YOLOX مقابل YOLOv9
تشكل مشهد الرؤية الحاسوبية بفعل التطورات المعمارية المستمرة التي توازن بين الكفاءة الحسابية والدقة العالية. عند تقييم نماذج اكتشاف الكائنات في الوقت الفعلي، تبرز المقارنة بين YOLOX من Megvii وYOLOv9 من Academia Sinica فلسفتين مختلفتين في تطوير التعلم العميق. فبينما عمّم YOLOX تصميمًا مبسطًا خاليًا من المراسي، قدّم YOLOv9 تقنيات معلومات التدرج لتعظيم الاحتفاظ بالمعلومات.
يستكشف هذا الدليل التقني الاختلافات المعمارية ومعايير الأداء وحالات الاستخدام المثالية، ويوضح كيف تقدم منصة Ultralytics ونموذج YOLO26 خيارات أقوى لعمليات النشر الإنتاجية.
YOLOX: ريادة النهج الخالي من المراسي#
صدر YOLOX في منتصف عام 2021، وكان خطوة مهمة نحو سد الفجوة بين البحث الأكاديمي والتطبيق الصناعي. ومن خلال إلغاء الحاجة إلى مربعات المراسي المحددة مسبقًا، بسّط إلى حد كبير الضبط 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#
قدّم YOLOX عدة تغييرات أساسية على خط معالجة الاكتشاف القياسي. فقد طبّق رأسًا مفصولًا يفصل مهام التصنيف والانحدار، مما قلل بدرجة كبيرة التعارض بين تحديد الكائن وتحديد حدوده. كما اعتمد YOLOX استراتيجية SimOTA، وهي استراتيجية ديناميكية لإسناد التسميات تخصص العينات الإيجابية أثناء التدريب، مما يؤدي إلى تقارب أسرع وأداء إجمالي أفضل على مجموعات بيانات المعايير القياسية.
نقاط القوة والقيود#
تكمن القوة الأساسية لـ YOLOX في تصميمه المبسط. فآلية العمل الخالية من المراسي تعني أن المطورين يقضون وقتًا أقل في تشغيل خوارزميات التجميع للعثور على أحجام المراسي المثلى لبياناتهم الخاصة. لكن بوصفه بنية أقدم صُممت دون التطورات الحديثة في الانتباه الذاتي أو مسارات التدرج، فهو لا يضاهي كفاءة المعلمات في الشبكات الأحدث. كما يفتقر إلى الدعم الأصلي للمهام المتقدمة، مثل تقسيم المثيلات وتقدير الوضعية، ضمن واجهة API موحدة.
تعرّف على مزيد من المعلومات عن YOLOX
YOLOv9: تعظيم معلومات التدرج#
في عام 2024، قدم YOLOv9 نهجًا قائمًا على النظرية لمعالجة مشكلة عنق الزجاجة المعلوماتية 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 تساعد على منع فقدان المعلومات الدلالية المهمة أثناء مرورها عبر طبقات متعددة من الشبكة. وبالاقتران مع شبكة تجميع الطبقات الفعالة المعممة (GELAN)، يحقق YOLOv9 نسبة قوية بين عدد المعلمات والدقة. ويسمح ذلك للنموذج بالاحتفاظ بتدرجات دقيقة لتحديث الأوزان، مما يجعله فعالًا حتى في إصداراته خفيفة الوزن.
نقاط القوة والقيود#
يحقق YOLOv9 دقة عالية للنموذج، مع درجات mAP قوية على COCO تجعله شائعًا بين الباحثين. ولكن رغم كفاءته، لا يزال YOLOv9 يعتمد على كبت غير الأقصى (NMS) التقليدي للمعالجة اللاحقة، مما يضيف زمن استجابة متغيرًا أثناء الاستدلال. وبالنسبة للمهندسين الذين يركزون على نشر الذكاء الاصطناعي على الأجهزة الطرفية، فإن إدارة منطق NMS تزيد تعقيد خط 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) | mAPval50-95 | 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 يحقق دقة أعلى مع أعداد متقاربة من المعلمات، ينبغي للمطورين الباحثين عن أفضل توازن بين السرعة والدقة وسهولة الاستخدام مراعاة أحدث التطورات من Ultralytics.
ميزة Ultralytics: تعرّف على YOLO26#
على الرغم من أن تقييم النماذج التاريخية مثل YOLOX وYOLOv9 يوفر سياقًا مفيدًا، فإن نموذج Ultralytics الموصى به حاليًا هو Ultralytics YOLO26، الذي صدر في يناير 2026، ويعيد تصميم خط معالجة الاكتشاف لبيئات الإنتاج الحديثة.
ابتكارات البنية#
يعالج YOLO26 اختناقات المعالجة اللاحقة في أسلافه من خلال تصميم شامل اختياري خالٍ من NMS (nms=False)، مما يبسّط النشر على مختلف الأجهزة. كما يزيل YOLO26 خسارة التركيز التوزيعي (DFL) لتبسيط التصدير، ويضم مُحسِّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي وMuon، لتحقيق تدريب أكثر استقرارًا.
للمطورين الذين ينشرون في بيئات محدودة الموارد مثل Raspberry Pi، يحقق YOLO26n زيادة تصل إلى 43% في سرعة الاستدلال على CPU مقارنةً بـ YOLO11n. كما يقدم ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة)، مما يحسّن اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية وتحليلات الطائرات المسيّرة.
منظومة تطوير مبسطة#
على خلاف مستودعات الأبحاث المستقلة، توفر منظومة Ultralytics تجربة تطوير مبسطة. باستخدام واجهة Python البرمجية من Ultralytics، يستطيع المهندسون تقليل الشيفرة النمطية بدرجة كبيرة، كما يتيح الاستخدام الأمثل للذاكرة تدريب نماذج متينة بذاكرة GPU VRAM أقل من البنى كثيفة 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 الاكتشاف، يدعم YOLO26 مهامًا عديدة ضمن الإطار نفسه. سواء أكنت تحتاج إلى مربعات إحاطة موجّهة (OBB) دقيقة للتصوير بالأقمار الصناعية أو أقنعة بكسلية دقيقة لتحليل الصور الطبية، يظل سير العمل كما هو. أما الفرق التي تعتمد على سير عمل الجيل السابق، فيتوفر لها أيضًا Ultralytics YOLO11 مع دعم كامل.
حالات الاستخدام المثالية واستراتيجيات النشر#
يعتمد اختيار البنية المناسبة على بيئة النشر المستهدفة ومتطلبات المشروع.
الحوسبة الطرفية والروبوتات#
قد يؤدي الاعتماد على نماذج تتطلب معالجة لاحقة مكثفة إلى الإضرار بأداء الأجهزة منخفضة الطاقة. ورغم صغر YOLOX-Nano الشديد، فإن دقته غالبًا ما تكون غير كافية للمهام الحساسة للسلامة. ويُعد YOLO26 الخيار الأقوى هنا؛ إذ يتيح الرأس الخالي من DFL والاستدلال الاختياري الخالي من NMS تشغيله بسلاسة على خيوط CPU، مما يجعله مناسبًا للروبوتات الذاتية أو إدارة مواقف السيارات الذكية.
التقييم الأكاديمي المعياري#
إذا كان الهدف الوحيد هو تحليل تدفق التدرج ودراسة اختناقات الشبكات العميقة، يظل YOLOv9 موضوعًا ممتازًا للدراسة. يوفر إطار PGI فيه رؤى مفيدة حول كيفية الحفاظ على السمات عبر طبقات الشبكات العصبية العميقة، مما يجعله أداة قيّمة للباحثين الجامعيين الذين يستكشفون النظرية الالتفافية.
تحليلات الفيديو للمؤسسات#
في مهام معالجة الفيديو واسعة النطاق، مثل أنظمة إنذار الأمن أو مراقبة حركة المرور، تُعد السرعة وإمكانات التصدير المتنوعة أمرين أساسيين. تتيح أدوات التصدير الأصلية التي يوفرها إطار Ultralytics للفرق تجميع YOLO26 مباشرةً إلى TensorRT أو OpenVINO بأمر واحد، مما يقلل الوقت اللازم للوصول إلى السوق.
تستطيع فرق التعلم الآلي، باستخدام منظومة Ultralytics، تجنب تعقيدات قواعد الشيفرة البحثية الخام والتركيز مباشرةً على بناء تطبيقات ذكاء اصطناعي قابلة للتوسع وواقعية.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.