ابدأ

YOLOX مقابل YOLOv8

تقدم مجال الرؤية الحاسوبية بسرعة في اكتشاف الكائنات في الوقت الفعلي خلال السنوات القليلة الماضية. ومع استمرار الباحثين والمهندسين في تحسين الدقة والسرعة، قد يكون استكشاف النماذج المتاحة أمرًا صعبًا. يقدم هذا الدليل مقارنة تقنية بين بنيتين مؤثرتين: YOLOX وUltralytics YOLOv8.

من خلال تحليل البنى وأساليب التدريب وإمكانات النشر، يستطيع المطورون اتخاذ قرارات مدروسة عند اختيار الإطار المناسب لمشروعات الذكاء الاصطناعي.

YOLOX: جسر بين البحث والصناعة#

برز YOLOX بوصفه نموذجًا مهمًا ساعد على سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي. وقد مثّل تحولًا نحو تصميم خالي من المراسي، مما خفّض بدرجة كبيرة عدد معلمات التصميم والضبط الاستدلالي المطلوبين لكواشف الأجسام السابقة القائمة على المراسي.

تفاصيل النموذج:

أبرز السمات المعمارية#

يدمج YOLOX عدة تعديلات أساسية تميزه عن أسلافه. وأبرزها الرأس المفصول، الذي يقسم مهام التصنيف وانحدار مربعات الإحاطة إلى مسارات منفصلة. يقلل هذا الاختيار المعماري التعارض بين المحاذاة المكانية اللازمة للانحدار وثبات الانتقال المطلوب للتصنيف، مما يؤدي إلى تسارع التقارب أثناء التدريب.

إضافةً إلى ذلك، يستخدم YOLOX استراتيجية SimOTA لإسناد التسميات. وتصوغ طريقة الإسناد الديناميكي هذه مطابقة الأجسام المرجعية بالتنبؤات على أنها مسألة نقل أمثل، ما يقلل وقت التدريب بفاعلية ويرفع متوسط الدقة المتوسطة (mAP). كما يستخدم النموذج تقنيات قوية لزيادة البيانات، بما فيها MixUp وMosaic، لكنه يوقفها في الحقب الأخيرة لتثبيت السمات المكتسبة.

تعرّف على مزيد من المعلومات عن YOLOX

YOLOv8: معيار المنظومة متعدد الاستخدامات#

بعد سنوات من البحث المستمر، يمثل Ultralytics YOLOv8 خطوة كبيرة إلى الأمام لنماذج Ultralytics. وقد صُمم من الأساس ليكون أكثر من مجرد كاشف للكائنات؛ فهو إطار شامل متعدد المهام قادر على معالجة مجموعة واسعة من تحديات التعرف البصري عبر واجهة API سهلة الاستخدام.

تفاصيل النموذج:

التطورات المعمارية#

يقدم YOLOv8 بنية مبسطة تستبدل وحدة C3 بوحدة C2f الأكثر كفاءة، مما يحسّن تدفق التدرج واستخراج السمات دون زيادة كبيرة في عدد المعلمات. وكما في YOLOX، يستخدم YOLOv8 تصميمًا خاليًا من المراسي ورأسًا مفصولًا؛ لكنه يحسّن حساب الخسارة بدمج خسارة التركيز التوزيعي (DFL) وخسارة CIoU، مما ينتج تنبؤات أدق لمربعات الإحاطة، ولا سيما للكائنات الصغيرة أو المتداخلة.

منظومة Ultralytics

من أبرز نقاط قوة YOLOv8 تكامله العميق مع منظومة Ultralytics. سواء أكنت تستخدم واجهة Python البرمجية الموحدة أو الواجهة المرئية لـ منصة Ultralytics، فالانتقال من التدريب إلى النشر مباشر، مع دعم أصلي للتنسيقات بدءًا من ONNX وصولًا إلى TensorRT.

إلى جانب اكتشاف الكائنات القياسي، يدعم YOLOv8 أصليًا تقسيم المثيلات وتصنيف الصور وتقدير الوضعية ومربعات الإحاطة الموجّهة (OBB). تجعل هذه المرونة متعددة المهام منه خيارًا جذابًا 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 استجابة الاستدلال والنفقات الحسابية. يوضح الجدول أدناه معايير الأداء لكلتا عائلتي النماذج.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

يحقق YOLOv8 باستمرار mAP أعلى من YOLOX عند أعداد متقاربة من المعلمات، مع الحفاظ على سرعات GPU قوية. كما تُعرف نماذج Ultralytics بانخفاض متطلبات الذاكرة أثناء التدريب. وهذه ميزة أساسية عند زيادة أحجام الدفعات على الأجهزة الاستهلاكية، خصوصًا 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 الشيفرات البحثية القديمة إعداد بيئات معقدة وكتابة شيفرة نمطية مخصصة للاستدلال. في المقابل، تبسّط واجهة Ultralytics API ذلك إلى بضعة أسطر فقط من Python.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLOv8 الصغير⁩
model = YOLO("yolov8s.pt")

# ⁨تدريب النموذج على مجموعة بيانات مخصصة⁩
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تحقق من دقة النموذج⁩
metrics = model.val()

# ⁨تنفيذ الاستدلال على صورة اختبار⁩
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 المطوّرون وقتًا أقل في تصحيح أخطاء البيئة ووقتًا أطول في تطوير حلول الرؤية الحاسوبية بصورة تكرارية.

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 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 YOLOv8#

يوصى بـYOLOv8 في الحالات التالية:

  • النشر متعدد المهام: المشاريع التي تتطلب نموذجًا مجرّبًا للاكتشاف والتجزئة والتصنيف وتقدير الوضعية ضمن منظومة Ultralytics.
  • أنظمة إنتاجية راسخة: بيئات الإنتاج الحالية المبنية بالفعل على بنية YOLOv8، والتي تستخدم خطوط نشر مستقرة ومختبرة جيدًا.
  • دعم واسع من المجتمع والمنظومة: التطبيقات التي تستفيد من دروس YOLOv8 الشاملة وتكاملاته مع جهات خارجية وموارد مجتمعه النشط.

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 لا تستخدم إلا CPU: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدة GPU، حيث تمنح سرعة استدلال YOLO26n الأعلى بنسبة تصل إلى 43% على CPU مقارنةً بـYOLO11n أفضلية 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.

نظرة إلى المستقبل: بنية YOLO26#

يوفر YOLOv8 توازنًا قويًا بين الدقة وسهولة الاستخدام، لكن الذكاء الاصطناعي يواصل تطوره بسرعة. ويُعد YOLO26، الذي صدر في يناير 2026، النموذج الموصى به للنشر الحديث على الأجهزة الطرفية والسحابة، إذ يبني على أسس الأجيال السابقة.

يقدم YOLO26 تصميمًا شاملًا خاليًا من NMS: إذ يتجاوز رأسه الاختياري أحادي المطابقة (nms=False) خطوة المعالجة اللاحقة الاستدلالية لـ NMS، موفرًا زمن استجابة مستقرًا وقابلًا للتنبؤ عبر أهداف نشر متنوعة. وبعد إزالة وحدة خسارة التركيز التوزيعي (DFL)، يحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، مما يجعل YOLO26 خيارًا قويًا للأنظمة المضمنة وتطبيقات الأجهزة المحمولة.

يحسّن YOLO26 أيضًا استقرار التدريب باستخدام مُحسِّن MuSGD، وهو مزيج من SGD وMuon يسرّع التقارب. وباستخدام ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة)، يحسّن YOLO26 اكتشاف الكائنات الصغيرة، وهو أمر بالغ الأهمية لرسم خرائط الطائرات المسيّرة وأنظمة إنذار الأمن.

الخلاصة والتوصيات#

كان YOLOX خطوة مهمة في الانتقال إلى الأساليب الخالية من المراسي، لكن افتقاره إلى منظومة متكاملة متعددة المهام يحد من استخدامه في بيئات الإنتاج سريعة الوتيرة.

يظل YOLOv8 خيارًا متينًا للمطورين الذين يفضلون تجربة سلسة ودعمًا متنوعًا للمهام ومساندة مجتمعية قوية. لكن للمطورين الساعين إلى تعظيم أداء الحوسبة الطرفية وإزالة اختناقات NMS وتحقيق أعلى دقة بأحدث ابتكارات التدريب، يُعد YOLO26 النموذج الموصى به لأي مشروع جديد في الرؤية الحاسوبية.

إذا كنت مهتمًا باستكشاف نماذج أخرى ضمن مجموعة Ultralytics، فقد ترغب أيضًا في الاطلاع على خصائص أداء YOLO11 أو قراءة المزيد عن النهج الخالي من NMS الذي قدمه YOLOv10.

المساهمون

التعليقات1

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. zaraquinnatGitHub(تم التعديل)

    Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.