YOLOv5 مقابل YOLOv7#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا خلال السنوات القليلة الماضية، مدفوعًا بالحاجة إلى اكتشاف الأجسام في الزمن الحقيقي بسرعة ودقة أكبر. عند اختيار البنية المناسبة لمشروعك في الرؤية الحاسوبية، من الضروري فهم الفروق الدقيقة بين النماذج الشائعة مثل Ultralytics YOLOv5 وYOLOv7. تتناول هذه المقارنة التقنية الشاملة بنيتيهما ومنهجيات التدريب ومقاييس الأداء وسيناريوهات النشر المثالية، لمساعدتك على اتخاذ قرار مستنير.

لمحة سريعة: أصول النماذج#

يوفر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا يساعد على استيعاب خياراتها المعمارية.

تفاصيل YOLOv5:

• المؤلف: Glenn Jocher
• الجهة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: مستودع YOLOv5
• الوثائق: وثائق YOLOv5

تفاصيل 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
• الوثائق: وثائق YOLOv7

تعرّف على المزيد عن YOLOv7

الابتكارات والاختلافات المعمارية#

YOLOv5: معيار سهولة الوصول#

قدّمته Ultralytics في عام 2020، وأحدث YOLOv5 تحولًا جذريًا باستخدام إطار عمل PyTorch بطبيعته، ما خفّض بدرجة كبيرة عتبة البدء أمام الباحثين والمطورين. وتعتمد بنيته على العمود الفقري Modified CSPDarknet53، مع دمج شبكات الجزء المتقاطع (CSP) لتقليل عدد المعلمات مع الحفاظ على تدفق التدرجات.

من أبرز نقاط قوته متطلبات الذاكرة. فمقارنةً بكواشف الأجسام القديمة ذات المرحلتين أو نماذج Transformer الثقيلة مثل RT-DETR، يحتاج YOLOv5 إلى ذاكرة CUDA أقل بكثير أثناء التدريب، ما يتيح استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية القياسية. علاوة على ذلك، يتيح تعدد الاستخدامات المدمج فيه بطبيعته دعم تصنيف الصور واكتشاف الأجسام وتجزئة الصور بسلاسة.

YOLOv7: تجاوز حدود الدقة في الزمن الحقيقي#

أُطلق YOLOv7 في منتصف عام 2022، وركّز على دفع حدود أحدث ما توصلت إليه التقنية في اكتشاف الأجسام بالزمن الحقيقي وفق معايير MS COCO. وقدّم المؤلفون شبكة تجميع الطبقات الفعّالة الموسّعة (E-ELAN)، التي تحسّن قدرة الشبكة على التعلم دون الإضرار بمسار التدرجات الأصلي.

يشتهر YOLOv7 أيضًا بما يُعرف بـ«مجموعة الحيل المجانية القابلة للتدريب»، ولا سيما تقنيات إعادة المعلمات أثناء التدريب التي تحوّل وحدات متعددة إلى طبقة التفافية واحدة للاستدلال، ما يعزز السرعة دون التضحية بالدقة. لكن منهجية التدريب المعقدة هذه غالبًا ما تؤدي إلى منحنى تعلم أكثر صعوبة ومسارات تصدير أقل بساطة مقارنةً بمنظومة Ultralytics الأصلية.

مقارنة الأداء#

عند تقييم هذه النماذج، يُعد التوازن بين الأداء والسرعة والدقة والتكلفة الحاسوبية أمرًا بالغ الأهمية. فيما يلي مقارنة مفصلة لمقاييس أدائها استنادًا إلى مجموعة بيانات MS COCO val2017.

مع أن YOLOv7 يحقق درجات mAP مطلقة أعلى في الإصدارات الأكبر، يقدم YOLOv5 طيفًا لا مثيل له من النماذج، بدءًا من Nano فائق الخفة (YOLOv5n) للأجهزة الطرفية محدودة الموارد، وصولًا إلى Extra-Large (YOLOv5x) للاستدلال السحابي.

ميزة منظومة Ultralytics#

تتجاوز فائدة النموذج بنيته المجردة؛ إذ تحدد المنظومة المحيطة به سرعة نشره في بيئة الإنتاج. وهنا تتألق نماذج Ultralytics.

• سهولة الاستخدام: توفر منصة Ultralytics وواجهة Python API الموحدة تجربة استخدام سلسة، وبنية صياغة بسيطة، ووثائق موسعة. ويتطلب تدريب مجموعة بيانات مخصصة عدم كتابة أي تعليمات برمجية تمهيدية.
• منظومة تحظى بصيانة جيدة: تستفيد Ultralytics من التطوير النشط والتحديثات المتكررة والدعم القوي من المجتمع. كما أن عمليات التكامل مع أدوات مثل Comet ML وWeights & Biases مدمجة مباشرةً.
• كفاءة التدريب: تجعل محمّلات البيانات والتخزين المؤقت الذكي ودعم وحدات GPU المتعددة تدريب نماذج Ultralytics فعالًا للغاية. كما تسرّع الأوزان المدرّبة مسبقًا والمتاحة بسهولة التعلّم بالنقل بدرجة كبيرة.

مثال على الشيفرة: البدء#

باستخدام Ultralytics، لا يتطلب نشر النموذج سوى بضعة أسطر من التعليمات البرمجية. يوضّح مقتطف Python التالي مدى سهولة تحميل النموذج وتدريبه وتشغيل الاستدلال باستخدام الحزمة الموصى بها ultralytics.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv5s مدرّب مسبقًا⁩
model = YOLO("yolov5su.pt")  # ⁨YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics⁩

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
# ⁨تتولى Ultralytics تلقائيًا تنزيل البيانات وزيادتها⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨إجراء الاستدلال على صورة نموذجية⁩
predictions = model("https://ultralytics.com/images/bus.jpg")

# ⁨عرض التنبؤات⁩
predictions[0].show()

في المقابل، يتطلب استخدام مستودع YOLOv7 الأصلي عمومًا استنساخ مستودعات معقدة وإدارة التبعيات يدويًا واستخدام وسائط مطوّلة لسطر الأوامر.

التطبيقات الواقعية وحالات الاستخدام المثالية#

متى تختار YOLOv7#

يظل YOLOv7 خيارًا قويًا للمعايرة المرجعية الأكاديمية أو لمسارات GPU القديمة المحددة التي يكون فيها تحقيق أقصى mAP هو الهدف الوحيد، ويكون النظام مهيأً بالفعل لموترات الإخراج المعتمدة على المراسي. وغالبًا ما يستخدم الباحثون الذين يدرسون تحليل مسارات التدرجات YOLOv7 بوصفه خط أساس.

متى تختار YOLOv5#

يحظى YOLOv5 بتفضيل كبير في بيئات الإنتاج بفضل استقراره الاستثنائي. وهو الخيار المفضل في الحالات التالية:

• الحوسبة المحمولة والطرفية: نشر YOLOv5n على iOS عبر CoreML أو على Android عبر LiteRT.
• الشركات الناشئة الرشيقة: تستفيد الفرق التي تحتاج إلى دورات تكرار سريعة من التكامل السلس مع منصة Ultralytics لإدارة مجموعات البيانات والتدريب السحابي.
• بيئات المهام المتعددة: الأنظمة التي تتطلب اكتشاف الأجسام وتصنيفها وتجزئتها في الوقت نفسه.

المستقبل: الانتقال إلى YOLO26#

تُعد مقارنة YOLOv5 وYOLOv7 تمرينًا ممتازًا لفهم تطور الذكاء الاصطناعي للرؤية، لكن أحدث ما توصلت إليه التقنية واصل تقدمه. ويمثّل Ultralytics YOLO26، الذي أُطلق في يناير 2026، قفزة هائلة إلى الأمام، ما يجعل البنى الأقدم متقادمة إلى حد كبير في المشاريع الجديدة.

للمطورين الذين يسعون إلى بلوغ ذروة الأداء، يقدم YOLO26 مزايا رائدة عديدة مقارنةً بكل من YOLOv5 وYOLOv7:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: من خلال تخطي المعالجة اللاحقة لكبح غير الحد الأقصى اختياريًا (nms=False)، يتيح YOLO26 نشرًا أبسط بكثير وزمن استجابة أسرع وأكثر اتساقًا.
• مُحسِّن MuSGD: استلهامًا من ابتكارات Moonshot AI في نماذج LLM، يوفر هذا المُحسِّن الهجين تدريبًا مستقرًا للغاية وتقاربًا سريعًا.
• سرعة طرفية غير مسبوقة: صُمم الإصدار Nano خصيصًا للبيئات الطرفية، ويحقق استدلالًا على CPU أسرع بنسبة تصل إلى 43% من خلال إزالة خسارة البؤرة التوزيعية (DFL).
• دقة فائقة: تحسّن دوال الخسارة الجديدة مثل ProgLoss + STAL بدرجة كبيرة التعرّف على الأجسام الصغيرة، ما يجعل النموذج مثاليًا لمقاطع الطائرات المسيّرة والروبوتات.

سواء أكنت تصون مسار YOLOv5 قائمًا أم تسعى إلى تطبيق أحدث إمكانات YOLO26، توفر منصة Ultralytics جميع الأدوات اللازمة للنجاح في مجال الرؤية الحاسوبية الحديث.