YOLO26 مقابل YOLOv7: تطور اكتشاف الكائنات في الوقت الفعلي
يتطور مشهد الرؤية الحاسوبية بسرعة، ويعد اختيار النموذج المناسب لتطبيقك أمرًا بالغ الأهمية لتحقيق التوازن بين السرعة والدقة وسهولة النشر. تقدم هذه الصفحة مقارنة فنية بين YOLO26، أحدث نموذج متطور من Ultralytics، و YOLOv7، وهو نموذج قديم يحظى بتقدير كبير تم إصداره في عام 2022.
بينما قدم YOLOv7 ابتكارات معمارية مهمة مثل E-ELAN، يمثل YOLO26 نقلة نوعية نحو الكفاءة الشاملة، والاستدلال الأصلي الخالي من NMS، والنشر السلس على الأجهزة الطرفية. أدناه، نحلل بنيتهما المعمارية ومقاييس الأداء وحالات الاستخدام المثالية لمساعدتك في تحديد الإطار الذي يناسب احتياجاتك.
مقارنة مقاييس الأداء
يسلط الجدول التالي الضوء على اختلافات الأداء بين البنيتين المعماريتين. يُظهر YOLO26 كفاءة فائقة، لا سيما في بيئات CPU حيث يتألق تصميمه المحسّن.
| النموذج | الحجم (بالبكسل) | mAPval 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (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 |
YOLO26: المعيار الجديد في الكفاءة
YOLO26، الذي أصدرته Ultralytics في يناير 2026، يبني على النظام البيئي القوي الذي أرسته الإصدارات السابقة مثل YOLO11. صممه غلين جوشر وجينغ كيو، ويقدم العديد من التقنيات الرائدة التي تهدف إلى تبسيط مسار عمليات تعلم الآلة (MLOps) وتعزيز الاستدلال على الأجهزة الطرفية.
الابتكارات المعمارية الرئيسية
الميزة المميزة لـ YOLO26 هي تصميمه الشامل الخالي من NMS. على عكس الكاشفات التقليدية التي تتطلب قمع غير الحد الأقصى (NMS) لتصفية مربعات الإحاطة المكررة، يتم تدريب YOLO26 لإخراج الاكتشاف النهائي مباشرة. هذا يلغي خطوة معالجة لاحقة مكلفة حسابيًا، مما يؤدي إلى زمن استجابة أقل وأوقات استدلال محددة.
بالإضافة إلى ذلك، يتميز YOLO26 بـ إزالة DFL. من خلال إزالة وحدة Distribution Focal Loss، يتم تبسيط بنية النموذج. هذا التغيير حاسم لتوافق التصدير، مما يسهل بشكل كبير نشر النماذج بتنسيقات مثل ONNX أو CoreML لتطبيقات الهاتف المحمول.
استقرار التدريب
يدمج YOLO26 مُحسِّن MuSGD، وهو نهج هجين يجمع بين الانحدار العشوائي المتدرج (Stochastic Gradient Descent) و Muon، مستوحى من الابتكارات في تدريب نماذج اللغة الكبيرة (LLM) من Moonshot AI. هذا يجلب استقرار تدريب المحولات إلى الرؤية الحاسوبية.
الأداء وحالات الاستخدام
مع سرعة استدلال على CPU أسرع بنسبة تصل إلى 43% مقارنة بالأجيال السابقة، يعد YOLO26 الخيار الأمثل للتطبيقات التي تفتقر إلى وحدات معالجة رسوميات (GPUs) قوية، مثل أنظمة الأمان القائمة على Raspberry Pi أو الواقع المعزز المتنقل. يضمن دمج ProgLoss و STAL (تخصيص التسميات الواعي للأهداف الصغيرة) أنه على الرغم من سرعته، فإنه يتفوق في اكتشاف الكائنات الصغيرة، وهو تحدٍ شائع في صور الطائرات بدون طيار وتحليل الأقمار الصناعية.
YOLOv7: إرث "مجموعة من المجانيات"
YOLOv7، الذي ألفه تشين-ياو وانغ، وأليكسي بوشكوفسكي، وهونغ-يوان مارك لياو، تم إصداره في يوليو 2022. عند إطلاقه، وضع معايير جديدة للسرعة والدقة. يمكنك قراءة البحث الأصلي في ورقتهم البحثية على Arxiv.
البنية المعمارية والمنهجية
قدم YOLOv7 شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تسمح هذه البنية المعمارية للنموذج بتعلم ميزات أكثر تنوعًا عن طريق التحكم في أقصر وأطول مسارات التدرج. وقد استخدمت بكثافة "مجموعة من المجانيات" — وهي طرق تدريب تزيد من الدقة دون زيادة تكلفة الاستدلال — مثل إعادة المعايرة وتدريب الرأس المساعد.
الوضع الحالي
بينما يظل YOLOv7 نموذجًا قادرًا، فإنه يعتمد على الكشف القائم على المراسي ويتطلب معالجة NMS اللاحقة. في سيناريوهات الاستدلال في الوقت الفعلي الحديثة، يؤدي هذا إلى زيادة في زمن الاستجابة التي نجحت النماذج الأحدث مثل YOLO26 في التخلص منها. علاوة على ذلك، فإن دعم نظامه البيئي أقل تكاملاً مقارنة بالأدوات السلسة التي توفرها حزمة Ultralytics.
مقارنة فنية تفصيلية
سرعة الاستدلال وكفاءة الموارد
أحد أهم الاختلافات يكمن في متطلبات الذاكرة والحساب. تم تحسين YOLO26 لـ تكميم النموذج، ويدعم نشر INT8 بأقل قدر من فقدان الدقة. تعني إزالة DFL والرأس الخالي من NMS أن YOLO26 يستهلك ذاكرة أقل أثناء الاستدلال، مما يجعله أكثر تنوعًا بكثير لأجهزة إنترنت الأشياء الصناعي (IIoT).
في المقابل، يعني اعتماد YOLOv7 على NMS أن وقت الاستدلال يمكن أن يتقلب اعتمادًا على عدد الكائنات في المشهد (حيث يتناسب NMS مع عدد الاكتشافات)، بينما يقدم YOLO26 توقيتًا أكثر اتساقًا وتحديدًا.
التنوع ودعم المهام
يسمح النظام البيئي لـ Ultralytics للمستخدمين بالتبديل بين المهام بسلاسة. بينما يُعرف YOLOv7 بشكل أساسي بـ detect (مع توفر بعض فروع تقدير الوضع في تطبيقات منفصلة)، يقدم YOLO26 إطار عمل موحدًا.
- YOLO26: يدعم بشكل أصلي اكتشاف الكائنات، تجزئة الكائنات، تقدير الوضع، مربع الإحاطة الموجه (obb)، و التصنيف.
- YOLOv7: اكتشاف الكائنات بشكل أساسي.
سهولة الاستخدام والنظام البيئي
تولي Ultralytics الأولوية لتجربة المطورين. يتطلب تدريب نموذج YOLO26 بضعة أسطر فقط من كود python، بينما تعتمد النماذج القديمة غالبًا على نصوص shell المعقدة وملفات التكوين.
from ultralytics import YOLO
# Load a pretrained YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")
# Train on a custom dataset with a single command
model.train(data="coco8.yaml", epochs=100)
يمتد هذا التكامل إلى منصة Ultralytics، التي تبسط إدارة البيانات والتدريب السحابي، وتتميز بـ وثائق شاملة يتم تحديثها باستمرار من قبل المجتمع.
الخلاصة
عند مقارنة YOLO26 مقابل YOLOv7، يعتمد الاختيار على مرحلة دورة حياة مشروعك. إذا كنت تحتفظ بقاعدة تعليمات برمجية قديمة تم إنشاؤها حوالي عام 2022، يظل YOLOv7 خيارًا صالحًا. ومع ذلك، لأي تطوير جديد، يعد YOLO26 الخيار الأفضل.
يقدم YOLO26 بنية حديثة أسرع وأصغر وأسهل في التدريب. يحل تصميمها الخالي من NMS مشكلات النشر طويلة الأمد، ويضمن مُحسِّن MuSGD تقاربًا قويًا للتدريب. باختيار Ultralytics، يمكنك أيضًا الوصول إلى نظام بيئي مزدهر وأدوات تسرع وقت وصولك إلى السوق.
قد يفكر المطورون المهتمون باستكشاف بنيات حديثة أخرى أيضًا في YOLO11 أو YOLOE لمهام المفردات المفتوحة المحددة.