Ultralytics YOLO27:

YOLOX مقابل YOLOv8#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة في اكتشاف الأجسام في الوقت الفعلي خلال السنوات القليلة الماضية. ومع مواصلة الباحثين والمهندسين دفع حدود الدقة والسرعة، قد يكون استكشاف مشهد النماذج المتاحة أمرًا صعبًا. يقدم هذا الدليل الشامل مقارنة تقنية متعمقة بين بنيتين مؤثرتين للغاية: YOLOX وUltralytics YOLOv8.

من خلال تحليل بنياتهما الفريدة ومنهجيات التدريب وقدرات النشر، يمكن للمطورين اتخاذ قرارات مستنيرة عند اختيار الإطار الأمثل لمشروعات الذكاء الاصطناعي الخاصة بهم.

YOLOX: جسر بين البحث والصناعة#

ظهر YOLOX كنموذج محوري نجح في سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي. وقد قدم تحولًا للعودة إلى تصميم خالٍ من المراسي، ما أدى إلى تقليل عدد معلمات التصميم وضبط الاستدلالات التجريبية المطلوبة لكاشفات الأجسام السابقة القائمة على المراسي بدرجة كبيرة.

تفاصيل النموذج:

أبرز معالم البنية المعمارية#

يدمج YOLOX عدة تعديلات رئيسية تميزه عن أسلافه. وأبرزها الرأس المفصول، الذي يفصل مهمتي التصنيف وانحدار مربعات الإحاطة في مسارين متميزين. ويعالج هذا الخيار المعماري التعارض المتأصل بين المحاذاة المكانية اللازمة للانحدار وثبات التحويل المطلوب للتصنيف، ما يؤدي إلى معدل تقارب أسرع أثناء التدريب.

علاوة على ذلك، يستخدم YOLOX استراتيجية إسناد التسميات SimOTA. وتصوغ طريقة الإسناد الديناميكية هذه مطابقة الأجسام الصحيحة مرجعيًا بالتنبؤات باعتبارها مسألة نقل أمثل، ما يقلل وقت التدريب بفاعلية، مع تحسين متوسط الدقة (mAP). ويستخدم النموذج أيضًا تقنيات قوية لزيادة البيانات، بما في ذلك MixUp وMosaic، إلا أنه يعطلهما بشكل ملحوظ خلال العصور التدريبية النهائية لتحقيق استقرار السمات المتعلَّمة.

تعرف على المزيد حول YOLOX

YOLOv8: معيار المنظومة متعدد الاستخدامات#

استنادًا إلى سنوات من البحث المتواصل، يمثل Ultralytics YOLOv8 تطورًا كبيرًا في نماذج الرؤية الحاسوبية المتطورة. وقد صُمم من الأساس ليكون أكثر من مجرد كاشف للأجسام، بل إطارًا شاملًا متعدد المهام قادرًا على التعامل مع مجموعة واسعة من تحديات التعرف البصري باستخدام API سهلة الوصول بدرجة كبيرة.

تفاصيل النموذج:

التطورات المعمارية#

يقدم YOLOv8 بنية مبسطة تستبدل الوحدة C3 بالوحدة C2f الأكثر كفاءة، ما يعزز تدفق التدرجات واستخراج السمات دون زيادة عدد المعلمات بشكل كبير. وعلى غرار YOLOX، يستخدم YOLOv8 تصميمًا خاليًا من المراسي ورأسًا مفصولًا؛ إلا أنه يحسن حساب الخسارة من خلال دمج خسارة البؤرة التوزيعية (DFL) وخسارة CIoU، ما ينتج تنبؤات أكثر إحكامًا بكثير لمربعات الإحاطة، ولا سيما للأجسام الصغيرة أو المتداخلة.

منظومة Ultralytics

تتمثل إحدى أعظم نقاط قوة YOLOv8 في تكامله العميق مع منظومة Ultralytics. سواء كنت تستخدم Python API الموحدة أو الواجهة المرئية لـمنصة Ultralytics، فإن الانتقال من التدريب إلى النشر سلس، مع دعم الصيغ بدءًا من ONNX ووصولًا إلى TensorRT بشكل أصلي.

بالإضافة إلى اكتشاف الأجسام التقليدي، يدعم YOLOv8 بشكل أصلي تجزئة المثيلات وتصنيف الصور وتقدير الوضعيات ومربعات الإحاطة الموجهة (OBB). وتجعل هذه المرونة متعددة المهام منه خيارًا جذابًا للغاية لبيئات الإنتاج المعقدة التي تتطلب صيانة أنواع متعددة من النماذج.

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج، يجب على المطورين مراعاة المفاضلات بين الدقة وزمن استدلال النموذج والأعباء الحسابية. يوضح الجدول أدناه المعايير المرجعية لكلتا عائلتي النماذج.

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8

يبرهن YOLOv8 باستمرار على mAP أعلى عبر أحجام المعلمات المماثلة، مع الحفاظ على سرعات GPU ممتازة. علاوة على ذلك، تُعرف نماذج Ultralytics بمتطلبات الذاكرة الأقل أثناء التدريب. وتمثل هذه ميزة بالغة الأهمية عند زيادة أحجام الدُفعات على الأجهزة المخصصة للمستهلكين، ولا سيما عند مقارنتها ببنى Transformer كثيفة الموارد مثل RT-DETR، التي تستهلك قدرًا أكبر بكثير من ذاكرة CUDA.

تجربة التطوير والنشر#

غالبًا ما يتطلب العمل مع قواعد شيفرة البحث القديمة تهيئة بيئات معقدة وكتابة شيفرة تمهيدية مخصصة للاستدلال. وعلى العكس، تبسط Ultralytics API هذه العملية في بضعة أسطر فقط من Python.

from ultralytics import YOLO

# Initialize the YOLOv8 small model
model = YOLO("yolov8s.pt")

# Train the model effortlessly on a custom dataset
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's accuracy
metrics = model.val()

# Execute inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

تُعد هذه الواجهة الموحدة سمة مميزة لمنظومة Ultralytics التي تحظى بصيانة جيدة، إذ تضمن أن يقضي المطورون وقتًا أقل في تصحيح أخطاء مشكلات البيئة ووقتًا أطول في تكرار العمل على حلول الرؤية الحاسوبية الخاصة بهم.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOX وYOLOv8 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

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 YOLOv8#

يُوصى باستخدام YOLOv8 من أجل:

  • النشر متعدد المهام ومتعدد الاستخدامات: المشروعات التي تتطلب نموذجًا مُثبتًا لـالكشف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
  • أنظمة الإنتاج الراسخة: بيئات الإنتاج الحالية المبنية مسبقًا على بنية YOLOv8، مع مسارات نشر مستقرة ومختبرة جيدًا.
  • دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من البرامج التعليمية الشاملة لـYOLOv8، وعمليات التكامل التابعة لجهات خارجية، وموارد المجتمع النشطة.

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.

نظرة مستقبلية: بنية YOLO26#

مع أن YOLOv8 يوفر توازنًا استثنائيًا وسهولة استخدام، فإن حدود الذكاء الاصطناعي تواصل تقدمها بسرعة. ويمثل YOLO26، الذي أُطلق في يناير 2026، المعيار الحاسم للنشر الحديث على الحافة وفي السحابة، إذ يأخذ المفاهيم الأساسية للأجيال السابقة ويحسنها بلا هوادة.

يقدم YOLO26 تصميمًا شاملًا خاليًا من NMS، فيلغي تمامًا خطوة المعالجة اللاحقة للاستبعاد غير الأقصى القائمة على الاستدلالات التجريبية. ويضمن هذا الاختراق زمن استجابة مستقرًا وحتميًا عبر أهداف النشر المتنوعة. علاوة على ذلك، ومن خلال إزالة وحدة خسارة البؤرة التوزيعية (DFL) عمدًا، يحقق YOLO26 استدلالًا أسرع على CPU بنسبة تصل إلى 43%، ما يجعله الخيار الأفضل على الإطلاق للأنظمة المضمنة وتطبيقات الأجهزة المحمولة.

يشهد استقرار التدريب تحولًا جذريًا أيضًا في YOLO26 من خلال دمج محسن MuSGD المبتكر، وهو مزيج من SGD وMuon يسرّع التقارب. وبالاقتران مع دوال الخسارة الجديدة ProgLoss + STAL، يقدم YOLO26 تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لرسم خرائط الطائرات المسيّرة وأنظمة إنذار الأمان.

الخلاصة والتوصيات#

عند تقييم الأطر الأقدم مقابل الحلول الحديثة، يتضح المسار. فمع أن YOLOX كان خطوة انتقالية محورية نحو المنهجيات الخالية من المراسي، فإن افتقاره إلى منظومة متكاملة متعددة المهام يحد من فائدته في بيئات الإنتاج سريعة الوتيرة.

بالنسبة إلى المطورين الذين يعطون الأولوية لتجربة سلسة ودعم متعدد الاستخدامات للمهام ودعم قوي من المجتمع، يظل YOLOv8 خيارًا متينًا للغاية. أما الراغبون في تحقيق أقصى أداء للحوسبة الطرفية وإزالة اختناقات NMS والوصول إلى أعلى دقة ممكنة باستخدام أحدث ابتكارات التدريب، فإن YOLO26 هو النموذج الموصى به بفارق كبير لأي مشروع جديد في مجال الرؤية الحاسوبية.

إذا كنت مهتمًا باستكشاف نماذج أخرى ضمن مجموعة Ultralytics، فقد ترغب أيضًا في مراجعة خصائص أداء YOLO11 أو الاطلاع على المفاهيم الرائدة الخالية من NMS التي اختُبرت أصلًا في YOLOv10.

المساهمون
GLglenn-jocher15PDpderrenger2

التعليقات