Ultralytics YOLO27:
Get Started

YOLO26 مقابل YOLOv7#

شهد تطور اكتشاف الأجسام الآني محطات عديدة، ويمثل كل من Ultralytics YOLO26 وYOLOv7 قفزتين مهمتين في قدرات الرؤية الحاسوبية. فبينما قدّم YOLOv7 منهجية «حزمة المزايا المجانية» القوية التي أعادت تعريف معايير الدقة في عام 2022، تتصدر بنية YOLO26 الصادرة حديثًا تحسينات الحافة أولًا والمعالجة الأصلية الشاملة من البداية إلى النهاية وديناميكيات التدريب المستقرة المستوحاة من ابتكارات نماذج اللغة الكبيرة (LLM).

تُقارن هذه الدراسة المتعمقة بين البنيتين، وتحلل مقاييس الأداء والفروق البنيوية وسيناريوهات النشر المثالية، لمساعدة مهندسي التعلّم الآلي على اتخاذ قرارات مدروسة بشأن مشروعهم التالي في مجال الذكاء الاصطناعي للرؤية.

خلفية النموذج وتفاصيله#

قبل فحص بيانات الأداء، من المهم فهم أصول كل نموذج وأهدافه الرئيسية.

Ultralytics YOLO26#

YOLOv7#

تعرّف على المزيد عن YOLOv7

نماذج بديلة جديرة بالنظر

إذا كنت تستكشف المنظومة الأوسع، فقد يهمك أيضًا YOLO11 لعمليات النشر متعددة المهام والمتوازنة للغاية، أو RT-DETR القائم على Transformer للكشف المعتمد على التسلسلات. تجدر الإشارة إلى أن النماذج الأقدم مثل YOLOv8 وYOLOv5 لا تزال مدعومة بالكامل على منصة Ultralytics للتكامل مع الأنظمة القديمة.

تحليل معمّق للبنية#

تختلف الفلسفات البنيوية وراء YOLO26 وYOLOv7 اختلافًا كبيرًا، بما يعكس التحول من تعظيم أداء وحدات GPU المتطورة إلى تحسين النشر السلس على الحافة من البداية إلى النهاية.

YOLO26: نهج الحافة أولًا#

صدر YOLO26 في عام 2026، وأعاد التفكير جذريًا في مسار النشر. ويتمثل أبرز اختراقاته في التصميم الشامل الخالي من NMS. فمن خلال إزالة المعالجة اللاحقة الخاصة بـقمع غير الأقصى (NMS)، يقلل YOLO26 بدرجة كبيرة من تباين زمن الاستجابة، وهو مفهوم اختُبر بنجاح لأول مرة في YOLOv10. ويضمن ذلك معدلات إطارات ثابتة حتى في المشاهد المكتظة، وهو أمر بالغ الأهمية للروبوتات ذاتية التشغيل ورصد حركة المرور.

علاوة على ذلك، يزيل YOLO26 خسارة التوزيع البؤري (DFL) بالكامل. وتسهّل إزالة DFL عملية التصدير إلى تنسيقات مثل ONNX وApple CoreML، مع تحقيق استدلال أسرع بنسبة تصل إلى 43% على وحدة CPU.

يُعد استقرار التدريب محورًا رئيسيًا آخر. إذ يتيح إدخال محسّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي التقليدي وMuon (المستوحى من ديناميكيات تدريب Kimi K2)، نقل استقرار التدريب المتقدم لنماذج LLM إلى الرؤية الحاسوبية. وبالاقتران مع دوال الخسارة ProgLoss + STAL، يتفوق YOLO26 في التعرّف على الأجسام الصغيرة، وهو تحدٍ تاريخي أمام كواشف الأجسام الآنية.

YOLOv7: إتقان حزمة المزايا المجانية#

بُني YOLOv7 استنادًا إلى دراسة مستفيضة لتحسين مسارات التدرج. ويتمثل ابتكاره الأساسي في شبكة تجميع الطبقات الفعّالة الموسعة (E-ELAN)، التي تتيح للنموذج تعلّم ميزات أكثر تنوعًا من دون الإخلال بمسارات التدرج الأصلية.

تعتمد بنية YOLOv7 أيضًا اعتمادًا كبيرًا على تقنيات إعادة المعلمات أثناء الاستدلال، إذ تدمج الطبقات فعليًا لتعزيز السرعة من دون التضحية بتمثيلات الميزات الغنية التي تعلّمها النموذج أثناء التدريب. ورغم قوة هذا النهج على وحدات معالجة الرسومات الخادمة القياسية من NVIDIA TensorRT، فإنه يظل معتمدًا على رؤوس كشف تستند إلى المراسي وNMS التقليدي، ما قد يعرقل النشر على الأجهزة منخفضة الطاقة.

مقارنة الأداء#

يوفر الجدول أدناه مقارنة مباشرة بين النماذج المدرّبة على مجموعة بيانات COCO القياسية. ويحقق YOLO26 تحسينات كبيرة في الدقة (mAP) مع الحفاظ على توازن استثنائي بين عدد المعلمات وFLOPs.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

ملاحظة: يتفوق YOLO26x على YOLOv7x في mAP بفارق كبير (57.5 مقابل 53.1)، مع حاجته إلى عدد أقل من المعلمات بنحو 22%.

ميزة منظومة Ultralytics#

من الأسباب الرئيسية التي تدفع المطورين باستمرار إلى اختيار YOLO26 تكامله العميق مع منصة Ultralytics. وعلى خلاف البرامج النصية المستقلة اللازمة للبنى الأقدم، توفر Ultralytics سير عمل موحدًا وسلسًا.

  1. سهولة الاستخدام: تتيح واجهة Python البرمجية للمستخدمين تحميل النماذج وتدريبها ونشرها باستخدام بضعة أسطر من التعليمات البرمجية. ولا يتطلب التصدير إلى تنسيقات الأجهزة المحمولة مثل LiteRT سوى تغيير وسيطة واحدة.
  2. متطلبات الذاكرة: صُممت نماذج Ultralytics بعناية لتحقيق كفاءة التدريب. وهي تتطلب ذاكرة CUDA أقل بكثير مقارنة بنماذج Transformer الثقيلة للرؤية، ما يتيح للباحثين تشغيل أحجام دفعات أكبر على الأجهزة المخصصة للمستهلكين.
  3. تعدد الاستخدامات: بينما يتطلب YOLOv7 مستودعات مختلفة تمامًا للمهام المختلفة، يدعم YOLO26 أصليًا تصنيف الصور وتجزئة المثيلات وتقدير الوضعية وكشف الصناديق المحيطة الموجّهة (OBB) من مكتبة واحدة متكاملة. كما يتضمن دوال خسارة خاصة بكل مهمة، مثل تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لمسارات معالجة وضعيات البشر.
  4. التطوير النشط: يقدم مجتمع المصادر المفتوحة في Ultralytics تحديثات متكررة، ما يضمن معالجة الحالات الحدّية بسرعة والتوافق المستمر مع أحدث إصدارات PyTorch.
تصدير مبسّط

نظرًا إلى أن YOLO26 لا يعتمد أصليًا على NMS، فإن التصدير باستخدام nms=False والنشر على الأنظمة المضمنة باستخدام Intel OpenVINO أو ONNX Runtime يلغي تمامًا الحاجة إلى البرامج النصية المعقدة للمعالجة اللاحقة.

حالات الاستخدام في العالم الحقيقي#

تحدد الاختلافات المعمارية بين هذه النماذج سيناريوهات النشر المثلى لكل منها.

متى تختار YOLO26#

YOLO26 هو الخيار الموصى به بلا منازع لأنظمة الرؤية الحاسوبية الحديثة والمتطلعة إلى المستقبل.

  • الذكاء الاصطناعي الطرفي وإنترنت الأشياء: بفضل استدلال CPU الأسرع بنسبة 43% وعدد المعلمات المنخفض، يُعد YOLO26n مثاليًا للأجهزة محدودة الموارد مثل Raspberry Pi أو كاميرات المدن الذكية.
  • الطائرات المسيّرة والتصوير الجوي: يؤدي تكامل ProgLoss + STAL إلى تحسين كبير في كشف الأجسام الصغيرة، ما يجعله الخيار الأمثل لفحص خطوط الأنابيب والزراعة الدقيقة.
  • الروبوتات متعددة المهام: بفضل قدرته على معالجة الصناديق المحيطة وأقنعة التجزئة والنقاط المفتاحية للوضعيات في الوقت نفسه، مع حد أدنى من استهلاك الذاكرة، فهو مناسب جدًا للملاحة والتفاعل الديناميكيين للروبوتات.

متى يُنصح بالتفكير في YOLOv7#

على الرغم من أن البنى الأحدث قد حلّت محله في الغالب، لا يزال YOLOv7 مفيدًا في حالات متخصصة بعينها.

  • المقارنة المعيارية الأكاديمية: كثيرًا ما يستخدم الباحثون الذين يطورون رؤوس كشف جديدة قائمة على المراسي أو يدرسون استراتيجيات مسارات التدرج YOLOv7 معيارًا أساسيًا للمقارنة.
  • مسارات معالجة GPU القديمة: قد تؤخر أنظمة المؤسسات التي بُنيت خصيصًا حول مخرجات الموترات المحددة لـYOLOv7 وإعدادات NMS المخصصة على مثيلات AWS EC2 P4d القوية الانتقال إلى النماذج الأحدث إلى حين الحاجة إلى إعادة هيكلة النظام بالكامل.

مثال على الشيفرة: البدء#

تبرز تجربة المطورين التباين الواضح بين مستودعات الأبحاث التقليدية ومنظومة Ultralytics. فتدريب نموذج YOLO26 مخصص سهل للغاية:

from ultralytics import YOLO

# ⁨تحميل أحدث نموذج صغير متطور من YOLO26⁩
model = YOLO("yolo26s.pt")

# ⁨تدريب النموذج على مجموعة بياناتك المخصصة مع التخزين المؤقت والتسجيل الآليين⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# ⁨إجراء تنبؤ شامل خالٍ من NMS على صورة خارجية⁩
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# ⁨تصدير النموذج المحسّن للنشر على الأجهزة الطرفية⁩
model.export(format="onnx")

أفكار ختامية#

على الرغم من أن YOLOv7 لا يزال علامة فارقة تحظى بالاحترام في تاريخ كشف الأجسام في الوقت الفعلي، فقد اتجهت الصناعة بقوة نحو نماذج تعطي الأولوية لسهولة النشر وتعدد المهام وكفاءة الأجهزة الطرفية.

بفضل توفير الاستدلال الخالي من NMS، واستحداث مُحسِّن MuSGD، والتحسين الكبير في سرعات استدلال CPU، يُعد Ultralytics YOLO26 الخيار الأمثل اليوم للمطورين ومهندسي المؤسسات. وبالاقتران مع منظومة Ultralytics القوية وسهلة الاستخدام، يقدم توازنًا لا مثيل له بين السرعة والدقة ومتعة العمل الهندسي.

المساهمون
GLglenn-jocher12

التعليقات