مسبقًا، مما أدى إلى تبسيط عملية التدريب وتحسين الأداء في سيناريوهات محددة.

المؤلفون: تشنغ قه، سونغتاو ليو، فنغ وانغ، زيمينغ لي، وجيان صن
المؤسسة:Megvii
التاريخ: 2021-07-18
Arxiv:https://arxiv.org/abs/2107.08430
GitHub:https://github.com/Megvii-BaseDetection/YOLOX

الهيكلة ونقاط القوة

يدمج YOLOX رأسًا مفصولًا، يفصل بين مهام التصنيف والتوطين لتحسين سرعة التقارب والدقة. يستخدم SimOTA (تعيين النقل الأمثل المبسط) لتعيين التسميات الديناميكي، والذي يعامل عملية التدريب كمشكلة نقل مثالية. على الرغم من كونه ثوريًا في ذلك الوقت، إلا أن YOLOX هو في الأساس نموذج object detection، ويفتقر إلى الدعم الأصلي لمهام أخرى مثل التجزئة أو تقدير الوضع داخل نفس قاعدة التعليمات البرمجية.

تعرف على المزيد حول YOLOX

YOLOv8: المعيار الحديث للذكاء الاصطناعي البصري

تم إطلاق YOLOv8 في أوائل عام 2023 بواسطة Ultralytics، وهو يمثل تتويجًا لبحث مكثف في الكفاءة والدقة وسهولة الاستخدام. إنه يعتمد على إرث anchor-free ولكنه يحسنه باستخدام Task-Aligned Assigner الحديث وهندسة حديثة تتفوق عبر مجموعة واسعة من الأجهزة.

المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
المؤسسة:Ultralytics
التاريخ: 2023-01-10
الوثائق:https://docs.ultralytics.com/models/yolov8/

المزايا الرئيسية

YOLOv8 ليس مجرد نموذج detect؛ بل هو إطار عمل موحد. وهو يوفر دعمًا أصليًا لـ تصنيف الصور و تقسيم المثيلات و تقدير الوضعية و detect الكائنات الموجهة (OBB). تتيح هذه المرونة للمطورين حل المشكلات المعقدة متعددة الوسائط باستخدام واجهة برمجة تطبيقات (API) واحدة ومتماسكة.

تعرف على المزيد حول YOLOv8

مقارنة معمارية وحالات استخدام

يساعد فهم الاختلافات التقنية بين هذه البنى في اختيار الأداة المناسبة للاستدلال في الوقت الفعلي وأنظمة الإنتاج.

1. كفاءة التدريب والذاكرة

تتمثل إحدى الميزات البارزة في نماذج Ultralytics YOLO في كفاءة التدريب الخاصة بها. تنفذ YOLOv8 استراتيجيات زيادة متقدمة، مثل الفسيفساء و MixUp، المحسّنة لمنع التجاوز مع الحفاظ على سرعات تدريب عالية.

الأهم من ذلك، يُظهر YOLOv8 متطلبات ذاكرة أقل أثناء التدريب والاستدلال مقارنةً بالبنى القديمة أو النماذج الثقيلة القائمة على المحولات. هذه الكفاءة تجعل من الممكن تدريب نماذج مخصصة على وحدات معالجة الرسومات (GPUs) من الدرجة الاستهلاكية أو نشرها على الأجهزة الطرفية ذات الذاكرة المحدودة. غالبًا ما يتطلب YOLOX، على الرغم من كفاءته، المزيد من الضبط اليدوي للمعلمات الفائقة لتحقيق الاستقرار الأمثل.

2. النظام البيئي وسهولة الاستخدام

بالنسبة للمطورين والباحثين، فإن النظام البيئي المحيط بالنموذج لا يقل أهمية عن الهندسة المعمارية نفسها.

YOLOX يتبع هيكل مستودع الأبحاث التقليدي. غالبًا ما يتضمن إعداده ملفات تكوين معقدة وإدارة يدوية للتبعيات.
Ultralytics YOLOv8 يعطي الأولوية لسهولة الاستخدام. يتميز بحزمة قابلة للتثبيت عبر pip و Python API مبسط و CLI يعمل خارج الصندوق.

سهولة الاستخدام مع Ultralytics API

يعد تشغيل التنبؤات باستخدام YOLOv8 بسيطًا للغاية، ولا يتطلب سوى بضعة أسطر من التعليمات البرمجية.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Run inference on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

3. نظام بيئي جيد الصيانة

يعني اختيار YOLOv8 الوصول إلى نظام بيئي تتم صيانته جيدًا. توفر Ultralytics وثائق شاملة وتحديثات متكررة ودعمًا مجتمعيًا نشطًا. يعمل التكامل مع النظام البيئي Ultralytics الأوسع على تبسيط سير العمل، بما في ذلك شرح البيانات وإدارة مجموعة البيانات ونشر النموذج بتنسيقات مثل TensorRT و OpenVINO.

تطبيقات عملية في أرض الواقع

أين يتفوق YOLOv8

البيع بالتجزئة الذكي: استخدام قدرات التقسيم لفهم تخطيطات الرفوف ووضع المنتج بدقة على مستوى البكسل.
تحليلات رياضية: الاستفادة من تقدير الوضعية لتتبع حركات اللاعبين والميكانيكا الحيوية في الوقت الفعلي، وهي مهمة لا يستطيع YOLOX تنفيذها أصلاً.
الفحص الصناعي: نشر نماذج OBB لاكتشاف الكائنات التي تم تدويرها مثل المكونات الموجودة على حزام ناقل بدقة عالية.
النشر على الحافة: إن نسبة السرعة إلى الدقة الفائقة لـ YOLOv8 تجعلها الخيار المفضل للتطبيقات المحمولة والأنظمة المدمجة مثل Raspberry Pi أو NVIDIA Jetson.

مكانة YOLOX

تظل YOLOX مرشحًا قويًا للبحث الأكاديمي الذي يركز تحديدًا على الجوانب النظرية لرؤوس الاكتشاف الخالية من المرساة. يوفر قاعدة التعليمات البرمجية الخاصة بها مرجعًا واضحًا للباحثين الذين يدرسون الانتقال من المنهجيات القائمة على المرساة إلى المنهجيات الخالية من المرساة في حقبة 2021.

الخلاصة

في حين أن YOLOX لعب دورًا محوريًا في نشر detect الخالية من anchor، فإن Ultralytics YOLOv8 يمثل التطور الطبيعي لهذه التكنولوجيا. من خلال تقديم مقاييس أداء فائقة، وإطار عمل متعدد المهام متعدد الاستخدامات، وتجربة مستخدم لا مثيل لها، يبرز YOLOv8 باعتباره الخيار الأفضل لتطوير الذكاء الاصطناعي الحديث.

بالنسبة للمطورين الباحثين عن حل قوي ومضمون للمستقبل وقابل للتطوير من النماذج الأولية السريعة إلى نشر المؤسسات، توفر Ultralytics YOLOv8—و YOLO11 الأحدث—الأدوات اللازمة لتحقيق النجاح.

استكشف نماذج أخرى

وسّع فهمك لمشهد الكشف عن الكائنات من خلال استكشاف هذه المقارنات:

YOLOv8 ضد YOLOv5
YOLOv8 مقابل YOLOv7
YOLOv8 ضد RT-DETR
YOLOv8 مقابل YOLOv10
YOLOX ضد YOLOv7
اكتشف إمكانات YOLO11 للاطلاع على أحدث التطورات.