YOLOv7 مقابل YOLO11#

تطورت الرؤية الحاسوبية بسرعة خلال السنوات القليلة الماضية. ومن المهم للمطورين والباحثين الذين يختارون إطارًا لاكتشاف الأجسام فهم الفروق المعمارية والعملية بين أجيال النماذج. يقدم هذا الدليل مقارنة تقنية مفصلة بين YOLOv7 الأكاديمي وUltralytics YOLO11 الجاهز للإنتاج.

أصول النماذج وفلسفاتها المعمارية#

طرح YOLOv7، الذي أصدره في 6 يوليو 2022 المؤلفون Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao من معهد علوم المعلومات في أكاديميا سينيكا، مفاهيم مبتكرة عدة في هذا المجال. ويركز النموذج، كما هو مفصّل في ورقة YOLOv7 البحثية المنشورة على arXiv، بدرجة كبيرة على نهج «حقيبة المزايا القابلة للتدريب» وشبكات تجميع الطبقات الفعّالة الموسعة (E-ELAN). وقد صُممت هذه الخيارات المعمارية خصيصًا لتعظيم كفاءة مسارات التدرج، ما يجعل النموذج أداة قوية للمقارنة المعيارية الأكاديمية على وحدات GPU المتطورة.

تعرّف على المزيد عن YOLOv7

YOLO11، الذي طوّره Glenn Jocher وJing Qiu في Ultralytics، صدر في 27 سبتمبر 2024. وينقل YOLO11 التركيز من التعقيد المعماري وحده إلى منظومة شاملة تضع المطور في المقام الأول. ويتميز YOLO11، المستضاف في مستودع Ultralytics على GitHub، بتصميم خالٍ من المراسي ومحسّن يقلل استهلاك الذاكرة أثناء التدريب والاستدلال. كما أنه مدمج أصليًا في Ultralytics Platform، ليغطي مسار العمل بدءًا من إضافة التعليقات التوضيحية إلى مجموعة البيانات وحتى النشر الطرفي.

مقاييس الأداء والكفاءة#

عند نشر النماذج في تطبيقات العالم الحقيقي، يجب الموازنة بين الدقة الخام وسرعة الاستدلال والعبء الحسابي. فيما يلي مقارنة مباشرة لمتغيرات YOLOv7 وYOLO11 التي جرى تقييمها وفق معايير مجموعة بيانات COCO القياسية.

ملاحظة: يشير غياب سرعات CPU لـYOLOv7 إلى بيئات اختبار قديمة لم توحّد معايير ONNX لاختبارات CPU. وقد أُبرزت أفضل القيم ضمن الفئات القابلة للمقارنة.

تحليل النتائج#

تُظهر البيانات تطورًا واضحًا في الكفاءة. يحقق نموذج YOLO11l (الكبير) قيمة mAP^val تبلغ 53.4%، مقارنةً بـ 51.4% لنموذج YOLOv7l، مع استخدام عدد أقل بكثير من المعلمات (25.3M مقابل 36.9M) وعمليات FLOP أقل (87.2B مقابل 104.7B). ويتيح هذا الانخفاض في التعقيد الحسابي تشغيل YOLO11 بسرعة أكبر على تطبيقات NVIDIA TensorRT، كما يتطلب VRAM أقل، ما يجعله أنسب بكثير للبيئات ذات قيود الأجهزة.

سهولة الاستخدام وسير عمل التدريب#

تتمثل إحدى نقاط الاختلاف الرئيسية بين إطاري العمل في تجربة المطور.

تدريب YOLOv7#

غالبًا ما يتطلب استخدام قاعدة الشيفرة الأصلية مفتوحة المصدر لـYOLOv7 استنساخ المستودع وحل التبعيات يدويًا والاعتماد على أوامر مطوّلة لسطر الأوامر. وكثيرًا ما تتطلب إدارة المهام المختلفة أو التصدير إلى تنسيقات الأجهزة المحمولة تعديل النصوص البرمجية المصدرية أو الاعتماد على تفرعات تابعة لجهات خارجية.

تدريب YOLO11#

يتكامل YOLO11 بعمق مع حزمة Python ultralytics، ما يبسّط دورة حياة التعلم الآلي. ولا يتطلب تدريب نموذج لاكتشاف الأجسام سوى بضعة أسطر من الشيفرة، ويتولى الإطار تنزيل مجموعة البيانات وزيادة البيانات والتخزين المؤقت.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11 Nano مدرّب مسبقًا لتحقيق أقصى سرعة⁩
model = YOLO("yolo11n.pt")

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تصدير النموذج المدرّب إلى تنسيق ONNX لنشره⁩
export_path = model.export(format="onnx")

يتسم YOLO11 أيضًا بتعدد الاستخدامات. فبتغيير لاحقة النموذج، يمكن للمطورين الانتقال من الاكتشاف إلى تجزئة الكائنات، أو تصنيف الصور، أو تقدير الوضعيات، أو اكتشاف صناديق الإحاطة الموجّهة (OBB)، وهي إمكانات أصلية متعددة المهام لا يوفرها YOLOv7.

سيناريوهات النشر المثالية#

يساعد فهم نقاط قوة كل نموذج على تحديد حالات الاستخدام الأنسب له.

• إعادة إنتاج المعايير المرجعية القديمة: يظل YOLOv7 مفيدًا للباحثين الأكاديميين الذين يحتاجون إلى إعادة إنتاج معايير مرجعية محددة من عام 2022 أو دراسة آثار تقنيات إعادة المعلمة على الشبكات القائمة على المراسي.
• بيئات الإنتاج التجارية: يُعد YOLO11 خيارًا قويًا لأنظمة المؤسسات. فاستقراره وصيانته النشطة وتكامله مع Ultralytics Platform المستندة إلى السحابة تجعله مناسبًا تمامًا لـتحليلات البيع بالتجزئة واسعة النطاق، ومراقبة الأمن، وضبط جودة التصنيع.
• الحوسبة الطرفية محدودة الموارد: صُمم المتغير خفيف الوزن YOLO11n للأجهزة الطرفية منخفضة الطاقة، ويعمل بكفاءة على Raspberry Pi أو وحدات NVIDIA Jetson.

نظرة إلى المستقبل: YOLO26#

مع أن YOLO11 لا يزال نموذجًا ناضجًا ويحظى بدعم جيد، يواصل المجال التقدم. والخيار الموصى به لمشاريع الرؤية الجديدة هو Ultralytics YOLO26.

قُدّم YOLO26 في يناير 2026، ويضم ميزات متعددة تحسّن على كل من YOLOv7 وYOLO11:

• بنية اختيارية خالية من NMS: يلغي الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) الحاجة إلى المعالجة اللاحقة باستخدام Non-Maximum Suppression. يبسّط هذا التصميم الشامل مسارات النشر ويقلل تفاوت زمن الاستجابة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة Distribution Focal Loss (DFL)، يُحسّن YOLO26 للأجهزة الطرفية والبيئات التي لا تحتوي على وحدات GPU مخصصة؛ إذ يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n.
• تكامل محسّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة المتقدمة لدى Moonshot AI، يحسّن هذا المحسّن الهجين استقرار التدريب وسرعة التقارب.
• تحسين اكتشاف الأجسام الصغيرة: تحسّن الخسارة التدريجية (ProgLoss) وإسناد التسميات المراعي للأهداف الصغيرة (STAL) الدقة في اكتشاف الأجسام الصغيرة، ما يفيد تحليل الصور الجوية الملتقطة بالطائرات المسيّرة وبيانات مستشعرات إنترنت الأشياء المعقدة.

للمهتمين بالبنى القائمة على Transformer أو النماذج البديلة، تتناول وثائق Ultralytics أيضًا نماذج مثل كاشف Transformer RT-DETR ونموذج YOLO-World ذي المفردات المفتوحة.