YOLOv10 مقابل YOLOv7
أفضى التقدم السريع في الرؤية الحاسوبية خلال السنوات القليلة الماضية إلى بنى أكثر كفاءة للتطبيقات الآنية. وتبرز مقارنة YOLOv10 وYOLOv7 مرحلة انتقالية حاسمة في هذا التطور. ففي حين قدم YOLOv7 استراتيجيات تدريب فعالة للغاية وتوسيعًا للبنية، بسّط YOLOv10 النشر بإزالة الاعتماد طويل الأمد على القمع غير الأعظمي (NMS).
دفع كلا النموذجين حدود اكتشاف الأجسام عند صدورهما، في حين توفر منظومة Ultralytics والنماذج الأحدث مثل YOLO26 الآن سير عمل أبسط للتدريب والنشر.
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 الآني الشامل من البداية إلى النهاية
- GitHub: THU-MIG/yolov10
- الوثائق: وثائق Ultralytics 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 تحقق أحدث النتائج
- GitHub: WongKinYiu/yolov7
- الوثائق: وثائق Ultralytics YOLOv7
ابتكارات البنية#
نهج YOLOv7#
ركز YOLOv7، الذي صدر عام 2022، بشدة على تحسين مسارات التدرج. وقدم شبكة تجميع الطبقات الفعالة الممتدة (E-ELAN)، التي أتاحت للنموذج تعلّم سمات أكثر تنوعًا دون الإضرار بمسار التدرج الأصلي. كما طبّق المؤلفون منهجية «حزمة مجانية قابلة للتدريب»، باستخدام تقنيات إعادة المعلمة أثناء التدريب يمكن دمجها وإزالتها أثناء الاستدلال للحفاظ على سرعة التنفيذ. وعلى الرغم من هذه التحسينات، ظل YOLOv7 يعتمد على NMS للمعالجة اللاحقة، ما أدى إلى تفاوت زمن الاستجابة أثناء تحليل المشاهد الكثيفة.
نهج YOLOv10#
عالج YOLOv10 اختناق NMS مباشرةً. فمن خلال تقديم إسناد مزدوج متسق أثناء التدريب، أتاح فريق جامعة تسينغهوا اكتشافًا شاملًا خاليًا من NMS. ويستخدم هذا النهج ذو الرأسين فرعًا بإسناد واحد إلى متعدد لإشارات إشرافية غنية أثناء التدريب، وفرعًا آخر بإسناد واحد إلى واحد للاستدلال الخالي من NMS. ويوفر هذا التحول المعماري زمن استجابة استدلال منخفضًا وثابتًا، ملائمًا لتحليلات الفيديو عالية السرعة. كما يستخدم YOLOv10 تصميمًا شاملًا للنموذج تقوده الكفاءة والدقة، ويزيل التكرار الحسابي الموجود في الأجيال السابقة.
يؤدي حذف المعالجة اللاحقة باستخدام NMS إلى تسريع الاستدلال وتبسيط النشر على أجهزة الذكاء الاصطناعي الطرفية، مثل مسرّعات الذكاء الاصطناعي ووحدات NPU، حيث قد يصعب تجميع عمليات NMS المخصصة.
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.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 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، يحقق YOLOv10x قيمة mAP أعلى من YOLOv7x (54.4% مقابل 53.1%)، مع استخدام أقل من نصف عدد المعلمات (29.5M مقابل 71.3M). كما توفر نموذجا YOLOv10 Nano وSmall الخفيفان سرعات نشر TensorRT عالية (1.84 ms و2.49 ms على T4)، ما يجعلهما خيارين جذابين للنشر الطرفي.
ميزة منظومة Ultralytics#
على الرغم من أن دراسة الأوراق البحثية حول البنى المعمارية مفيدة، يعتمد تطوير الرؤية الحاسوبية الحديثة على أطر عمل تخضع لصيانة جيدة. ويُعد اختيار نموذج تدعمه Ultralytics ميزة كبيرة للمطورين الذين يسعون إلى الانتقال سريعًا من النموذج الأولي إلى الإنتاج.
تطوير مبسّط#
تدعم حزمة Python القياسية من Ultralytics YOLOv10 دعمًا أصليًا، بينما لا يمكن تشغيل نقاط تحقق YOLOv7 المدرّبة في المصدر الأصلي باستخدام Ultralytics إلا بعد تصديرها إلى ONNX أو TensorRT. ويوفر الدعم الأصلي سهولة الاستخدام، إذ يستبدل التعليمات البرمجية النمطية بواجهة API بسيطة وسهلة الاستخدام. كما تحتاج نماذج Ultralytics YOLO إلى ذاكرة CUDA أقل أثناء التدريب من البنى الثقيلة القائمة على Transformer، ما يتيح استخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية.
تعدد الاستخدامات#
في حين تركز المستودعات القديمة غالبًا على اكتشاف مربعات الإحاطة فقط، يدعم إطار عمل Ultralytics مجموعة واسعة من المهام من خلال نماذج مثل YOLO26 وYOLO11. وسواء أكنت تنفذ تجزئة الكائنات أو تقدير الوضعيات أو اكتشاف مربعات الإحاطة الموجّهة (OBB)، يظل سير العمل كما هو.
مثال برمجي: مسارات عمل متسقة للتدريب#
يوضح مقتطف التعليمات البرمجية التالي عملية التدريب، التي تتولى تلقائيًا زيادة البيانات وجدولة معدل التعلّم:
from ultralytics import YOLO
# تحميل النموذج المطلوب (مثل YOLOv10 أو YOLO26 الموصى به)
model = YOLO("yolo26n.pt")
# تدريب النموذج 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 تسريعًا مخصصًا بواسطة GPU، حيث يعمل YOLO26n أسرع على CPU بنسبة تصل إلى 43% من YOLO11n.
- اكتشاف الأجسام الصغيرة: سيناريوهات صعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسّن ProgLoss وSTAL الدقة عند اكتشاف الأجسام الصغيرة جدًا.
المعيار الجديد: تقديم YOLO26#
كان YOLOv10 خطوة كبيرة إلى الأمام في عام 2024، لكن المجال يتطور بسرعة. ولأعمال التطوير الجديدة، توصي Ultralytics بأحدث طراز من الجيل الحالي، Ultralytics YOLO26. وقد حلّ YOLO26، الذي صدر في يناير 2026، محل YOLOv7 وYOLOv10 في مجال الذكاء الاصطناعي للرؤية الآنية.
يقدم YOLO26 عدة تحسينات صُممت لبيئات النشر الحديثة:
- تصميم شامل خالٍ من NMS: استنادًا إلى الأساس الذي أرساه YOLOv10، يتجاوز الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) المعالجة اللاحقة باستخدام NMS، ما يبسط خطوط النشر ويوفر سرعة استدلال ثابتة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n أسرع بنسبة تصل إلى 43% من YOLO11n على CPU، ما يلائم الحوسبة الطرفية والأجهزة التي لا تتضمن وحدات GPU مخصصة، وقد يخفض تكاليف الأجهزة.
- إزالة DFL: يؤدي حذف خسارة البؤرة التوزيعية (DFL) إلى تبسيط منطق التصدير وتحسين التوافق مع الأجهزة الطرفية منخفضة الطاقة.
- محسّن MuSGD: يستلهم هذا المزيج من SGD وMuon من Kimi K2 من Moonshot AI، وينقل تقنيات تدريب نماذج اللغة الكبيرة (LLM) إلى الرؤية الحاسوبية لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
- ProgLoss + STAL: تحسّن الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة التعرّف على الأجسام الصغيرة، وهو مجال لطالما شكّل تحديًا ويكتسب أهمية حاسمة للطائرات المسيّرة والروبوتات ومراقبة المدن الذكية.
- تحسينات خاصة بالمهام: YOLO26 ليس مجرد كاشف. فهو يضيف دالة خسارة للتجزئة الدلالية تحسّن تقارب تجزئة الكائنات، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتحسين دقة تقدير الوضعيات، ودالة خسارة متخصصة للزاوية تعالج مشكلات حدود OBB.
لإدارة مجموعات البيانات وتدريب YOLO26 ونشر النماذج على السحابة، استكشف Ultralytics Platform. وتكمل واجهته التي لا تتطلب كتابة التعليمات البرمجية حزمة Python.
حالات الاستخدام في العالم الحقيقي#
يعتمد اختيار البنية المناسبة بدرجة كبيرة على قيود أجهزتك وتطبيقاتك.
متى تستخدم YOLOv7#
يظل YOLOv7 خيارًا موثوقًا لصيانة خطوط المعالجة القديمة المتكاملة بعمق مع بُنى الموترات الخاصة به، أو لتكرار المعايير الأكاديمية لعامي 2022 و2023. ويحقق أداءً جيدًا على وحدات GPU للخوادم المتطورة.
متى تستخدم YOLOv10#
يناسب YOLOv10 السيناريوهات التي تتطلب زمن استجابة ثابتًا. فبما أن رأسه الخالي من NMS يتجنب المعالجة اللاحقة التي يزداد عبؤها مع عدد الاكتشافات، فإنه يعمل جيدًا في عدّ الحشود الكثيفة أو اكتشاف عيوب التصنيع، حيث يتفاوت عدد الأجسام لكن يجب أن يظل زمن المعالجة لكل إطار ثابتًا.
متى يُستخدم YOLO26#
YOLO26 هو الخيار الموصى به للمشروعات الجديدة. فمن نشر أنظمة إنذار الأمان على Raspberry Pi إلى تشغيل تحليلات الفيديو السحابية واسعة النطاق، يمنحه استدلاله الأسرع على CPU وتحسين اكتشاف الأجسام الصغيرة ميزة واضحة على الأجيال الأقدم.
للمطورين المهتمين بالبنى البديلة، تدعم Ultralytics أيضًا الكاشفات القائمة على Transformer مثل RT-DETR والنماذج الأقدم مثل Ultralytics YOLO11.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.