YOLOv5 مقابل YOLOv7
شهد مجال الرؤية الحاسوبية تطورًا سريعًا خلال السنوات القليلة الماضية، مدفوعًا بالحاجة إلى كشف الأجسام في الزمن الفعلي بسرعة ودقة أكبر. وعند اختيار المعمارية المناسبة لمشروعك، من المهم فهم الاختلافات بين النماذج الشائعة مثل Ultralytics YOLOv5 وYOLOv7. تتناول هذه المقارنة التقنية معماريتيهما ومنهجيات التدريب ومقاييس الأداء وسيناريوهات النشر المثالية، لمساعدتك على اتخاذ قرار مدروس.
لمحة سريعة: أصول النماذج#
يوفر فهم أصول هذه النماذج وفلسفات تصميمها سياقًا يساعد على استيعاب خياراتها المعمارية.
تفاصيل YOLOv5:
- المؤلف: Glenn Jocher
- الجهة: Ultralytics
- التاريخ: 2020-06-26
- GitHub: مستودع YOLOv5
- الوثائق: وثائق YOLOv5
تفاصيل YOLOv7:
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
- التاريخ: 2022-07-06
- arXiv: ورقة YOLOv7
- GitHub: مستودع YOLOv7
- الوثائق: وثائق YOLOv7
هل تريد معرفة كيفية مقارنة هذه النماذج بغيرها؟ اطّلع على مقارنات مثل YOLOv5 مقابل YOLO11 أو YOLOv7 مقابل EfficientDet لتعميق فهمك لمنظومة كشف الأجسام.
الابتكارات والاختلافات المعمارية#
YOLOv5: معيار سهولة الوصول#
قدمت Ultralytics نموذج YOLOv5 في عام 2020، وبنته أصليًا على إطار عمل PyTorch، ما خفّض بدرجة كبيرة عتبة البدء للباحثين والمطورين. وتعتمد معماريته على عمود فقري Modified CSPDarknet53، يدمج شبكات Cross Stage Partial (CSP) لتقليل عدد المعلمات مع الحفاظ على تدفق التدرجات.
من أبرز نقاط قوته انخفاض متطلبات الذاكرة. فمقارنةً بكواشف الأجسام الأقدم ذات المرحلتين أو نماذج Transformer الضخمة مثل RT-DETR، يحتاج YOLOv5 إلى ذاكرة CUDA أقل بكثير أثناء التدريب، ما يتيح استخدام أحجام دفعات أكبر على GPUs الاستهلاكية المعتادة. كما يوفر تعددًا في الاستخدامات: إذ يدعم مستودع YOLOv5 الأصلي كشف الأجسام وتجزئة المثيلات وتصنيف الصور.
YOLOv7: تجاوز حدود الدقة في الزمن الحقيقي#
صدر YOLOv7 في منتصف عام 2022، وركز على تطوير دقة أحدث التقنيات في الكشف بالزمن الفعلي وفق معايير MS COCO. وقدم المؤلفون شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، التي تحسن قدرة الشبكة على التعلم دون الإضرار بمسار التدرجات الأصلي.
يشتهر YOLOv7 أيضًا بما يُعرف باسم "مجموعة المجانيات القابلة للتدريب"، ولا سيما تقنيات إعادة المعلمات أثناء التدريب، التي تحوّل وحدات متعددة إلى طبقة التفاف واحدة للاستدلال، ما يزيد السرعة دون التضحية بالدقة. لكن منهجية التدريب المعقدة هذه تؤدي غالبًا إلى منحنيات تعلم أشد ومسارات تصدير أقل سهولة مقارنةً بمنظومة Ultralytics الأصلية.
مقارنة الأداء#
عند تقييم هذه النماذج، يُعد توازن الأداء بين السرعة والدقة والتكلفة الحسابية أساسيًا. فيما يلي مقارنة تفصيلية لمقاييس أدائها استنادًا إلى مجموعة بيانات MS COCO val2017.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
على الرغم من تحقيق YOLOv7 قيم mAP مطلقة أعلى في الإصدارات الأكبر، يقدم YOLOv5 نطاقًا أوسع من أحجام النماذج، بدءًا من Nano خفيف الوزن (YOLOv5n) للأجهزة الطرفية، وصولًا إلى Extra-Large (YOLOv5x) للاستدلال السحابي.
ميزة منظومة Ultralytics#
تتجاوز فائدة النموذج بنيته المجردة؛ إذ تحدد المنظومة المحيطة به سرعة نشره في بيئة الإنتاج. وهنا تتألق نماذج Ultralytics.
- سهولة الاستخدام: توفر منصة Ultralytics وواجهة Python API الموحدة تجربة استخدام مبسطة وصياغة بسيطة ووثائق شاملة. ويتطلب التدريب على مجموعة بيانات مخصصة الحد الأدنى من التعليمات البرمجية النمطية.
- منظومة تحظى بصيانة جيدة: تستفيد Ultralytics من التطوير النشط والتحديثات المتكررة والدعم القوي من المجتمع. كما أن عمليات التكامل مع أدوات مثل Comet وWeights & Biases مدمجة.
- كفاءة التدريب: تجعل محمّلات البيانات والتخزين المؤقت الذكي ودعم وحدات GPU المتعددة تدريب نماذج Ultralytics فعالًا. وتسرّع الأوزان المدرّبة مسبقًا والمتاحة بسهولة التعلّم بالنقل.
مثال على الشيفرة: البدء#
باستخدام Ultralytics، لا يتطلب نشر النموذج سوى بضعة أسطر من التعليمات البرمجية. يوضّح مقتطف Python التالي مدى سهولة تحميل النموذج وتدريبه وتشغيل الاستدلال باستخدام الحزمة الموصى بها ultralytics.
from ultralytics import YOLO
# تحميل نموذج YOLOv5s مدرّب مسبقًا
model = YOLO("yolov5su.pt") # YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics
# تدريب النموذج على مجموعة البيانات التجريبية COCO8
# تتولى Ultralytics تلقائيًا تنزيل البيانات وزيادتها
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# إجراء الاستدلال على صورة نموذجية
predictions = model("https://ultralytics.com/images/bus.jpg")
# عرض التنبؤات
predictions[0].show()في المقابل، يتطلب استخدام مستودع YOLOv7 الأصلي عمومًا استنساخ مستودعات معقدة وإدارة التبعيات يدويًا واستخدام وسائط مطوّلة لسطر الأوامر.
التطبيقات الواقعية وحالات الاستخدام المثالية#
متى تختار YOLOv7#
يظل YOLOv7 خيارًا قويًا للمعايرة المرجعية الأكاديمية أو لمسارات GPU القديمة المحددة التي يكون فيها تحقيق أقصى mAP هو الهدف الوحيد، ويكون النظام مهيأً بالفعل لموترات الإخراج المعتمدة على المراسي. وغالبًا ما يستخدم الباحثون الذين يدرسون تحليل مسارات التدرجات YOLOv7 بوصفه خط أساس.
متى تختار YOLOv5#
يشيع استخدام YOLOv5 في بيئات الإنتاج بفضل استقراره. وهو الخيار المفضل لـ:
- الحوسبة المحمولة والطرفية: نشر YOLOv5n على iOS عبر CoreML أو على Android عبر LiteRT.
- الشركات الناشئة المرنة: تستفيد الفرق التي تحتاج إلى دورات تطوير سريعة من تكامل منصة Ultralytics لإدارة مجموعات البيانات والتدريب السحابي.
- البيئات متعددة المهام: الأنظمة التي تجمع بين كشف الأجسام والتجزئة والتصنيف.
المستقبل: الانتقال إلى YOLO26#
على الرغم من أن مقارنة YOLOv5 وYOLOv7 تمرين ممتاز لفهم تطور ذكاء الرؤية، فإن أحدث التقنيات واصلت تقدمها. وقد صدر Ultralytics YOLO26 في يناير 2026، وهو نقطة البداية الموصى بها للمشاريع الجديدة.
يوفر YOLO26 عدة مزايا مقارنةً بكل من YOLOv5 وYOLOv7:
- تصميم شامل خالٍ من NMS: من خلال إمكانية تخطي المعالجة اللاحقة لكبت غير الأعظم (
nms=False)، يوفر YOLO26 نشرًا أبسط وزمن استجابة أكثر اتساقًا. - مُحسِّن MuSGD: استلهامًا من ابتكارات Moonshot AI في نماذج LLM، يقدم هذا المُحسِّن الهجين تدريبًا مستقرًا وتقاربًا أسرع.
- استدلال طرفي أسرع: بفضل تحسينه للبيئات الطرفية، يعمل YOLO26n على CPU بسرعة تصل إلى 43% أكثر من YOLO11n، مدعومًا بإزالة خسارة البؤرة التوزيعية (DFL).
- دقة أعلى: تحسّن تقنيات التدريب الجديدة مثل ProgLoss + STAL التعرّف على الأجسام الصغيرة، ما يفيد لقطات الطائرات المسيّرة والروبوتات.
سواء أكنت تحافظ على مسار عمل قائم على YOLOv5 أم تعتمد YOLO26، توفر منصة Ultralytics أدوات للتوسيم والتدريب والنشر.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.