YOLOv5 مقابل YOLOv7#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا خلال السنوات القليلة الماضية، مدفوعًا بالحاجة إلى اكتشاف أجسام آنِي أسرع وأكثر دقة. 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 بنيتهما، ومنهجيات تدريبهما، ومقاييس أدائهما، وسيناريوهات النشر المثالية لهما، لمساعدتك على اتخاذ قرار مستنير.

نظرة سريعة: أصول النماذج#

يوفر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا لخياراتها المعمارية.

تفاصيل YOLOv5:

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: مستودع YOLOv5
• التوثيق: وثائق YOLOv5

تفاصيل YOLOv7:

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv: ورقة YOLOv7
• GitHub: مستودع YOLOv7
• المستندات: توثيق YOLOv7

تعرف على المزيد حول YOLOv7

الابتكارات والاختلافات المعمارية#

YOLOv5: المعيار في سهولة الوصول#

قدّمت Ultralytics نموذج YOLOv5 في عام 2020، فأحدث تحولًا جذريًا من خلال استخدام إطار عمل PyTorch أصليًا، مما خفّض بدرجة كبيرة عتبة الدخول أمام الباحثين والمطورين. تعتمد بنيته على أساس Modified CSPDarknet53، مع دمج شبكات التجزئة الجزئية عبر المراحل (CSP) لتقليل عدد المعلمات مع الحفاظ على تدفق التدرجات.

تتمثل إحدى أعظم نقاط قوته في متطلبات الذاكرة. فمقارنةً بكاشفات المرحلتين الأقدم أو نماذج Transformer الثقيلة مثل RT-DETR، يتطلب YOLOv5 قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب، مما يتيح استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية القياسية. علاوةً على ذلك، تدعم مرونته المدمجة أصليًا تصنيف الصور واكتشاف الأجسام وتجزئة الصور بسلاسة.

YOLOv7: دفع حدود الدقة الآنية#

أُطلق YOLOv7 في منتصف عام 2022، وركّز على دفع حدود أحدث ما توصل إليه المجال في الاكتشاف الآني على معايير MS COCO. قدّم المؤلفون شبكة تجميع الطبقات الفعّالة الممتدة (E-ELAN)، التي تحسّن قدرة الشبكة على التعلم من دون إتلاف مسار التدرج الأصلي.

يشتهر YOLOv7 أيضًا بما يُسمى «حقيبة المزايا القابلة للتدريب»، ولا سيما تقنيات إعادة المعلمات أثناء التدريب، التي تحوّل وحدات متعددة إلى طبقة التفاف واحدة للاستدلال، مما يعزز السرعة من دون التضحية بالدقة. ومع ذلك، غالبًا ما تؤدي منهجية التدريب المعقدة هذه إلى منحنيات تعلم أكثر حدة ومسارات تصدير أقل بساطة مقارنةً بمنظومة Ultralytics الأصلية.

مقارنة الأداء#

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

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

ميزة منظومة Ultralytics#

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

• سهولة الاستخدام: توفر منصة Ultralytics وواجهة Python API الموحّدة تجربة مستخدم مبسطة، وبنية صياغة سهلة، وتوثيقًا شاملًا. ولا يتطلب تدريب مجموعة بيانات مخصصة أي شيفرة 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 نماذج Ultralytics فعّالة للغاية في التدريب. وتسرّع الأوزان المدرّبة مسبقًا والمتاحة بسهولة التعلّم بالنقل بدرجة كبيرة.

مثال برمجي: البدء#

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

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، ينطوي استخدام مستودع YOLOv7 الأصلي عمومًا على استنساخ مستودعات معقدة، وإدارة التبعيات يدويًا، واستخدام وسائط طويلة لسطر الأوامر.

التطبيقات الواقعية وحالات الاستخدام المثالية#

متى تختار YOLOv7#

يظل YOLOv7 مرشحًا قويًا للقياس الأكاديمي أو لخطوط معالجة GPU القديمة المحددة، حيث يكون تحقيق أقصى mAP هو الهدف الوحيد ويكون النظام مهيأً مسبقًا لموترات مخرجاته القائمة على المراسي. وغالبًا ما يستخدم الباحثون الذين يستكشفون تحليل مسارات التدرج YOLOv7 كخط أساس.

متى تختار YOLOv5#

يحظى YOLOv5 بتفضيل كبير في بيئات الإنتاج بفضل استقراره الاستثنائي. وهو الخيار المفضّل من أجل:

• الحوسبة المحمولة والطرفية: نشر YOLOv5n على iOS عبر CoreML أو على Android عبر TFLite.
• الشركات الناشئة الرشيقة: 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 الأجسام والتصنيف والتجزئة في آنٍ واحد.

المستقبل: الانتقال إلى YOLO26#

رغم أن مقارنة YOLOv5 وYOLOv7 تمثل تمرينًا ممتازًا لفهم تطور الذكاء الاصطناعي في مجال الرؤية، فقد واصل أحدث ما توصل إليه المجال تقدمه. أُطلق Ultralytics YOLO26 في يناير 2026، ويمثل قفزة هائلة إلى الأمام، مما يجعل البنى الأقدم متقادمة إلى حد كبير بالنسبة إلى المشاريع الجديدة.

للمطورين الذين يسعون إلى أعلى مستويات الأداء، يوفر YOLO26 العديد من المزايا الرائدة مقارنةً بكل من YOLOv5 وYOLOv7:

• تصميم شامل خالٍ من NMS: من خلال إلغاء المعالجة اللاحقة لكبت القيم العظمى غير المتجاورة (NMS)، يوفر YOLO26 نشرًا أبسط بكثير وزمن استجابة أسرع ومتسقًا.
• مُحسِّن MuSGD: يستلهم هذا المُحسِّن الهجين أفكاره من ابتكارات LLM من Moonshot AI، ويوفر تدريبًا مستقرًا للغاية وتقاربًا سريعًا.
• سرعة طرفية غير مسبوقة: جرى تحسين المتغير nano خصيصًا للبيئات الطرفية، إذ يوفر استدلالًا على CPU أسرع بنسبة تصل إلى 43% من خلال إزالة خسارة البؤرة التوزيعية (DFL).
• دقة فائقة: تحسّن دوال الخسارة الجديدة مثل ProgLoss + STAL التعرف على الأجسام الصغيرة بدرجة كبيرة، مما يجعلها مثالية لمقاطع الطائرات المسيّرة والروبوتات.

سواء كنت تصون خط معالجة YOLOv5 قائمًا أو تتطلع إلى تطبيق YOLO26 المتطور، توفر منصة Ultralytics جميع الأدوات اللازمة للنجاح في مجال الرؤية الحاسوبية الحديث.