Link to this sectionYOLOv5 في مقابل YOLOv7#

لقد تطور مشهد الرؤية الحاسوبية بسرعة كبيرة على مدى السنوات القليلة الماضية، مدفوعاً بالحاجة إلى اكتشاف كائنات في الوقت الفعلي بشكل 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. تتعمق هذه المقارنة التقنية الشاملة في بنيتها، ومنهجيات التدريب، ومقاييس الأداء، وسيناريوهات النشر المثالية لمساعدتك في اتخاذ قرار مستنير.

Link to this sectionلمحة سريعة: أصول النماذج#

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

تفاصيل YOLOv5:

• المؤلفون: Glenn Jocher
• المؤسسة: Ultralytics
• التاريخ: 2020-06-26
• GitHub: مستودع YOLOv5
• التوثيق: توثيق YOLOv5

اعرف المزيد عن YOLOv5

تفاصيل YOLOv7:

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv: ورقة بحث YOLOv7
• GitHub: مستودع YOLOv7
• المستندات: مستندات YOLOv7

اعرف المزيد عن YOLOv7

Link to this sectionالابتكارات والاختلافات المعمارية#

Link to this sectionYOLOv5: المعيار للسهولة#

قدمت Ultralytics نموذج YOLOv5 في عام 2020، مما أحدث نقلة نوعية من خلال الاستخدام الأصلي لإطار العمل PyTorch، مما أدى إلى خفض حاجز الدخول بشكل كبير للباحثين والمطورين. تعتمد بنيتها على العمود الفقري Modified CSPDarknet53، الذي يدمج شبكات Cross Stage Partial (CSP) لتقليل عدد المعلمات مع الحفاظ على تدفق التدرج.

إحدى أكبر نقاط قوتها هي متطلبات الذاكرة. مقارنةً بكواشف المرحلتين القديمة أو نماذج Transformer الثقيلة مثل RT-DETR، يتطلب YOLOv5 ذاكرة CUDA أقل بكثير أثناء التدريب، مما يسمح بأحجام دفعات أكبر على وحدات معالجة الرسومات المخصصة للمستهلكين القياسية. علاوة على ذلك، يدعم تنوعه المدمج بشكل أصلي تصنيف الصور، واكتشاف الكائنات، وتجزئة الصور بسلاسة.

Link to this sectionYOLOv7: 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.

Link to this sectionمقارنة 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.

Link to this sectionميزة 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 تجربة مستخدم مبسطة، وبناء جملة بسيطاً، ووثائق شاملة. يتطلب تدريب مجموعة بيانات مخصصة صفراً من تعليمات القالب البرمجية.
• نظام بيئي مُصان جيداً: تستفيد Ultralytics من التطوير النشط والتحديثات المتكررة ودعم المجتمع القوي. عمليات الدمج مع أدوات مثل Comet ML وWeights & Biases مضمنة مباشرة.
• كفاءة التدريب: تجعل محملات البيانات، والتخزين المؤقت الذكي، ودعم تعدد وحدات معالجة الرسومات من تدريب نماذج Ultralytics أمراً فعالاً للغاية. الأوزان المدربة مسبقاً والمتاحة بسهولة تسرع بشكل كبير التعلم بنقل المعرفة.

Link to this sectionمثال على التعليمات البرمجية: البدء#

باستخدام Ultralytics، يتطلب نشر نموذج بضعة أسطر فقط من التعليمات البرمجية. يوضح مقتطف Python التالي مدى سهولة 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.

Link to this sectionتطبيقات العالم الحقيقي وحالات الاستخدام المثالية#

Link to this sectionمتى 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.

Link to this sectionمتى تختار YOLOv5#

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

• الحوسبة المتنقلة والحافة: نشر YOLOv5n على iOS عبر CoreML أو Android عبر TFLite.
• الشركات الناشئة المرنة: 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 الكائنات والتصنيف والتجزئة في وقت واحد.

Link to this sectionالمستقبل: الانتقال إلى YOLO26#

بينما تُعد مقارنة YOLOv5 وYOLOv7 تمريناً ممتازاً لفهم تطور الذكاء الاصطناعي للرؤية، فقد استمرت حالة الفن في التقدم. تم إطلاق Ultralytics YOLO26 في يناير 2026، وهو يمثل قفزة هائلة إلى الأمام، مما يجعل البنيات القديمة قديمة 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 تحافظ على خط أنابيب YOLOv5 موجود أو تتطلع إلى تنفيذ YOLO26 المتطور، توفر منصة Ultralytics جميع الأدوات اللازمة للنجاح في الرؤية الحاسوبية الحديثة.