في هذا التقرير، نقدّم بعض التحسينات المبنية على الخبرة المكتسبة في سلسلة YOLO، مما أدى إلى تطوير كاشف عالي الأداء جديد يُدعى YOLOX. قمنا بتحويل كاشف YOLO إلى نمط خالٍ من المفاتيح (anchor-free)، وتطبيق تقنيات متقدمة أخرى، مثل رأس منفصل (decoupled head) واستراتيجية تعيين التسميات الرائدة SimOTA، لتحقيق نتائج متميزة على نطاق واسع من النماذج: بالنسبة لـ YOLO-Nano الذي يحتوي فقط على 0.91 مليون معلمة و1.08 غيغافلوب، نحصل على 25.3% AP على مجموعة بيانات COCO، متفوّقًا على NanoDet بنسبة 1.8% AP؛ أما بالنسبة لـ YOLOv3، أحد أكثر الكاشفات استخدامًا في الصناعة، فقد قمنا بتحديثه ليحقق 47.3% AP على COCO، متفوّقًا على أفضل الممارسات الحالية بنسبة 3.0% AP؛ وبالنسبة لنموذج YOLOX-L الذي يمتلك عدد معلمات مشابهًا لـ YOLOv4-CSP وYOLOv5-L، نحقق 50.0% AP على COCO بسرعة 68.9 إطارًا في الثانية على وحدة معالجة Tesla V100، متفوّقًا على YOLOv5-L بنسبة 1.8% AP. علاوة على ذلك، حصلنا على المركز الأول في مسابقة التعرف على التدفق (Streaming Perception Challenge) ضمن ورشة عمل القيادة الذاتية في مؤتمر CVPR 2021 باستخدام نموذج YOLOX-L وحيدًا. نأمل أن يقدّم هذا التقرير خبرات مفيدة للمطورين والباحثين في السياقات العملية، ونقدم أيضًا إصدارات قابلة للنشر مدعومة بـ ONNX وTensorRT وNCNN وOpenVINO. يمكن الوصول إلى الكود المصدري من خلال الرابط التالي: https://github.com/Megvii-BaseDetection/YOLOX.