YOLOv5 مقابل YOLOv7: مقارنة مفصلة
يُعد اختيار نموذج الكشف عن الأجسام المناسب قرارًا بالغ الأهمية، حيث يوازن بين الحاجة إلى السرعة والدقة وسهولة النشر. تقدم هذه الصفحة مقارنة فنية بين Ultralytics YOLOv5 و YOLOv7، وهما نموذجان مؤثران في مجال رؤية الحاسوب. في حين أن كلاهما قد قدم مساهمات كبيرة، يبرز Ultralytics YOLOv5 بتوازنه الاستثنائي بين الأداء والتصميم سهل الاستخدام ونظام بيئي شامل ومُدار بشكل جيد، مما يجعله خيارًا مفضلًا لمجموعة واسعة من التطبيقات الواقعية.
Ultralytics YOLOv5: معيار الصناعة المعمول به
سرعان ما أصبح Ultralytics YOLOv5، الذي أطلقه Glenn Jocher في عام 2020، أحد أكثر نماذج الكشف عن الأجسام شيوعًا نظرًا لمزيجه الرائع من السرعة والدقة وسهولة الاستخدام. تم تطوير YOLOv5 بالكامل في PyTorch، وهو مُحسَّن للغاية، ويوفر تجربة مبسطة من التدريب إلى النشر.
المؤلف: جلين جوتشر
المنظمة: Ultralytics
التاريخ: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
المستندات: https://docs.ultralytics.com/models/yolov5/
بنية وميزات YOLOv5 الرئيسية
يتميز YOLOv5 ببنية مرنة وفعالة مبنية على هيكل CSPDarknet53 أساسي وعنق PANet لتجميع الميزات بشكل فعال. يستخدم رأس كشف قائم على المرساة، والذي تم تحسينه عبر العديد من الإصدارات. إحدى نقاط قوته الرئيسية هي تنوع أحجام النماذج (n و s و m و l و x)، مما يسمح للمطورين بتحديد المفاضلة المثلى بين الأداء والموارد الحسابية. هذه القابلية للتوسع تجعله مناسبًا لكل شيء بدءًا من الأجهزة الطرفية خفيفة الوزن وحتى خوادم الحوسبة السحابية القوية.
نقاط القوة في YOLOv5
- سهولة الاستخدام: تشتهر YOLOv5 بواجهات Python و CLI البسيطة و الوثائق الشاملة وخطوط أنابيب التدريب والاستدلال المباشرة.
- نظام بيئي مُدار بشكل جيد: مدعوم بنظام Ultralytics البيئي القوي، والذي يتضمن تطويرًا نشطًا، ومجتمعًا كبيرًا، وتحديثات متكررة، وأدوات قوية مثل Ultralytics HUB للتدريب والنشر بدون تعليمات برمجية.
- موازنة الأداء: يحقق YOLOv5 توازنًا ممتازًا بين سرعة الاستدلال ودقة الكشف، مما يجعله عمليًا للغاية لسيناريوهات العالم الحقيقي المتنوعة.
- تعدد الاستخدامات وكفاءة التدريب: يدعم مهام رؤية متعددة، بما في ذلك اكتشاف الأجسام، و تجزئة المثيلات، و تصنيف الصور. عملية التدريب فعالة، مع توفر أوزان مُدرَّبة مسبقًا بسهولة ومتطلبات ذاكرة أقل مقارنة بالبنى الأكثر تعقيدًا.
نقاط ضعف YOLOv5
- حدود الدقة: على الرغم من الدقة العالية، فقد تجاوزت النماذج الأحدث درجات mAP الخاصة بها على المعايير القياسية مثل COCO.
- تصميم قائم على المرساة: يمكن أن يتطلب اعتماده على مربعات مرساة محددة مسبقًا في بعض الأحيان ضبطًا يدويًا لتحقيق الأداء الأمثل على مجموعات البيانات ذات الكائنات ذات الأشكال غير العادية مقارنةً بالأساليب الحديثة الخالية من المرساة.
حالات استخدام YOLOv5
- تطبيقات الوقت الفعلي: مثالية للتطبيقات التي تتطلب استدلالًا سريعًا، مثل الروبوتات، ورؤية الطائرات بدون طيار في تطبيقات رؤية الكمبيوتر في عمليات الطائرات بدون طيار التي تعمل بالذكاء الاصطناعي، وتحليل الفيديو في الوقت الفعلي.
- النشر على الحافة الطرفية: مناسب تمامًا للنشر على الأجهزة الطرفية ذات الموارد المحدودة نظرًا لتصميمه الفعال وأحجام النماذج الأصغر. استكشف أدلة نشر NVIDIA Jetson.
- النماذج الأولية السريعة: خيار ممتاز للنماذج الأولية السريعة ونشر حلول الكشف عن العناصر، وذلك بفضل سهولة استخدامه ودعمه المكثف.
YOLOv7: التركيز على الدقة العالية
تم إصدار YOLOv7، التي تم إنشاؤها بواسطة Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao، في 6 يوليو 2022. وقد قدمت العديد من التحسينات المعمارية واستراتيجيات التدريب، المعروفة باسم "trainable bag-of-freebies"، بهدف تجاوز حدود الدقة مع الحفاظ على السرعة في الوقت الفعلي.
المؤلفون: Chien-Yao Wang, Alexey Bochkovskiy, و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
التاريخ: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
المستندات: https://docs.ultralytics.com/models/yolov7/
بنية وميزات YOLOv7 الرئيسية
- E-ELAN: تستخدم شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN) في العمود الفقري لتعزيز القدرة على التعلم.
- توسيع النموذج: ينفذ توسيعًا مركبًا لعمق النموذج وعرضه لتحسينه ليناسب مختلف الميزانيات الحسابية.
- تدريب الرأس الإضافي: يستخدم رؤوسًا إضافية أثناء التدريب (تتم إزالتها أثناء الاستدلال) لتحسين تعلم الميزات.
- Bag-of-Freebies: يستفيد من تقنيات التدريب المتقدمة لتعزيز الدقة دون زيادة تكلفة الاستدلال.
نقاط القوة في YOLOv7
- دقة عالية: يحقق نتائج mAP عالية على المعايير مثل COCO، خاصة مع متغيرات النموذج الأكبر.
- تقنيات تدريب فعالة: تتضمن استراتيجيات تدريب جديدة لزيادة الأداء إلى أقصى حد.
نقاط ضعف YOLOv7
- التعقيد: يمكن أن تكون عملية التصميم المعماري والتدريب أكثر تعقيدًا مقارنةً بالنهج المبسط لـ Ultralytics YOLOv5.
- النظام البيئي والدعم: يفتقر إلى الوثائق الشاملة والبرامج التعليمية والنظام البيئي المتكامل الذي توفره Ultralytics لـ YOLOv5.
- استهلاك مكثف للموارد: تتطلب النماذج الأكبر موارد حسابية كبيرة، مما قد يحد من النشر على الأجهزة ذات الموارد المحدودة.
حالات استخدام YOLOv7
- اكتشاف عالي الأداء: مناسب للتطبيقات التي يكون فيها تحقيق أعلى دقة ممكنة أمرًا بالغ الأهمية وتكون الموارد الحسابية أقل تقييدًا، كما هو الحال في المركبات ذاتية القيادة.
- الأبحاث: تُستخدم في الأبحاث الأكاديمية التي تستكشف أحدث تقنيات الكشف عن الأجسام.
مقارنة الأداء والتقنية
تكشف المقارنة المباشرة بين YOLOv5 و YOLOv7 على مجموعة بيانات COCO عن اختلافات رئيسية في ملفات تعريف أدائها. تحقق نماذج YOLOv7 عمومًا درجات mAP أعلى ولكن غالبًا ما يكون ذلك على حساب زيادة التعقيد ومتطلبات الموارد. في المقابل، تقدم Ultralytics YOLOv5 ملفًا شخصيًا أكثر توازناً، حيث تتفوق في سرعة استدلال CPU وتحافظ على دقة تنافسية، وهو أمر بالغ الأهمية للعديد من عمليات النشر في العالم الحقيقي.
| النموذج | الحجم (بالبكسل) |
mAPval 50-95 |
السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) |
السرعة T4 TensorRT10 (بالمللي ثانية) |
المعلمات (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
الخلاصة: أي نموذج يجب أن تختاره؟
يعتمد الاختيار بين YOLOv5 و YOLOv7 بشكل كبير على أولويات المشروع.
YOLOv7 هو خيار قوي للباحثين والمطورين الذين يحتاجون إلى أعلى دقة ممكنة في المعايير القياسية ولديهم إمكانية الوصول إلى موارد حسابية كبيرة. توضح تقنيات التدريب المبتكرة الخاصة به كيفية تجاوز حدود الأداء.
ومع ذلك، بالنسبة للغالبية العظمى من التطبيقات العملية، يظل Ultralytics YOLOv5 هو الخيار الأفضل. إن مزاياه الرئيسية—سهولة الاستخدام والنشر السريع والتوازن الممتاز بين السرعة والدقة والنظام البيئي المزدهر—تجعله أداة فعالة وموثوقة بشكل لا يصدق. فهو يمكّن المطورين من بناء حلول رؤية الكمبيوتر قوية بسرعة، من النموذج الأولي الأولي إلى نشر الإنتاج.
علاوة على ذلك، استمر نظام Ultralytics في التطور. تعتمد النماذج الأحدث مثل YOLOv8 و YOLO11 على أساس YOLOv5، مما يوفر أداءً أفضل وتنوعًا أكبر في المهام مثل تجزئة الصور، وتقدير الوضع، والتتبع. بالنسبة للمطورين الذين يبحثون عن إطار عمل حديث ومستقبلي وسهل الاستخدام، توفر عائلة Ultralytics YOLO الحل الأكثر إقناعًا وشمولية.
استكشف نماذج أخرى
إذا كنت تستكشف نماذج الكشف عن الكائنات، فقد تكون مهتمًا أيضًا بهذه المقارنات الأخرى:
- YOLOv5 مقارنة بـ YOLOv8
- YOLOv5 مقارنة بـ YOLOv9
- YOLOv7 ضد YOLOv8
- YOLOv7 ضد YOLO11
- RT-DETR ضد YOLOv7
- استكشف أحدث النماذج مثل YOLOv10 و YOLO11.
