YOLOv5 في مقابل YOLOv7#

لقد تطور مشهد الرؤية الحاسوبية بسرعة على مدار الأعوام القليلة الماضية، مدفوعاً بالحاجة إلى اكتشاف كائنات في الوقت الفعلي بأداء أسرع وأكثر دقة. عند اختيار البنية المناسبة لمشروع الرؤية الحاسوبية الخاص بك، يعد فهم الفروق الدقيقة بين النماذج الشائعة مثل Ultralytics YOLOv5 وYOLOv7 أمراً بالغ الأهمية. تتناول هذه المقارنة التقنية الشاملة بنياتها، ومنهجيات التدريب، ومقاييس الأداء، وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير.

لمحة سريعة: أصول النماذج#

يوفر فهم الأصول وفلسفات التصميم وراء هذه النماذج سياقاً لاختياراتها المعمارية.

تفاصيل YOLOv5:

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: YOLOv5 Repository
• Docs: YOLOv5 Documentation

اعرف المزيد عن YOLOv5

تفاصيل YOLOv7:

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المنظمة: Institute of Information Science, Academia Sinica, Taiwan
• التاريخ: 2022-07-06
• Arxiv: ورقة YOLOv7 البحثية
• GitHub: مستودع YOLOv7
• الوثائق: وثائق YOLOv7

اعرف المزيد عن YOLOv7

الابتكارات والاختلافات المعمارية#

YOLOv5: المعيار للسهولة#

قدمت Ultralytics نموذج YOLOv5 في عام 2020، مما أحدث تحولاً جذرياً من خلال الاستفادة الأصلية من إطار عمل PyTorch، مما خفض بشكل كبير حاجز الدخول للباحثين والمطورين. تعتمد بنيته على عمود فقري معدل من نوع Modified CSPDarknet53، دمج شبكات المرحلة الجزئية المتقاطعة (CSP) لتقليل عدد المعلمات مع الحفاظ على تدفق التدرج.

تعد متطلبات الذاكرة إحدى أعظم نقاط قوته. بالمقارنة مع كشفات المرحلتين القديمة أو نماذج المحولات الثقيلة مثل RT-DETR، يتطلب YOLOv5 ذاكرة CUDA أقل بكثير أثناء التدريب، مما يسمح بأحجام دفعات أكبر على وحدات معالجة الرسوميات القياسية المخصصة للمستهلكين. علاوة على ذلك، تدعم مرونته المدمجة أصلاً تصنيف الصور، واكتشاف الكائنات، وتجزيء الصور بسلاسة.

YOLOv7: تجاوز حدود الدقة في الوقت الفعلي#

تم إطلاق YOLOv7 في منتصف عام 2022، وركز على تجاوز حدود أحدث التقنيات للاكتشاف في الوقت الفعلي على معايير MS COCO. قدم المؤلفون شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، والتي تحسن قدرة التعلم للشبكة دون تدمير مسار التدرج الأصلي.

تشتهر YOLOv7 أيضاً بـ "مجموعة الميزات المجانية القابلة للتدريب" الخاصة بها، ولا سيما تقنيات إعادة تحديد المعلمات أثناء التدريب التي تحول وحدات متعددة إلى طبقة تلافيفية واحدة للاستدلال، مما يعزز السرعة دون التضحية بالدقة. ومع ذلك، غالباً ما تؤدي منهجية التدريب المعقدة هذه إلى منحنيات تعلم أكثر حدة وخطوط أنابيب تصدير أقل مباشرة مقارنة بنظام Ultralytics الأصلي.

مقارنة الأداء#

عند تقييم هذه النماذج، يعد توازن الأداء بين السرعة والدقة والتكلفة الحسابية أمراً بالغ الأهمية. فيما يلي مقارنة تفصيلية لمقاييس أدائها بناءً على مجموعة بيانات MS COCO val2017.

بينما يحقق YOLOv7 درجات mAP مطلقة أعلى في المتغيرات الأكبر، يقدم YOLOv5 طيفاً لا مثيل له من النماذج - من Nano (YOLOv5n) خفيف الوزن للغاية لأجهزة الحافة المتطرفة إلى Extra-Large (YOLOv5x) للاستدلال السحابي.

ميزة نظام Ultralytics البيئي#

تمتد فائدة النموذج إلى ما هو أبعد من بنيته الأساسية؛ إذ يحدد النظام البيئي المحيط به مدى سرعة نشره في الإنتاج. وهنا تتألق نماذج Ultralytics.

• سهولة الاستخدام: توفر منصة Ultralytics وواجهة برمجة تطبيقات Python الموحدة الخاصة بها تجربة مستخدم مبسطة، وبنية جمل بسيطة، ووثائق واسعة النطاق. يتطلب تدريب مجموعة بيانات مخصصة كوداً جاهزاً صفرياً.
• نظام بيئي مُدار جيداً: تستفيد Ultralytics من التطوير النشط والتحديثات المتكررة ودعم المجتمع القوي. يتم دمج عمليات التكامل مع أدوات مثل Comet ML وWeights & Biases بشكل مباشر.
• كفاءة التدريب: تجعل محملات البيانات، والتخزين المؤقت الذكي، ودعم وحدات معالجة الرسوميات المتعددة نماذج Ultralytics فعالة بشكل استثنائي للتدريب. تعمل الأوزان المدربة مسبقاً والمتوفرة جاهزة على تسريع التعلم النقلي بشكل كبير.

مثال على التعليمات البرمجية: البدء#

باستخدام Ultralytics، يتطلب نشر النموذج سوى أسطر قليلة من التعليمات البرمجية. توضح مقتطفة Python التالية مدى بساطة تحميل وتدريب وتشغيل الاستدلال باستخدام حزمة ultralytics الموصى بها.

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

في المقابل، يتضمن استخدام مستودع YOLOv7 الأصلي عموماً استنساخ مستودعات معقدة، وإدارة التبعيات يدوياً، واستخدام وسيطات سطر أوامر مطولة.

تطبيقات العالم الحقيقي وحالات الاستخدام المثالية#

متى تختار YOLOv7#

لا يزال YOLOv7 مرشحاً قوياً للمقارنة الأكاديمية أو خطوط أنابيب GPU القديمة المحددة حيث يكون تحقيق أقصى mAP هو الهدف الوحيد ويكون النظام مصمماً بالفعل لموترات الإخراج المستندة إلى المراسي. غالباً ما يستخدم الباحثون الذين يستكشفون تحليل مسار التدرج YOLOv7 كخط أساس.

متى تختار YOLOv5#

يُفضل YOLOv5 بشدة لبيئات الإنتاج نظراً لاستقراره الاستثنائي. إنه الخيار المفضل لـ:

• الحوسبة المتنقلة والحوسبة الطرفية: نشر YOLOv5n على iOS عبر CoreML أو Android عبر TFLite.
• الشركات الناشئة المرنة: تستفيد الفرق التي تحتاج إلى دورات تكرار سريعة من تكامل منصة Ultralytics السلس لإدارة مجموعات البيانات والتدريب السحابي.
• بيئات المهام المتعددة: الأنظمة التي تتطلب اكتشاف الكائنات والتصنيف والتجزئة في وقت واحد.

المستقبل: الانتقال إلى YOLO26#

في حين أن مقارنة YOLOv5 وYOLOv7 تعتبر تمريناً ممتازاً في فهم تطور رؤية الذكاء الاصطناعي، إلا أن أحدث ما توصلت إليه التقنية قد استمر في التقدم. يمثل Ultralytics YOLO26، الذي تم إصداره في يناير 2026، قفزة هائلة إلى الأمام، مما يجعل البنى القديمة عفا عليها الزمن إلى حد كبير للمشاريع الجديدة.

بالنسبة للمطورين الذين يسعون للحصول على ذروة الأداء، يوفر YOLO26 العديد من المزايا الرائدة على كل من YOLOv5 وYOLOv7:

• تصميم بدون NMS من البداية إلى النهاية: من خلال إلغاء معالجة Non-Maximum Suppression اللاحقة، يوفر YOLO26 نشراً أبسط بكثير وزمن انتقال أسرع وأكثر اتساقاً.
• محسن MuSGD: مستوحى من ابتكارات النماذج اللغوية الكبيرة من Moonshot AI، يوفر هذا المحسن الهجين تدريباً مستقراً للغاية وتقارباً سريعاً.
• سرعة حافة غير مسبوقة: مُحسَّن خصيصاً لبيئات الحافة، يتميز متغير النانو بـ استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية عن طريق إزالة Distribution Focal Loss (DFL).
• دقة فائقة: تعمل وظائف الخسارة الجديدة مثل ProgLoss + STAL على تحسين التعرف على الكائنات الصغيرة بشكل كبير، مما يجعلها مثالية للقطات الطائرات بدون طيار والروبوتات.

سواء كنت تحتفظ بخط أنابيب YOLOv5 حالي أو تتطلع إلى تنفيذ نموذج YOLO26 المتطور، توفر منصة Ultralytics كافة الأدوات اللازمة للنجاح في الرؤية الحاسوبية الحديثة.