YOLO26 مقابل YOLOv7
شهد اكتشاف الأجسام في الوقت الفعلي محطات بارزة عديدة، ويُعد كل من Ultralytics YOLO26 وYOLOv7 من أبرزها. قدّم YOLOv7 منهجية «bag-of-freebies» التي أرست معايير جديدة للدقة في عام 2022، بينما يضيف YOLO26 تحسينات تعطي الأولوية للأجهزة الطرفية، واستدلالًا اختياريًا من البداية إلى النهاية، وديناميكيات تدريب مستقرة مستوحاة من تدريب نماذج اللغة الكبيرة (LLM).
تقارن هذه الصفحة بين هاتين البنيتين، وتحلل مقاييس الأداء والاختلافات الهيكلية وسيناريوهات النشر المثالية، لمساعدة مهندسي تعلّم الآلة على اتخاذ قرارات مستنيرة بشأن مشروع الذكاء الاصطناعي للرؤية التالي.
خلفية النموذج وتفاصيله#
قبل فحص بيانات الأداء، من المهم فهم أصول كل نموذج وأهدافه الرئيسية.
Ultralytics YOLO26#
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: مستودع Ultralytics
- الوثائق: وثائق YOLO26
YOLOv7#
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- arXiv: ورقة YOLOv7
- GitHub: مستودع YOLOv7
تحليل معمّق للبنية#
تختلف الفلسفات المعمارية وراء YOLO26 وYOLOv7 اختلافًا كبيرًا، بما يعكس التحول من تعظيم أداء وحدات GPU المتطورة إلى التحسين للنشر الطرفي من البداية إلى النهاية.
YOLO26: تصميم يضع الأجهزة الطرفية في المقام الأول#
أُطلق YOLO26 في يناير 2026، وأعاد التفكير في مسار النشر. ويتمثل أبرز تغيير فيه في التصميم الخالي من NMS من البداية إلى النهاية. فمن خلال تخطي المعالجة اللاحقة لقمع غير الأعظميات (NMS) باستخدام الرأس الاختياري واحد إلى واحد (nms=False)، يقلل YOLO26 تفاوت زمن الاستجابة؛ وهو مفهوم طُرح أول مرة في YOLOv10. ويضمن ذلك معدلات إطارات ثابتة حتى في المشاهد المكتظة، وهو أمر بالغ الأهمية للروبوتات ذاتية التشغيل ورصد حركة المرور.
يزيل YOLO26 أيضًا خسارة البؤرة التوزيعية (DFL). ويبسّط إزالة DFL عملية التصدير إلى تنسيقات مثل ONNX وApple CoreML، كما يساعد YOLO26n على تحقيق استدلال أسرع على CPU بنسبة تصل إلى 43% مقارنةً بـ YOLO11n.
يُعد استقرار التدريب محورًا رئيسيًا آخر. فإدخال محسّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي القياسي وMuon (المستوحى من ديناميكيات تدريب Kimi K2)، ينقل استقرار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية. وبالاقتران مع ProgLoss + STAL (الخسارة التدريجية وإسناد التسميات الواعي بالأهداف الصغيرة)، يحسّن YOLO26 التعرّف على الأجسام الصغيرة، وهو تحدٍ مستمر للنماذج الكاشفة الآنية.
YOLOv7: مجموعة مزايا قابلة للتدريب#
بُني YOLOv7 استنادًا إلى دراسة تفصيلية لتحسين مسارات التدرج. ويتمثل ابتكاره الأساسي في شبكة تجميع الطبقات الفعّالة الممتدة (E-ELAN)، التي تتيح للنموذج تعلّم ميزات أكثر تنوعًا دون الإخلال بمسارات التدرج الأصلية.
تعتمد بنية YOLOv7 أيضًا 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 كفاءته على خوادم NVIDIA TensorRT القياسية المزودة بوحدات GPU، فإنه لا يزال يعتمد على رؤوس كشف قائمة على المراسي وعلى NMS التقليدي، ما قد يصعّب النشر على الأجهزة منخفضة الطاقة.
مقارنة الأداء#
يوفر الجدول أدناه مقارنة مباشرة للنماذج المدرّبة على مجموعة بيانات COCO القياسية. يحسّن YOLO26 الدقة (mAP) باستخدام عدد أقل من المعلمات وعمليات FLOPs؛ فعلى سبيل المثال، يحقق YOLO26l مقدار 55.0 mAP مقابل 51.4 لـ YOLOv7l، مع 24.8M مقابل 36.9M معلمة.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 (57.5 مقابل 53.1)، مع حاجته إلى معلمات أقل بنحو 22%.
ميزة منظومة Ultralytics#
من الأسباب الرئيسية لاختيار المطوّرين YOLO26 تكامله مع منصة Ultralytics. وعلى خلاف البرامج النصية المستقلة اللازمة للبنى الأقدم، توفر Ultralytics سير عمل موحدًا.
- سهولة الاستخدام: تتيح واجهة Python API للمستخدمين تحميل النماذج وتدريبها ونشرها باستخدام بضعة أسطر من التعليمات البرمجية. ولا يتطلب التصدير إلى تنسيقات الهواتف المحمولة مثل LiteRT سوى تغيير وسيطة واحدة.
- متطلبات الذاكرة: صُممت نماذج Ultralytics لتحقيق كفاءة التدريب. وتتطلب عادةً ذاكرة CUDA أقل من نماذج Transformer للرؤية الحاسوبية الضخمة، ما يتيح للباحثين تشغيل أحجام دفعات أكبر على الأجهزة الاستهلاكية.
- تعدد الاستخدامات: بينما يستخدم YOLOv7 فروعًا برمجية منفصلة لمهام مختلفة، يدعم YOLO26 أصليًا تجزئة المثيلات والتجزئة الدلالية وتقدير العمق وتصنيف الصور وتقدير الوضعية واكتشاف الصناديق المحيطة الموجّهة (OBB) من مكتبة واحدة. ويتضمن أيضًا دوال خسارة خاصة بكل مهمة، مثل تقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لخطوط معالجة الوضعية البشرية.
- التطوير النشط: يوفّر مجتمع Ultralytics مفتوح المصدر تحديثات متكررة، مع إصلاحات سريعة للحالات الطرفية واستمرار التوافق مع أحدث إصدارات PyTorch.
يستخدم YOLO26 افتراضيًا الرأس واحد إلى متعدد مع NMS لتحقيق الدقة. ويؤدي التصدير باستخدام nms=False إلى اختيار الرأس الخالي من NMS، لذا لا يتطلب النشر على الأنظمة المضمّنة باستخدام Intel OpenVINO أو ONNX Runtime برنامجًا نصيًا منفصلًا للمعالجة اللاحقة باستخدام NMS.
حالات الاستخدام في العالم الحقيقي#
تحدد الاختلافات المعمارية بين هذه النماذج سيناريوهات النشر المثالية لكل منها.
متى تختار YOLO26#
يُوصى باستخدام YOLO26 للأنظمة الجديدة في مجال الرؤية الحاسوبية.
- الذكاء الاصطناعي الطرفي وإنترنت الأشياء: بفضل سرعة الاستدلال على CPU وانخفاض عدد المعلمات، يناسب YOLO26n الأجهزة محدودة الموارد مثل Raspberry Pi أو كاميرات المدن الذكية.
- الطائرات المسيّرة والصور الجوية: يحسّن دمج ProgLoss + STAL اكتشاف الأجسام الصغيرة، ما يجعله مناسبًا لفحص خطوط الأنابيب والزراعة الدقيقة.
- الروبوتات متعددة المهام: بفضل قدرته على معالجة الصناديق المحيطة وأقنعة التجزئة والنقاط المفتاحية للوضعية ضمن إطار عمل واحد مع استهلاك منخفض للذاكرة، فهو مناسب للملاحة والتفاعل الروبوتيين الديناميكيين.
متى يُنصح بالتفكير في YOLOv7#
على الرغم من أن البنى الأحدث قد حلّت محل YOLOv7 إلى حد كبير، فإنه لا يزال مناسبًا لاستخدامات محددة.
- 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#
تختلف تجربة المطوّر عن تلك التي توفرها مستودعات الأبحاث القياسية. ويتطلب تدريب نموذج YOLO26 مخصص بضعة أسطر:
from ultralytics import YOLO
# حمّل أحدث نموذج صغير 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#
لا يزال YOLOv7 محطة بارزة تحظى بالتقدير في تاريخ اكتشاف الأجسام في الوقت الفعلي، لكن القطاع اتجه إلى نماذج تعطي الأولوية لبساطة النشر وتعدد المهام وكفاءة الأجهزة الطرفية.
بفضل الاستدلال الاختياري الخالي من NMS ومحسّن MuSGD والاستدلال الأسرع على CPU، يُوصى اليوم بـ Ultralytics YOLO26 للمطوّرين ومهندسي المؤسسات. وبالاقتران مع منظومة Ultralytics سهلة الاستخدام، يوفّر توازنًا قويًا بين السرعة والدقة وسهولة الاستخدام.
التعليقات2
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
Murat Raimbekov(تم التعديل)hey @ShadowSinence, good question - and no, yolo26 doesn't have any "irreparable defect", it's actually the opposite. a few practical reasons why you still see lots of cnki papers building on v7/v8/v10:
1. publication timeline lag. yolo26 was released on 2026-01-14, just about four months ago. academic papers usually take 6-18 months from research start to publication, so most papers being submitted now started their experiments back when v7/v8/v10 were the latest stable options.
2. baseline reproducibility. papers like "improved yolov8 with attention module x for medical detection" rely on a well-established baseline with years of comparison literature. switching to a brand-new model means redoing every comparison from scratch and using a baseline reviewers may not yet be familiar with.
3. ecosystem maturity. v8 in particular has thousands of github forks, third-party custom modules, and chinese-language tutorials. for graduate students under time pressure, building on a mature codebase is faster than learning a new one.
4. architectural surface. v26 is nms-free, removes dfl, and uses a new musgd optimizer. great for deployment, but it changes a lot of the surface that anchor-based / nms-based ablations rely on. researchers comparing apples-to-apples often stick with the older anchor/nms setup.
on raw benchmarks, v26 does lead across the size sweep:
model mAP50-95 params (M) flops (B) yolo26x 57.5 55.7 193.9 yolov7x 53.1 71.3 189.9 so v26x is +4.4 mAP with ~22% fewer params. this lag in academic adoption is normal for any new release - it usually takes a year or so before papers built on it start appearing in numbers.
for choosing a model for your own work, the models index lays out the trade-offs side by side.
ShadowSinence
既然有更多优秀的yolo模型,为什么在知网上仍有专家教授继续使用v7,v8,v10的模型进行改进,而不是直接使用v26,难道26仍有什么不可弥补的缺陷吗