Link to this sectionYOLOv7 مقابل YOLO11: مقارنة تقنية شاملة#

شهد مشهد رؤية الحاسوب تطوراً متسارعاً على مدى السنوات القليلة الماضية. بالنسبة للمطورين والباحثين الذين يختارون إطار عمل مناسب لاكتشاف الأجسام، يعد فهم الاختلافات المعمارية والعملية بين النماذج التي تحدد ملامح هذا الجيل أمراً بالغ الأهمية. يقدم هذا الدليل مقارنة تقنية مفصلة بين الطفرة الأكاديمية YOLOv7 والنموذج المكرر للغاية والجاهز للإنتاج Ultralytics YOLO11.

Link to this sectionأصول النماذج والفلسفات المعمارية#

قدم نموذج YOLOv7، الذي أصدره في 6 يوليو 2022 المؤلفون Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao من معهد علوم المعلومات في أكاديمية سينيكا، العديد من المفاهيم الجديدة في هذا المجال. يركز النموذج، الموضح بالتفصيل في ورقة بحث YOLOv7 المنشورة على arXiv، بشكل كبير على نهج "مجموعة الأدوات القابلة للتدريب" (trainable bag-of-freebies) وشبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). صُممت هذه الخيارات المعمارية خصيصاً لزيادة كفاءة مسار التدرج إلى أقصى حد، مما يجعله أداة قوية للمقارنة المرجعية الأكاديمية على وحدات معالجة الرسوميات (GPUs) عالية الأداء.

اعرف المزيد عن YOLOv7

أما نموذج YOLO11، الذي طوره Glenn Jocher وJing Qiu في Ultralytics، فقد صدر في 27 سبتمبر 2024. يحول YOLO11 التركيز من التعقيد المعماري البحت إلى نظام بيئي شامل يضع المطور في المقام الأول. يتميز YOLO11، المستضاف على مستودع Ultralytics على GitHub، بتصميم محسّن خالٍ من الـ anchor يقلل بشكل كبير من استهلاك الذاكرة أثناء التدريب والاستنتاج. وهو مدمج بشكل أصلي في منصة Ultralytics، مما يوفر سهولة استخدام لا مثيل لها بدءاً من تعليق البيانات وصولاً إلى النشر على الأطراف.

تعرف على المزيد حول YOLO11

Link to this sectionمقاييس الأداء والكفاءة#

عند نشر النماذج في تطبيقات العالم الحقيقي، يجب موازنة الدقة الخام مقابل سرعة الاستنتاج والعبء الحسابي. فيما يلي مقارنة مباشرة لمتغيرات YOLOv7 وYOLO11 التي تم تقييمها وفقاً لمعايير مجموعة بيانات COCO القياسية.

ملاحظة: تشير سرعات وحدة المعالجة المركزية (CPU) المفقودة لـ YOLOv7 إلى بيئات اختبار قديمة لم توحّد معايير اختبار ONNX على وحدة المعالجة المركزية. تم تمييز أفضل القيم في الفئات القابلة للمقارنة.

Link to this sectionتحليل النتائج#

توضح البيانات تطوراً واضحاً في الكفاءة. يحقق نموذج YOLO11l (الكبير) mAP^val متفوقاً بنسبة 53.4% مقارنة بـ 51.4% لـ YOLOv7l، بينما يستخدم عدداً أقل بكثير من البارامترات (25.3 مليون مقابل 36.9 مليون) وعدداً أقل بكثير من العمليات الحسابية FLOPs (86.9 مليار مقابل 104.7 مليار). يسمح هذا الانخفاض في التعقيد الحسابي لـ YOLO11 بالعمل بشكل أسرع على تنفيذات NVIDIA TensorRT ويتطلب ذاكرة VRAM أقل، مما يجعله أكثر ملاءمة للبيئات ذات الأجهزة المحدودة.

Link to this sectionسهولة الاستخدام وسير عمل التدريب#

تعد تجربة المطور نقطة اختلاف رئيسية بين إطاري العمل.

Link to this sectionتدريب YOLOv7#

غالباً ما يتطلب استخدام قاعدة كود YOLOv7 مفتوحة المصدر استنساخ المستودع، وحل التبعيات يدوياً، والاعتماد على وسائط سطر أوامر مطولة. كما أن إدارة المهام المختلفة أو التصدير إلى تنسيقات الهاتف المحمول غالباً ما تتضمن تعديل نصوص برمجية مصدرية أو الاعتماد على تفرعات من أطراف ثالثة.

Link to this sectionتدريب YOLO11#

تم دمج YOLO11 بعمق في حزمة ultralytics بلغة Python، مما يبسط دورة حياة تعلم الآلة. يستغرق تدريب نموذج اكتشاف الأجسام بضعة أسطر فقط من الكود، ويتعامل إطار العمل بشكل أصلي مع تنزيل البيانات، وضبط المعلمات الفائقة (hyperparameter)، والتخزين المؤقت.

from ultralytics import YOLO

# Load a pretrained YOLO11 Nano model for maximum speed
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")

علاوة على ذلك، يتمتع YOLO11 بتنوع هائل. فمن خلال تغيير لاحقة النموذج ببساطة، يمكن للمطورين الانتقال فوراً من الاكتشاف إلى رسم خرائط تجزئة المثيلات، أو تتبع تقدير الوضعية، أو التعرف على الصناديق المحيطة الموجهة (OBB) — وهو مستوى من دعم المهام المتعددة الأصلي الذي يفتقر إليه YOLOv7.

Link to this sectionسيناريوهات النشر المثالية#

يساعد فهم نقاط القوة لكل نموذج في تحديد حالات الاستخدام الأفضل لها.

• إعادة إنتاج المعايير القديمة: لا يزال YOLOv7 مفيداً للباحثين الأكاديميين الذين يحتاجون إلى إعادة إنتاج معايير محددة لعام 2022 أو دراسة تأثيرات تقنيات إعادة المعلمة (re-parameterization) على الشبكات القائمة على الـ anchor.
• بيئات الإنتاج التجارية: YOLO11 هو الخيار الواضح لأنظمة المؤسسات. إن استقراره وصيانته النشطة وتكامله مع واجهة منصة Ultralytics القائمة على السحابة تجعله مثالياً لإدارة تحليلات البيع بالتجزئة واسعة النطاق، ومراقبة الأمن، ومراقبة جودة التصنيع.
• حوسبة الحافة ذات الموارد المحدودة: تم تصميم متغير YOLO11n الخفيف جداً خصيصاً لأجهزة الحافة منخفضة الطاقة، حيث يعمل بكفاءة على نظام Raspberry Pi أو وحدات NVIDIA Jetson.

Link to this sectionالتطلع للمستقبل: التحول النموذجي لـ YOLO26#

بينما يمثل YOLO11 حلاً متطوراً ومكرراً للغاية، إلا أن مجال تعلم الآلة يتقدم بلا هوادة. بالنسبة للمستخدمين الذين يبدأون مشاريع رؤية جديدة تماماً اليوم، يوصى بشدة باستكشاف Ultralytics YOLO26 الذي تم إصداره حديثاً.

تم إصدار YOLO26 في يناير 2026، ويقدم العديد من الميزات الرائدة التي تتفوق على كل من YOLOv7 وYOLO11:

• معمارية خالية من NMS بشكل أصلي: يلغي YOLO26 الحاجة إلى معالجة لاحقة عبر Non-Maximum Suppression. يعمل هذا التصميم الشامل على تبسيط خطوط أنابيب النشر وتقليل تباين زمن الانتقال بشكل كبير.
• استنتاج على وحدة المعالجة المركزية أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة Distribution Focal Loss (DFL) بشكل استراتيجي، تم تحسين YOLO26 بشكل كبير لأجهزة الحافة والبيئات التي لا تحتوي على وحدات معالجة رسوميات مخصصة.
• تكامل محسن MuSGD: استناداً إلى تقنيات تدريب LLM المتقدمة من Moonshot AI، يضمن هذا المحسن الهجين استقراراً غير مسبوق في التدريب ومعدلات تقارب أسرع.
• اكتشاف فائق للأجسام الصغيرة: يوفر إدخال وظائف فقدان ProgLoss وSTAL تعزيزات حاسمة في الدقة لتحديد التفاصيل الدقيقة، وهو مثالي لتحليل صور الطائرات بدون طيار وبيانات مستشعرات IoT المعقدة.

تعرف على المزيد حول YOLO26

بالنسبة للمستخدمين المهتمين بالمعماريات القائمة على الـ Transformer أو النماذج البديلة، تغطي وثائق Ultralytics أيضاً نماذج مثل كاشف Transformer RT-DETR ونموذج YOLO-World مفتوح المفردات.