YOLOv10 مقابل YOLOv7#

أثمر التقدم السريع في الرؤية الحاسوبية خلال السنوات القليلة الماضية عن بنى متزايدة الكفاءة للتطبيقات الآنية. وتُبرز المقارنة بين YOLOv10 وYOLOv7 مرحلة انتقالية محورية في هذا التطور. فقد قدم YOLOv7 استراتيجيات تدريب فعالة للغاية وتوسيعًا معماريًا، بينما أحدث YOLOv10 ثورة في النشر بالتخلص من الاعتماد طويل الأمد على كبت الصناديق غير القصوى (NMS).

دفع كلا النموذجين حدود كشف الأجسام عند إطلاقهما، لكن منظومة Ultralytics الحديثة وظهور نماذج الجيل التالي مثل YOLO26 يوفران مسارات عمل أفضل بكثير لممارسي الذكاء الاصطناعي اليوم.

لمحات عن النماذج وأصولها#

يوفر فهم أصول هذه النماذج سياقًا قيّمًا لخيارات تصميمها المعماري وللأبحاث الأكاديمية التي تقف وراءها.

تفاصيل YOLOv10#

• المؤلفون: Ao Wang وHui Chen وLihao Liu وآخرون
• الجهة: جامعة تسينغهوا
• التاريخ: 2024-05-23
• Arxiv: YOLOv10: كشف الأجسام الشامل والآني
• GitHub: THU-MIG/yolov10
• الوثائق: وثائق Ultralytics YOLOv10

تعرّف على المزيد حول YOLOv10

تفاصيل YOLOv7#

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv: YOLOv7: مجموعة من المزايا المجانية القابلة للتدريب ترسي معيارًا جديدًا
• GitHub: WongKinYiu/yolov7
• الوثائق: وثائق Ultralytics YOLOv7

تعرّف على المزيد عن YOLOv7

ابتكارات البنية#

نهج YOLOv7#

صدر YOLOv7 في عام 2022، وركز بشدة على تحسين مسارات التدرج. وقدّم شبكة تجميع الطبقات الفعالة الممتدة (E-ELAN)، التي أتاحت للنموذج تعلّم سمات أكثر تنوعًا دون الإضرار بمسار التدرج الأصلي. كما اعتمد المؤلفون منهجية «مجموعة المزايا المجانية القابلة للتدريب»، مستخدمين تقنيات إعادة المعلمات أثناء التدريب يمكن دمجها وإزالتها أثناء الاستدلال للحفاظ على سرعة التنفيذ. وعلى الرغم من هذه التحسينات اللافتة، ظل YOLOv7 يعتمد بشدة على NMS في المعالجة اللاحقة، ما أدى إلى تفاوت زمن الاستجابة عند تحليل المشاهد الكثيفة.

إنجاز YOLOv10#

عالج YOLOv10 عنق زجاجة NMS مباشرةً. فمن خلال إدخال إسناد مزدوج متسق أثناء التدريب، أتاح فريق جامعة تسينغهوا الكشف الشامل الخالي من NMS. ويستخدم نهج الرأس المزدوج فرعًا بإسناد واحد إلى متعدد لتوفير إشارات إشراف غنية أثناء التدريب، وفرعًا آخر بإسناد واحد إلى واحد للاستدلال الخالي من NMS. ويضمن هذا التحول المعماري زمن استدلال ثابتًا ومنخفضًا للغاية، ملائمًا لتحليلات الفيديو عالية السرعة. كما يعتمد YOLOv10 تصميمًا شاملًا للنموذج يستند إلى الكفاءة والدقة، ويزيل التكرار الحاسوبي الموجود في الأجيال السابقة.

مقارنة الأداء#

عند مقارنة المقاييس الخام على مجموعة بيانات MS COCO، تتضح الفجوة بين الأجيال. ويحقق YOLOv10 مفاضلة أفضل بكثير بين المعلمات والمتطلبات الحاسوبية والدقة.

كما يتضح أعلاه، يحقق YOLOv10x قيمة mAP أعلى تبلغ 54.4% مقارنةً بـ 53.1% في YOLOv7x، مع استخدام أقل من نصف عدد المعلمات (29.5M مقابل 71.3M). إضافة إلى ذلك، توفر نماذج YOLOv10 خفيفة الوزن (Nano وSmall) سرعات استثنائية في النشر باستخدام TensorRT، ما يجعلها خيارًا جذابًا للغاية للنشر على الأجهزة المحمولة.

ميزة منظومة Ultralytics#

على الرغم من أن دراسة الأوراق البحثية المعمارية مفيدة، فإن تطوير الرؤية الحاسوبية الحديثة يعتمد على أطر عمل متينة وجيدة الصيانة. ويوفر اختيار نموذج تدعمه Ultralytics ميزة كبيرة للمطورين الراغبين في الانتقال سريعًا من النموذج الأولي إلى الإنتاج.

تطوير مبسّط#

يحظى YOLOv10 بدعم أصلي ضمن حزمة Python القياسية من Ultralytics، بينما لا يمكن تشغيل نقاط تحقق YOLOv7 المدرّبة في المصدر الأصلي ضمن Ultralytics إلا بعد تصديرها إلى ONNX أو TensorRT. ويوفر الدعم الأصلي سهولة استخدام لا مثيل لها، إذ يستبدل آلاف الأسطر من الشيفرة النمطية بواجهة API بسيطة وبديهية. كما تتطلب نماذج Ultralytics YOLO قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب مقارنةً ببنى Transformer الثقيلة، ما يتيح استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.

تعدد استخدامات لا مثيل له#

في حين تركز المستودعات الأقدم غالبًا على كشف صناديق الإحاطة وحده، يدعم إطار عمل Ultralytics المتكامل بسلاسة مجموعة واسعة من المهام. وسواء أكنت تنفذ تقسيم المثيلات أوتقدير الوضعيات أو كشف صناديق الإحاطة الموجّهة (OBB)، يظل مسار العمل متطابقًا.

مثال برمجي: مسارات عمل متسقة للتدريب#

يوضح مقتطف الشيفرة التالي عملية التدريب السلسة، التي تتولى تلقائيًا زيادة البيانات وجدولة معدل التعلم:

from ultralytics import YOLO

# ⁨تحميل النموذج المطلوب (مثل YOLOv10 أو YOLO26 الموصى به)⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج بسهولة على مجموعة بياناتك⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# ⁨التصدير إلى تنسيق ONNX للنشر السريع⁩
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 وYOLOv7 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار YOLOv10#

يُعد YOLOv10 خيارًا قويًا لما يلي:

• الكشف الآني دون NMS: التطبيقات التي تستفيد من الكشف الشامل من البداية إلى النهاية من دون الكبت غير الأقصى، مما يقلل تعقيد النشر.
• موازنة السرعة والدقة: المشاريع التي تتطلب توازناً جيداً بين سرعة الاستدلال ودقة الكشف عبر مقاييس نماذج متعددة.
• التطبيقات ذات زمن الاستجابة الثابت: سيناريوهات النشر التي تتطلب أوقات استدلال قابلة للتنبؤ، مثل الروبوتات أو الأنظمة ذاتية التشغيل.

متى تختار YOLOv7#

يوصى بـ YOLOv7 في الحالات التالية:

• المقارنة المرجعية الأكاديمية: إعادة إنتاج نتائج الجيل المتطور لعام 2022 أو دراسة تأثيرات E-ELAN وتقنيات مجموعة المزايا المجانية القابلة للتدريب.
• أبحاث إعادة المعلمات: دراسة الالتفافات المخطط لإعادة معلماتها واستراتيجيات توسيع النماذج المركبة.
• مسارات العمل المخصصة القائمة: المشاريع التي تعتمد على مسارات عمل مخصصة بدرجة كبيرة ومبنية على بنية YOLOv7 المحددة، والتي يصعب إعادة هيكلتها.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

المعيار الجديد: تقديم YOLO26#

مع أن YOLOv10 مثّل قفزة كبيرة إلى الأمام في عام 2024، فإن مشهد الرؤية الحاسوبية يتغير بسرعة هائلة. ونوصي بشدة باستخدام أحدث طراز في جميع عمليات التطوير الجديدة: Ultralytics YOLO26. وقد صدر في يناير 2026، ويمثل ذروة الذكاء الاصطناعي للرؤية الآنية، متفوقًا بفارق كبير على كل من YOLOv7 وYOLOv10.

يقدم YOLO26 ابتكارات غير مسبوقة صُممت خصيصًا لبيئات النشر الحديثة:

• تصميم شامل خالٍ من NMS: استنادًا إلى الأساس الذي أرساه YOLOv10، يلغي الرأس الاختياري أحادي الإسناد في YOLO26 (nms=False) المعالجة اللاحقة باستخدام NMS، ما يبسّط مسارات النشر ويوفر استدلالًا عالي السرعة ومتسقًا.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: تحسين مكثف للحوسبة الطرفية والأجهزة التي لا تحتوي على وحدات GPU مخصصة، ما يوفر وفورات كبيرة في تكاليف الأجهزة.
• إزالة DFL: أُزيلت Distribution Focal Loss بالكامل، ما يبسط منطق التصدير بدرجة كبيرة ويحسن التوافق على نحو ملحوظ مع الأجهزة الطرفية منخفضة الطاقة والمتحكمات الدقيقة.
• محسّن MuSGD: استُلهم هذا المحسّن من Kimi K2 من Moonshot AI، وهو مزيج من SGD وMuon يجلب ابتكارات تدريب نماذج اللغة الكبيرة (LLM) مباشرةً إلى الرؤية الحاسوبية، ما ينتج ديناميكيات تدريب مستقرة للغاية وتقاربًا أسرع.
• ProgLoss + STAL: تحسّن دوال الخسارة المتقدمة هذه التعرّف على الأجسام الصغيرة تحسنًا ملحوظًا؛ وهو مجال صعب تاريخيًا وأساسي للطائرات المسيّرة والروبوتات ومراقبة المدن الذكية.
• تحسينات خاصة بالمهام: YOLO26 ليس مجرد كاشف. فهو يضم دالة خسارة متخصصة للتقسيم الدلالي، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات بدقة فائقة، وخوارزميات متخصصة لخسارة الزاوية للتخلص من مشكلات حدود OBB.

حالات الاستخدام في العالم الحقيقي#

يعتمد اختيار البنية المناسبة بدرجة كبيرة على قيود أجهزتك وتطبيقاتك.

متى تستخدم YOLOv7#

يظل YOLOv7 خيارًا موثوقًا لصيانة مسارات العمل القديمة المدمجة بعمق مع بُناه المحددة للموترات، أو عند تكرار المقاييس المرجعية الأكاديمية لعامي 2022 و2023. ويؤدي أداءً ممتازًا على خوادم GPU المتطورة.

متى تستخدم YOLOv10#

يتفوق YOLOv10 في السيناريوهات التي تتطلب زمن استجابة صارمًا وثابتًا. وبما أنه خالٍ من NMS، فهو ممتاز لعدّ الحشود عالية الكثافة أو كشف عيوب التصنيع، حيث يتغير عدد الأجسام بشدة بينما يجب أن يظل زمن معالجة كل إطار ثابتًا.

متى يُستخدم YOLO26#

يُعد YOLO26 الخيار الأمثل لأي مشروع جديد. فمن نشر أنظمة إنذار أمني متطورة على Raspberry Pi أساسي إلى تشغيل تحليلات فيديو سحابية ضخمة، تجعله سرعاته الأعلى على CPU وقدراته المتقدمة في كشف الأجسام الصغيرة أفضل بكثير من الأجيال الأقدم.

للمطورين المهتمين باستكشاف بنى حديثة بديلة، نوفر أيضًا دعمًا شاملًا لكاشفات قائمة على Transformer مثل RT-DETR، وللنماذج الرائدة من الأجيال السابقة مثل Ultralytics YOLO11.