Link to this sectionمقارنة بين YOLOv10 وYOLOv7#

أدى التقدم السريع في الرؤية الحاسوبية على مدى السنوات القليلة الماضية إلى ظهور بنيات أكثر كفاءة لتطبيقات الوقت الفعلي. تسلط المقارنة بين YOLOv10 وYOLOv7 الضوء على فترة انتقالية حاسمة في هذا التطور. فبينما قدم YOLOv7 استراتيجيات تدريب فعالة للغاية وتحجيماً بنيوياً، أحدث YOLOv10 ثورة في النشر من خلال التخلص من الاعتماد طويل الأمد على كبح غير الأعظميات (NMS).

دفع كلا النموذجين حدود اكتشاف الكائنات عند إصدارهما، ومع ذلك فإن نظام Ultralytics البيئي الحديث وإدخال نماذج الجيل التالي مثل YOLO26 يوفران مهام سير عمل متفوقة للغاية لممارسي الذكاء الاصطناعي اليوم.

Link to this sectionملفات تعريف النماذج وأصولها#

يوفر فهم أصول هذه النماذج سياقاً قيماً فيما يتعلق بخيارات تصميمها المعماري والأبحاث الأكاديمية التي تدفعها.

Link to this sectionتفاصيل YOLOv10#

المؤلفون: Ao Wang، Hui Chen، Lihao Liu، وآخرون.
المؤسسة: Tsinghua University
التاريخ: 2024-05-23
Arxiv: YOLOv10: اكتشاف كائنات فوري من البداية إلى النهاية
GitHub: THU-MIG/yolov10
التوثيق: توثيق Ultralytics YOLOv10

تعرف على المزيد حول YOLOv10

Link to this sectionتفاصيل YOLOv7#

المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
المؤسسة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
التاريخ: 2022-07-06
Arxiv: YOLOv7: مجموعة قابلة للتدريب من الأدوات المجانية تضع معياراً جديداً ومتطوراً
GitHub: WongKinYiu/yolov7
التوثيق: توثيق Ultralytics YOLOv7

اعرف المزيد عن YOLOv7

Link to this sectionالابتكارات المعمارية#

Link to this sectionنهج YOLOv7#

تم إصدار YOLOv7 في عام 2022، وركز بشكل كبير على تحسين مسارات التدرج. قدم نموذج الشبكة المجمعة للطبقات الفعالة الموسعة (E-ELAN)، والذي سمح للنموذج بتعلم ميزات أكثر تنوعاً دون تدمير مسار التدرج الأصلي. علاوة على ذلك، طبق المؤلفون منهجية "مجموعة قابلة للتدريب من الأدوات المجانية" (bag-of-freebies)، باستخدام تقنيات إعادة التقييم أثناء التدريب التي يمكن دمجها بعيداً أثناء الاستدلال للحفاظ على سرعات تنفيذ سريعة. على الرغم من هذه التحسينات الرائعة، استمر YOLOv7 في الاعتماد بشكل كبير على NMS للمعالجة اللاحقة، مما خلق زمن انتقال متغيراً أثناء تحليل المشاهد الكثيفة.

Link to this sectionاختراق YOLOv10#

عالج YOLOv10 عنق زجاجة NMS بشكل مباشر. من خلال تقديم تعيينات مزدوجة متسقة أثناء التدريب، مكّن فريق جامعة تسينغهوا من إجراء اكتشاف من البداية إلى النهاية بدون NMS. يستخدم نهج الرأس المزدوج هذا فرعاً واحداً مع تعيينات واحد إلى متعدد لإشارات إشراف غنية أثناء التدريب، وفرعاً آخر مع تعيينات واحد إلى واحد للاستدلال بدون NMS. يضمن هذا التحول المعماري زمن وصول استدلال منخفض للغاية ومتسق، وهو مناسب لتحليلات الفيديو عالية السرعة. علاوة على ذلك، يستخدم YOLOv10 تصميماً للنموذج يعتمد على الكفاءة والدقة الشاملة، مما يزيل التكرار الحسابي الموجود في الأجيال السابقة.

تأثير المعالجة اللاحقة

إزالة المعالجة اللاحقة NMS لا تسرع الاستدلال فحسب، بل تبسط بشكل كبير النشر على أجهزة الذكاء الاصطناعي الطرفية، مثل مسرعات الذكاء الاصطناعي و NPUs حيث تشتهر عمليات NMS المخصصة بصعوبة تجميعها.

Link to this sectionمقارنة الأداء#

عند مقارنة المقاييس الأولية على مجموعة بيانات MS COCO، تصبح الفجوة الجيلية واضحة. يحقق YOLOv10 مقايضة أكثر ملاءمة بين المعلمات والمتطلبات الحسابية والدقة.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

كما هو موضح أعلاه، يوفر YOLOv10x متوسط دقة (mAP) متفوقاً بنسبة 54.4% مقارنة بـ 53.1% لـ YOLOv7x، مع استخدام حوالي 20% أقل من المعلمات. علاوة على ذلك، توفر نماذج YOLOv10 خفيفة الوزن (Nano و Small) سرعات نشر TensorRT استثنائية، مما يجعلها جذابة للغاية للنشر على الأجهزة المحمولة.

Link to this sectionميزة نظام Ultralytics البيئي#

في حين أن دراسة الأوراق المعمارية مفيدة، فإن تطوير الرؤية الحاسوبية الحديث يعتمد على أطر عمل قوية ومصانة جيداً. يوفر اختيار نموذج مدعوم من Ultralytics ميزة هائلة للمطورين الذين يتطلعون إلى الانتقال من النموذج الأولي إلى الإنتاج بسرعة.

Link to this sectionتطوير مبسط#

يمكن الوصول إلى كل من YOLOv10 و YOLOv7 عبر حزمة Python القياسية لـ Ultralytics. يوفر هذا سهولة في الاستخدام لا مثيل لها، حيث يستبدل آلاف الأسطر من الكود النموذجي بواجهة برمجة تطبيقات (API) بسيطة وبديهية. علاوة على ذلك، تتطلب نماذج Ultralytics YOLO ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة ببنيات Transformer الثقيلة، مما يتيح استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.

Link to this sectionتنوع لا مثيل له#

بينما تركز المستودعات القديمة غالباً بشكل صارم على اكتشاف المربعات المحيطة، يدعم إطار عمل Ultralytics المتكامل بسلاسة مجموعة متنوعة هائلة من المهام. سواء كنت تقوم بـ تجزئة المثيلات، أو تقدير الوضعية، أو اكتشاف المربعات المحيطة الموجهة (OBB)، تظل سير العمل متطابقة.

Link to this sectionمثال على الكود: مهام سير عمل تدريب متسقة#

يوضح مقتطف الكود التالي عملية التدريب السلسة، والتي تتعامل تلقائياً مع زيادة البيانات وجدولة معدل التعلم:

from ultralytics import YOLO

# Load the desired model (YOLOv10, YOLOv7, or the recommended YOLO26)
model = YOLO("yolo26n.pt")

# Train the model effortlessly on your dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# Export to ONNX format for rapid deployment
model.export(format="onnx")

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv10 و YOLOv7 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار YOLOv10#

يعد YOLOv10 خياراً قوياً لـ:

الكشف الفوري بدون NMS: التطبيقات التي تستفيد من الكشف الشامل (end-to-end) بدون تقنية Non-Maximum Suppression، مما يقلل من تعقيد النشر.
الموازنة بين السرعة والدقة: المشاريع التي تتطلب توازناً قوياً بين سرعة الاستدلال ودقة الكشف عبر مختلف أحجام النماذج.
تطبيقات زمن الاستجابة المتسق: سيناريوهات النشر التي تكون فيها أوقات الاستدلال القابلة للتنبؤ أمراً بالغ الأهمية، مثل الروبوتات أو الأنظمة ذاتية القيادة.

Link to this sectionمتى تختار YOLOv7#

يُنصح بـ YOLOv7 في الحالات التالية:

قياس الأداء الأكاديمي: إعادة إنتاج نتائج متطورة من حقبة 2022 أو دراسة تأثيرات تقنيات E-ELAN و"حقيبة الأدوات المجانية" القابلة للتدريب.
أبحاث إعادة التقييم (Reparameterization): دراسة الالتفافات المعاد تقييمها المخطط لها واستراتيجيات قياس النموذج المركب.
خطوط الأنابيب المخصصة الحالية: المشاريع ذات خطوط الأنابيب المخصصة للغاية المبنية حول معمارية YOLOv7 المحددة التي لا يمكن إعادة تصميمها بسهولة.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

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

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionالمعيار الجديد: تقديم YOLO26#

بينما كان YOLOv10 قفزة هائلة للأمام في عام 2024، فإن مشهد الرؤية الحاسوبية يتحرك بسرعة مذهلة. بالنسبة لجميع التطويرات الجديدة، نوصي بشدة بأحدث جيل من النماذج: Ultralytics YOLO26. تم إصداره في يناير 2026، وهو يمثل قمة الذكاء الاصطناعي للرؤية في الوقت الفعلي، متفوقاً بشكل كبير على كل من YOLOv7 و YOLOv10.

تعرف على المزيد حول YOLO26

يجلب YOLO26 ابتكارات غير مسبوقة مصممة خصيصاً لبيئات النشر الحديثة:

تصميم شامل بدون NMS: بناءً على الأساس الذي وضعه YOLOv10، يلغي YOLO26 أصلاً المعالجة اللاحقة NMS لخطوط أنابيب نشر أبسط واستدلال متسق وعالي السرعة.
استدلال وحدة المعالجة المركزية (CPU) أسرع بنسبة تصل إلى 43%: تم تحسينه بشكل كبير للحوسبة الطرفية والأجهزة التي تفتقر إلى وحدات معالجة الرسومات (GPU) المخصصة، مما يوفر وفورات هائلة في تكاليف الأجهزة.
إزالة DFL: تمت إزالة Distribution Focal Loss تماماً، مما يبسط منطق التصدير جذرياً ويحسن بشكل كبير التوافق مع الأجهزة الطرفية منخفضة الطاقة ووحدات التحكم الدقيقة.
مُحسّن MuSGD: مستوحى من Kimi K2 لشركة Moonshot AI، يجلب هذا الهجين من SGD و Muon ابتكارات تدريب نماذج اللغة الكبيرة (LLM) مباشرة إلى الرؤية الحاسوبية، مما ينتج عنه ديناميكيات تدريب مستقرة بشكل لا يصدق وتقارب أسرع.
ProgLoss + STAL: توفر دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهي منطقة صعبة تاريخياً وحاسمة للطائرات بدون طيار والروبوتات ومراقبة المدن الذكية.
تحسينات خاصة بالمهام: YOLO26 ليس مجرد كاشف. فهو يتضمن خسارة تجزئة دلالية متخصصة، وتقدير احتمالية السجل المتبقي (RLE) لتتبع الوضعية بدقة فائقة، وخوارزميات خسارة زاوية متخصصة للقضاء على مشكلات حدود OBB.

إدارة مجموعات البيانات والتدريب

للحصول على أفضل تجربة على الإطلاق في إدارة مجموعات البيانات الخاصة بك، وتدريب YOLO26، ونشر النماذج في السحابة، استكشف منصة Ultralytics. إنها توفر واجهة بدون كود تكمل Python SDK بشكل مثالي.

Link to this sectionحالات الاستخدام في العالم الحقيقي#

يعتمد اختيار البنية الصحيحة بشكل كبير على قيود الأجهزة والتطبيقات الخاصة بك.

Link to this sectionمتى تستخدم YOLOv7#

يظل YOLOv7 خياراً موثوقاً للحفاظ على خطوط الأنابيب القديمة التي تم دمجها بالفعل بعمق مع هياكل Tensor المحددة الخاصة به أو عند تكرار المعايير الأكاديمية لعامي 2022 و 2023. وهو يعمل بشكل ممتاز على وحدات معالجة الرسومات (GPU) الخاصة بالخوادم المتطورة.

Link to this sectionمتى تستخدم YOLOv10#

يتألق YOLOv10 في السيناريوهات التي تتطلب زمن انتقال صارماً وغير متغير. ولأنه خالٍ من NMS، فهو ممتاز لعد الحشود عالية الكثافة أو اكتشاف عيوب التصنيع حيث يتقلب عدد الكائنات بشكل كبير ولكن يجب أن يظل وقت المعالجة لكل إطار ثابتاً.

Link to this sectionمتى تستخدم YOLO26#

يعد YOLO26 الخيار النهائي لأي مشروع جديد. من نشر أنظمة إنذار أمني متطورة على Raspberry Pi أساسي إلى تشغيل تحليلات فيديو ضخمة قائمة على السحابة، فإن سرعات وحدة المعالجة المركزية (CPU) الفائقة واكتشاف الكائنات الصغيرة المتقدم يجعله متفوقاً بشكل كبير على الأجيال الأقدم.

للمطورين المهتمين باستكشاف بنيات حديثة بديلة، نحن نوفر أيضاً دعماً واسع النطاق للكاشفات القائمة على Transformer مثل RT-DETR والأساسيات الجيلية السابقة مثل Ultralytics YOLO11.

المساهمون

GLglenn-jocher¹³ PDpderrenger¹

تم الإنشاء 27 يناير 2025تم التحديث الأسبوع الماضي