تطور اكتشاف الأجسام: YOLOv5 YOLOv7

تطورت رؤية الكمبيوتر بسرعة كبيرة خلال السنوات القليلة الماضية، مدفوعة بالحاجة إلى اكتشاف الأجسام في الوقت الفعلي بشكل أسرع وأكثر دقة. عند اختيار البنية المناسبة لمشروع رؤية الكمبيوتر الخاص بك، من المهم فهم الفروق الدقيقة بين النماذج الشائعة مثل Ultralytics YOLOv5 و YOLOv7 بالغ الأهمية. تتعمق هذه المقارنة التقنية الشاملة في هياكلها ومنهجيات التدريب ومقاييس الأداء وسيناريوهات النشر المثالية لمساعدتك على اتخاذ قرار مستنير.

لمحة عامة: أصول النموذج

فهم الأصول والفلسفات التصميمية الكامنة وراء هذه النماذج يوفر سياقًا لخياراتها المعمارية.

YOLOv5 :

• المؤلفون: Glenn Jocher
• المؤسسة:Ultralytics
• التاريخ: 2020-06-26
• GitHub:مستودع YOLOv5
• الوثائق:وثائق YOLOv5

تعرف على المزيد حول YOLOv5

تفاصيل YOLOv7:

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المؤسسة:معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv:YOLOv7
• GitHub:مستودع YOLOv7
• الوثائق:وثائق YOLOv7

تعرف على المزيد حول YOLOv7

الابتكارات المعمارية والاختلافات

YOLOv5: معيار إمكانية الوصول

قدمت Ultralytics عام 2020، YOLOv5 تحولًا جذريًا من خلال استخدامها الأصلي لـ PyTorch ، مما أدى إلى خفض حاجز الدخول بشكل كبير للباحثين والمطورين. تعتمد بنيته على العمود الفقري CSPDarknet53 المعدل، ويدمج شبكات Cross Stage Partial (CSP) لتقليل عدد المعلمات مع الحفاظ على تدفق التدرج.

واحدة من أكبر نقاط قوتها هي متطلبات الذاكرة. مقارنةً بأجهزة الكشف القديمة ذات المرحلتين أو نماذج المحولات الثقيلة مثل RT-DETR، YOLOv5 CUDA أقل بكثير أثناء التدريب، مما يسمح بأحجام دفعات أكبر على وحدات معالجة الرسومات القياسية للمستهلكين. علاوة على ذلك، يدعم تنوعه المدمج أصلاً تصنيف الصور وكشف الكائنات وتقسيم الصور بسلاسة.

YOLOv7: تجاوز حدود الدقة في الوقت الفعلي

صدر YOLOv7 في منتصف عام 2022، YOLOv7 على تخطي حدود أحدث التقنيات في مجال الكشف في الوقت الفعلي على COCO MS COCO . قدم المؤلفون شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، التي تعمل على تحسين قدرة الشبكة على التعلم دون إتلاف مسار التدرج الأصلي.

YOLOv7 أيضًا بـ "حقيبة الهدايا القابلة للتدريب"، ولا سيما تقنيات إعادة المعلمات أثناء التدريب التي تحول وحدات متعددة إلى طبقة تلافيفية واحدة للاستدلال، مما يزيد السرعة دون التضحية بالدقة. ومع ذلك، غالبًا ما تؤدي منهجية التدريب المعقدة هذه إلى منحنيات تعلم أكثر حدة وخطوط أنابيب تصدير أقل بساطة مقارنة Ultralytics الأصلي Ultralytics .

مقارنة الأداء

عند تقييم هذه النماذج، فإن التوازن بين السرعة والدقة والتكلفة الحسابية هو أمر بالغ الأهمية. فيما يلي مقارنة مفصلة لمقاييس أدائها استنادًا إلى مجموعة بيانات MS COCO .

بينما YOLOv7 mAP مطلقة أعلى على المتغيرات الأكبر حجماً، YOLOv5 مجموعة لا مثيل لها من النماذج — بدءاً من Nano (YOLOv5n) فائق الخفة للأجهزة المتطورة وصولاً إلى Extra-Large (YOLOv5x) للاستدلال السحابي.

ميزة النظام البيئي لـ Ultralytics

تتجاوز فائدة النموذج هندسته الأولية؛ فالنظام البيئي المحيط به هو الذي يحدد مدى سرعة نشره في الإنتاج. وهنا تكمن أهمية Ultralytics .

• سهولة الاستخدام: توفر Ultralytics Python الموحدة الخاصة بها تجربة مستخدم مبسطة وبنية برمجية بسيطة ووثائق شاملة. لا يتطلب تدريب مجموعة بيانات مخصصة أي كود نمطي.
• نظام بيئي جيد الصيانة: Ultralytics من التطوير النشط والتحديثات المتكررة والدعم القوي من المجتمع. التكامل مع أدوات مثل Comet و Weights & Biases مضمنة بشكل أساسي.
• كفاءة التدريب: بفضل محملات البيانات والتخزين المؤقت الذكيGPU ، تتميز Ultralytics بكفاءة تدريب استثنائية. كما أن الأوزان المعدة مسبقًا والمتاحة بسهولة تسرع عملية نقل التعلم بشكل كبير.

مثال على الكود: البدء

باستخدام Ultralytics لا يتطلب نشر نموذج سوى بضع أسطر من التعليمات البرمجية. يوضح Python التالي Python مدى سهولة تحميل وتدريب وتشغيل الاستدلال باستخدام 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()

على النقيض من ذلك، فإن استخدام YOLOv7 الأصلي يتطلب عادةً استنساخ مستودعات معقدة، وإدارة التبعيات يدويًا، واستخدام حجج سطر أوامر طويلة.

تطبيقات في العالم الحقيقي وحالات استخدام مثالية

متى تختار YOLOv7

YOLOv7 مرشحًا قويًا للمقارنة الأكاديمية أو GPU القديمة المحددة حيث mAP الحد الأقصى mAP الهدف الوحيد ويكون النظام مخصصًا بالفعل لمتجهات الإخراج القائمة على المراسي. غالبًا ما يستخدم الباحثون الذين يستكشفون تحليل مسار التدرج YOLOv7 .

متى تختار YOLOv5

YOLOv5 بشعبية كبيرة في بيئات الإنتاج بفضل استقراره الاستثنائي. وهو الخيار المفضل في الحالات التالية:

• الحوسبة المتنقلة والحوسبة الطرفية: نشر YOLOv5n على iOS CoreML أو Android TFLite.
• الشركات الناشئة المرنة: تستفيد الفرق التي تحتاج إلى دورات تكرار سريعة من التكامل السلس Ultralytics لإدارة مجموعات البيانات والتدريب السحابي.
• بيئات متعددة المهام: أنظمة تتطلب الكشف عن الكائنات وتصنيفها وتقسيمها في وقت واحد.

المستقبل: الانتقال إلى YOLO26

في حين أن مقارنة YOLOv5 YOLOv7 ممارسة ممتازة لفهم تطور الذكاء الاصطناعي في مجال الرؤية، إلا أن أحدث التقنيات في هذا المجال استمرت في التقدم. تم إصدار Ultralytics في يناير 2026، وهو يمثل قفزة هائلة إلى الأمام، مما يجعل البنى القديمة عديمة الفائدة إلى حد كبير للمشاريع الجديدة.

للمطورين الباحثين عن أعلى مستويات الأداء، يقدم YOLO26 العديد من المزايا الرائدة مقارنةً بكل من YOLOv5 YOLOv7:

• تصميم شامل NMS: من خلال التخلص من المعالجة اللاحقة لـ Non-Maximum Suppression، يوفر YOLO26 نشرًا أبسط بشكل كبير ووقت استجابة أسرع وأكثر اتساقًا.
• MuSGD Optimizer: مستوحى من ابتكارات LLM من Moonshot AI، يوفر هذا المحسن الهجين تدريبًا عالي الاستقرار وتقاربًا سريعًا.
• سرعة حافة غير مسبوقة: تم تحسين النسخة النانوية خصيصًا لبيئات الحافة، وتتميز CPU أعلى بنسبة تصل إلى 43٪ من خلال إزالة الخسارة البؤرية للتوزيع (DFL).
• دقة فائقة: تعمل وظائف الخسارة الجديدة مثل ProgLoss + STAL على تحسين التعرف على الأجسام الصغيرة بشكل كبير، مما يجعلها مثالية لتصوير الطائرات بدون طيار والروبوتات.

سواء كنت تقوم بصيانة YOLOv5 موجود بالفعل أو تبحث عن تطبيق YOLO26 المتطور، توفر Ultralytics جميع الأدوات اللازمة للنجاح في مجال الرؤية الحاسوبية الحديثة.

تعليقات