YOLOX مقابل YOLOv9#
تشكّل مشهد الرؤية الحاسوبية بفضل اختراقات معمارية متواصلة توازن بين الكفاءة الحسابية والدقة العالية. وعند تقييم نماذج اكتشاف الأجسام الآنية، تكشف المقارنة بين YOLOX من Megvii وYOLOv9 من Academia Sinica عن نهجين مختلفين في تطوير التعلم العميق. فقد كان أحدهما رائدًا في نهج مبسط خالٍ من المراسي، بينما قدّم الآخر تقنيات متقدمة لتوجيه التدرجات بهدف تعظيم الاحتفاظ بالمعلومات.
يستكشف هذا الدليل التقني الفروق المعمارية الدقيقة ومعايير الأداء وحالات الاستخدام المثلى، كما يوضح كيف تقدم حلول حديثة مثل منصة Ultralytics ونموذج YOLO26 الصادر حديثًا بدائل متفوقة لعمليات النشر الجاهزة للإنتاج.
YOLOX: ريادة النهج الخالي من المراسي#
صدر YOLOX في منتصف عام 2021، وكان خطوة مهمة نحو ردم الهوة بين البحث الأكاديمي والتطبيق الصناعي. ومن خلال الاستغناء عن الحاجة إلى مربعات مراسٍ محددة مسبقًا، بسّط بدرجة كبيرة ضبط المعلمات الاستدلالي المطلوب لمجموعات البيانات المخصصة.
- المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
- المؤسسة: Megvii
- تاريخ الإصدار: 18 يوليو 2021
- مرجع: ورقة Arxiv
- الشيفرة المصدرية: مستودع YOLOX على GitHub
- الوثائق: الوثائق الرسمية لـ YOLOX
ابتكارات البنية#
أدخل YOLOX تغييرات أساسية عدة على مسار الكشف القياسي. فقد اعتمد رأسًا مفصولًا يوزع مهام التصنيف والانحدار، ما قلل بدرجة كبيرة التعارض بين تحديد الجسم وتعيين حدوده. كما اعتمد YOLOX استراتيجية SimOTA لإسناد التسميات، وهي استراتيجية متقدمة خصصت العينات الإيجابية ديناميكيًا أثناء التدريب، ما أدى إلى تقارب أسرع وأداء إجمالي أفضل على مجموعات بيانات التقييم المعيارية.
نقاط القوة والقيود#
تكمن القوة الأساسية لـ YOLOX في تصميمه المبسط. فآليته الخالية من المراسي تعني أن المطورين يقضون وقتًا أقل في تشغيل خوارزميات التجميع للعثور على أحجام المراسي المثلى لبياناتهم. لكن بوصفه بنية أقدم صُممت دون الاستفادة من التطورات الحديثة في الانتباه الذاتي أو توجيه مسارات التدرج، فإنه يواجه صعوبة في مجاراة كفاءة المعلمات في الشبكات الأحدث. كما أنه لا يدعم أصليًا مهام متقدمة مثل تقسيم المثيلات وتقدير الوضعيات ضمن واجهة API موحدة.
تعرّف على مزيد من المعلومات عن YOLOX
YOLOv9: تعظيم معلومات التدرج#
وبالانتقال إلى عام 2024، قدّم YOLOv9 نهجًا نظريًا متقدمًا لمعالجة مشكلة اختناق المعلومات المتأصلة في الشبكات العصبية الالتفافية العميقة.
- المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا
- تاريخ الإصدار: 21 فبراير 2024
- مرجع: ورقة Arxiv
- الشيفرة المصدرية: مستودع YOLOv9 على GitHub
- الوثائق: وثائق Ultralytics الخاصة بـ YOLOv9
ابتكارات البنية#
تتمثل السمة المميزة لـ YOLOv9 في معلومات التدرج القابلة للبرمجة (PGI)، التي تضمن عدم فقدان البيانات الدلالية المهمة أثناء مرورها عبر طبقات متعددة في الشبكة. وبالاقتران مع شبكة تجميع الطبقات الفعالة المعممة (GELAN)، يحقق YOLOv9 نسبة استثنائية بين عدد المعلمات والدقة. ويتيح ذلك للنموذج الاحتفاظ بتدرجات دقيقة لتحديث الأوزان، ما يجعله فعالًا للغاية حتى في إصداراته خفيفة الوزن.
نقاط القوة والقيود#
يتفوق YOLOv9 في دفع الحدود النظرية لـدقة النموذج. فهو يحقق نتائج mAP ممتازة على COCO، ما يجعله خيارًا مفضلًا لدى الباحثين. ومع ذلك، وعلى الرغم من كفاءته، لا يزال YOLOv9 يعتمد على كبت غير الأقصى التقليدي (NMS) في المعالجة اللاحقة، ما يؤدي إلى ارتفاعات مفاجئة في زمن الاستدلال. وبالنسبة إلى المهندسين الذين يركزون على نشر الذكاء الاصطناعي على الأجهزة الطرفية، يضيف التعامل مع منطق NMS تعقيدًا غير ضروري إلى مسار النشر.
تتطلب النماذج التقليدية مثل YOLOX وYOLOv9 استخدام كبت غير الأقصى (NMS) لتصفية مربعات الإحاطة المكررة. وهذه الخطوة تسلسلية بطبيعتها، وغالبًا ما تشكل اختناقًا على وحدات CPU، ما يبرز الحاجة إلى البنى الأصيلة الشاملة من البداية إلى النهاية الموجودة في أحدث نماذج Ultralytics.
مقارنة الأداء#
عند مقارنة المقاييس الحسابية الأولية لهذه البنى، يتضح أن YOLOv9 يوفر خط أساس أكثر حداثة، بينما يظل YOLOX خيارًا خفيف الوزن للإعدادات القديمة. فيما يلي تحليل مفصل لنماذجهما القياسية.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
على الرغم من أن YOLOv9 يُظهر دقة أعلى عند مقارنة أعداد المعلمات، ينبغي للمطورين الباحثين عن أفضل توازن بين السرعة والدقة وسهولة الاستخدام النظر في أحدث التطورات من Ultralytics.
ميزة Ultralytics: تعرّف على YOLO26#
مع أن تقييم النماذج التاريخية مثل YOLOX وYOLOv9 يوفر سياقًا مفيدًا، فإن أحدث ما توصل إليه المجال يتمثل في Ultralytics YOLO26. صدر YOLO26 في أوائل عام 2026، وأعاد تصميم مسار الكشف جذريًا ليلائم بيئات المؤسسات الحديثة.
ابتكارات معمارية لا مثيل لها#
يعالج YOLO26 اختناقات المعالجة اللاحقة في النماذج السابقة بتصميم اختياري شامل من البداية إلى النهاية وخالٍ من NMS (nms=False)، ما يضمن نشرًا أبسط على مختلف أنواع العتاد. وإضافةً إلى ذلك، يحقق YOLO26 استقرارًا تدريبيًا غير مسبوق بإزالة خسارة البؤرة التوزيعية (DFL) ودمج مُحسِّن MuSGD المبتكر، وهو مزيج من الانحدار المتدرج العشوائي وMuon.
للمطورين الذين ينشرون على بيئات محدودة الموارد مثل Raspberry Pi، يوفر YOLO26 استدلالًا أسرع بنسبة تصل إلى 43% على CPU. كما يقدم ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات الواعي بالأجسام الصغيرة)، ما يؤدي إلى تحسينات كبيرة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في التصوير الجوي وتحليلات الطائرات المسيّرة.
منظومة تطوير مبسطة#
على خلاف مستودعات الأبحاث المستقلة، توفر منظومة Ultralytics تجربة تطوير لا مثيل لها. وباستخدام واجهة Python API من Ultralytics، يستطيع المهندسون تقليل الشيفرة النمطية بدرجة كبيرة. كما تظل متطلبات الذاكرة محسّنة للغاية، ما يتيح تدريب نماذج قوية باستخدام ذاكرة GPU أقل مقارنةً بالبنى القائمة بكثافة على آليات الانتباه.
from ultralytics import YOLO
# حمّل نموذج YOLO26 الصغير المحسّن للغاية والخالي من NMS
model = YOLO("yolo26s.pt")
# درّب النموذج على مجموعة بيانات مخصصة بأقل استهلاك للذاكرة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# صدّر النموذج بسهولة إلى تنسيقات النشر المحسّنة
model.export(format="engine", quantize=16) # التصدير إلى TensorRTإلى جانب الكشف، يدعم YOLO26 بسلاسة مجموعة كبيرة من المهام ضمن الإطار نفسه تمامًا. وسواء أكنت بحاجة إلى مربعات إحاطة موجّهة (OBB) دقيقة لتصوير الأقمار الصناعية أم إلى أقنعة بكسلية دقيقة لـتطبيقات التصوير الطبي، فسيظل سير العمل متطابقًا. كما يتوفر Ultralytics YOLO11 ويحظى بالدعم الكامل للفرق التي تعتمد مسارات عمل الجيل السابق.
حالات الاستخدام المثالية واستراتيجيات النشر#
يعتمد اختيار البنية المناسبة بالكامل على بيئة النشر المستهدفة ومتطلبات المشروع.
الحوسبة الطرفية والروبوتات#
قد يؤدي الاعتماد على نماذج تتطلب معالجة لاحقة مكثفة إلى شل أداء الأجهزة منخفضة الطاقة. ورغم صغر YOLOX-Nano الشديد، فغالبًا ما تكون دقته غير كافية للمهام الحرجة للسلامة. ويُعد YOLO26 الخيار الأمثل هنا؛ إذ يتيح له الرأس الخالي من DFL والاستدلال الاختياري الخالي من NMS العمل بسلاسة على أنوية CPU مباشرةً، ما يجعله مثاليًا للروبوتات ذاتية التشغيل أو إدارة مواقف السيارات الذكية.
التقييم الأكاديمي المعياري#
إذا كان الهدف الوحيد هو تحليل تدفق التدرجات ودراسة اختناقات الشبكات العميقة، يظل YOLOv9 موضوعًا ممتازًا للدراسة. إذ يوفر إطار PGI الخاص به رؤى قيّمة حول كيفية الحفاظ على السمات عبر طبقات الشبكة العصبية العميقة، ما يجعله أداة مهمة للباحثين الجامعيين الذين يدرسون نظرية الشبكات الالتفافية.
تحليلات الفيديو للمؤسسات#
في مهام معالجة الفيديو واسعة النطاق، مثل أنظمة الإنذار الأمني أو مراقبة حركة المرور، تكون السرعة وإمكانات التصدير المتنوعة من الأولويات القصوى. وتتيح أدوات التصدير الأصلية التي يوفرها إطار Ultralytics للفرق تجميع YOLO26 مباشرةً إلى TensorRT أو OpenVINO بأمر واحد، ما يقلل كثيرًا الوقت اللازم لطرح المنتج في السوق.
من خلال الاستفادة من الميزات الشاملة لمنظومة Ultralytics، تستطيع فرق التعلم الآلي تجاوز تعقيدات قواعد الشيفرة البحثية الخام والتركيز مباشرةً على بناء تطبيقات ذكاء اصطناعي قابلة للتوسع وواقعية.