YOLO26 مقابل YOLOv7#
شهد تطور اكتشاف الأجسام في الوقت الفعلي العديد من المحطات، وتمثل Ultralytics YOLO26 وYOLOv7 قفزتين مهمتين في قدرات الرؤية الحاسوبية. وبينما قدّم YOLOv7 منهجية «حزمة المزايا المجانية» القوية التي أعادت تعريف معايير الدقة في عام 2022، فإن بنية YOLO26 المطروحة حديثًا تبتكر تحسينات تضع الحافة أولًا، ومعالجة أصلية من البداية إلى النهاية، وديناميكيات تدريب مستقرة مستوحاة من ابتكارات نماذج اللغة الكبيرة (LLM).
تقارن هذه الدراسة المتعمقة بين البنيتين، وتحلل مقاييس الأداء والاختلافات الهيكلية وسيناريوهات النشر المثالية لمساعدة مهندسي تعلم الآلة على اتخاذ قرارات مستنيرة لمشروعهم التالي في مجال الذكاء الاصطناعي للرؤية.
خلفية النموذج وتفاصيله#
قبل فحص بيانات الأداء، من المهم فهم أصول كل نموذج وأهدافه الأساسية.
Ultralytics YOLO26#
- المؤلفان: Glenn Jocher وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics
- الوثائق: وثائق YOLO26
YOLOv7#
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- Arxiv: ورقة YOLOv7
- GitHub: مستودع YOLOv7
إذا كنت تستكشف المنظومة الأوسع، فقد تهتم أيضًا بـ YOLO11 لعمليات النشر متعددة المهام المتوازنة للغاية، أو بـ RT-DETR القائم على Transformer لاكتشاف الأجسام المستند إلى التسلسلات. تجدر الإشارة إلى أن النماذج الأقدم مثل YOLOv8 وYOLOv5 تظل مدعومة بالكامل على منصة Ultralytics للتكامل مع الأنظمة القديمة.
تحليل معماري متعمق#
تتباين الفلسفات المعمارية وراء YOLO26 وYOLOv7 تباينًا كبيرًا، بما يعكس الانتقال من تعظيم أداء GPU المتقدم إلى التحسين من أجل النشر السلس من البداية إلى النهاية على الأجهزة الطرفية.
YOLO26: نموذج الحافة أولًا#
أُطلق YOLO26 في عام 2026، ويعيد التفكير جذريًا في مسار النشر. ويتمثل أبرز إنجازاته في تصميم من البداية إلى النهاية بلا NMS. فمن خلال إلغاء المعالجة اللاحقة لـ الكبت غير الأقصى (NMS)، يقلل YOLO26 بدرجة كبيرة من تباين زمن الاستجابة، وهو مفهوم جرى تطبيقه تجريبيًا بنجاح لأول مرة في YOLOv10. ويضمن ذلك معدلات إطارات متسقة حتى في المشاهد المكتظة، وهو أمر بالغ الأهمية للروبوتات الذاتية ومراقبة حركة المرور.
علاوة على ذلك، يزيل YOLO26 تمامًا خسارة التركيز التوزيعية (DFL). ويبسّط هذا إزالة DFL عملية التصدير إلى تنسيقات مثل ONNX وApple CoreML، محققًا استدلالًا أسرع بنسبة تصل إلى 43% على CPU.
استقرار التدريب محور رئيسي آخر. إذ يضيف مُحسِّن MuSGD—وهو مزيج هجين من الانحدار المتدرج العشوائي القياسي وMuon، المستوحى من ديناميكيات تدريب Kimi K2—استقرارًا متقدمًا لتدريب نماذج اللغة الكبيرة إلى مجال الرؤية الحاسوبية. وبالاقتران مع دوال الخسارة ProgLoss + STAL، يتفوق YOLO26 في التعرّف على الأجسام الصغيرة، وهو تحدٍ تاريخي لكاشفات الأجسام في الوقت الفعلي.
YOLOv7: إتقان حزمة المزايا المجانية#
بُني YOLOv7 على دراسة شاملة لتحسين مسارات التدرج. ويتمثل ابتكاره الأساسي في شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، التي تتيح للنموذج تعلم ميزات أكثر تنوعًا دون إرباك مسارات التدرج الأصلية.
تعتمد بنية YOLOv7 أيضًا بدرجة كبيرة على تقنيات إعادة المعلمة أثناء الاستدلال، إذ تدمج الطبقات أساسًا لتعزيز السرعة دون التضحية بتمثيلات الميزات الغنية التي تعلّمها النموذج أثناء التدريب. وعلى الرغم من قوة هذا النهج على خوادم NVIDIA TensorRT المزودة بـ GPU، فإنه لا يزال يعتمد على رؤوس اكتشاف تستند إلى المراسي وعلى NMS التقليدي، ما قد يسبب تعقيدات في النشر على الأجهزة منخفضة الطاقة.
مقارنة الأداء#
يوفر الجدول أدناه مقارنة مباشرة بين النموذجين المدرّبين على مجموعة بيانات COCO القياسية. ويُظهر YOLO26 تحسينات كبيرة في الدقة (mAP)، مع الحفاظ على توازن استثنائي بين عدد المعلمات وFLOPs.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
ملاحظة: يتفوق YOLO26x على YOLOv7x في mAP بهامش كبير (57.5 مقابل 53.1)، مع حاجته إلى عدد معلمات أقل بنحو 22% تقريبًا.
ميزة منظومة Ultralytics#
أحد الأسباب الرئيسية التي تدفع المطورين إلى اختيار YOLO26 باستمرار هو تكامله العميق مع منصة Ultralytics. فعلى خلاف البرامج النصية المستقلة المطلوبة للبنى الأقدم، توفر Ultralytics سير عمل موحدًا وسلسًا.
- سهولة الاستخدام: تتيح Python API للمستخدمين تحميل النماذج وتدريبها ونشرها في بضعة أسطر من التعليمات البرمجية فقط. ولا يتطلب التصدير إلى تنسيقات الأجهزة المحمولة مثل TensorFlow Lite سوى تغيير وسيطة واحدة.
- متطلبات الذاكرة: صُممت نماذج Ultralytics بعناية لتحقيق كفاءة التدريب. فهي تتطلب قدرًا أقل بكثير من ذاكرة CUDA مقارنةً بنماذج Transformer الثقيلة للرؤية، ما يتيح للباحثين تشغيل أحجام دفعات أكبر على العتاد الاستهلاكي.
- تعدد الاستخدامات: بينما يتطلب YOLOv7 مستودعات مختلفة تمامًا للمهام المختلفة، يدعم YOLO26 أصلًا تصنيف الصور وتقسيم الكائنات وتقدير الوضعية واكتشاف الصندوق المحيط الموجّه (OBB) من مكتبة واحدة متماسكة. كما يتضمن دوال خسارة خاصة بالمهام، مثل تقدير اللوغاريتم الاحتمالي المتبقي (RLE) لمسارات وضعية الإنسان.
- التطوير النشط: يوفر مجتمع Ultralytics مفتوح المصدر تحديثات متكررة، ما يضمن الحل السريع للحالات الحدية والتوافق المستمر مع أحدث إصدارات PyTorch.
نظرًا إلى أن YOLO26 خالٍ أصلًا من NMS، فإن النشر على الأهداف المضمّنة باستخدام Intel OpenVINO أو ONNX Runtime يلغي نصوص المعالجة اللاحقة المعقدة بالكامل.
حالات الاستخدام الواقعية#
تحدد الاختلافات المعمارية بين هذين النموذجين سيناريوهات النشر المثالية لهما.
متى تختار YOLO26#
يُعد YOLO26 التوصية الأبرز بلا منازع لأنظمة الرؤية الحاسوبية الحديثة ذات التوجه المستقبلي.
- الذكاء الاصطناعي الطرفي وإنترنت الأشياء: بفضل استدلاله الأسرع على CPU بنسبة 43% وعدد معلماته الخفيف، يُعد YOLO26n مثاليًا للأجهزة محدودة الموارد مثل Raspberry Pi أو كاميرات المدن الذكية.
- الطائرات المسيّرة والصور الجوية: يحسّن تكامل ProgLoss + STAL اكتشاف الأجسام الصغيرة بدرجة كبيرة، ما يجعله الخيار الأبرز لفحص خطوط الأنابيب والزراعة الدقيقة.
- الروبوتات متعددة المهام: نظرًا إلى قدرته على التعامل بسهولة مع الصناديق المحيطة وأقنعة التقسيم ونقاط مفاتيح الوضعية في الوقت نفسه مع حد أدنى من الحمل على الذاكرة، فإنه ملائم للغاية للملاحة الروبوتية والتفاعل الديناميكيين.
متى ينبغي التفكير في YOLOv7؟#
على الرغم من استبداله في الغالب ببنى أحدث، لا يزال YOLOv7 يحتفظ بفوائد متخصصة محددة.
- المقارنة المعيارية الأكاديمية: يستخدم الباحثون الذين يطوّرون رؤوس اكتشاف جديدة تستند إلى المراسي أو يدرسون استراتيجيات مسارات التدرج YOLOv7 كثيرًا كخط أساس قياسي للمقارنة على منصات مثل Papers With Code.
- مسارات GPU القديمة: قد تؤجل أنظمة المؤسسات التي بُنيت خصيصًا حول مخرجات Tensor الخاصة بـ YOLOv7 وتكوينات NMS المخصصة على مثيلات AWS EC2 P4d القوية الانتقال إلى النماذج الأحدث إلى أن تصبح إعادة هيكلة النظام بالكامل ضرورية.
مثال برمجي: البدء#
تبرز تجربة المطور التباين الواضح بين مستودعات الأبحاث القياسية ومنظومة Ultralytics. ويُعد تدريب نموذج YOLO26 مخصص أمرًا مباشرًا للغاية:
from ultralytics import YOLO
# Load the latest state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")
# Train the model on your custom dataset with automated caching and logging
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")
# Perform an end-to-end NMS-free prediction on an external image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export the optimized model for edge deployment
model.export(format="onnx")أفكار ختامية#
على الرغم من أن YOLOv7 لا يزال محطة مهمة تحظى بالاحترام في تاريخ اكتشاف الأجسام في الوقت الفعلي، فقد انتقلت الصناعة بقوة نحو نماذج تعطي الأولوية لبساطة النشر وتعدد استخدامات المهام وكفاءة الأجهزة الطرفية.
من خلال إلغاء NMS وإدخال مُحسِّن MuSGD وتحسين سرعات الاستدلال على CPU بدرجة كبيرة، يقف Ultralytics YOLO26 اليوم بوصفه الخيار الحاسم للمطورين ومهندسي المؤسسات. وبالاقتران مع منظومة Ultralytics القوية وسهلة الاستخدام، فإنه يوفر توازنًا لا مثيل له بين السرعة والدقة ومتعة الهندسة.