YOLOv7 YOLO11: مقارنة تقنية شاملة

تطور مجال الرؤية الحاسوبية بسرعة خلال السنوات القليلة الماضية. بالنسبة للمطورين والباحثين الذين يختارون إطار عمل الكشف عن الكائنات المناسب، من الضروري فهم الاختلافات المعمارية والعملية بين النماذج التي تحدد الجيل. يقدم هذا الدليل مقارنة تقنية مفصلة بين الاختراق الأكاديمي لـ YOLOv7 والنموذج المُحسّن للغاية والجاهز للإنتاج Ultralytics YOLO11.

أصول النموذج والفلسفات المعمارية

YOLOv7، الذي صدر في 6 يوليو 2022، من قبل المؤلفين Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao من معهد علوم المعلومات في أكاديمية سينيكا، قدم عدة مفاهيم جديدة في هذا المجال. كما هو مفصل في ورقةYOLOv7 المنشورة على arXiv، يركز النموذج بشكل كبير على نهج "trainable bag-of-freebies" وشبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). تم تصميم هذه الخيارات المعمارية خصيصًا لتعظيم كفاءة مسار التدرج، مما يجعلها أداة قوية للمقارنة الأكاديمية على وحدات معالجة الرسومات (GPU) المتطورة.

تعرف على المزيد حول YOLOv7

YOLO11، الذي طوره جلين جوشر وجينغ تشيو في Ultralytics، تم إصداره في 27 سبتمبر 2024. YOLO11 التركيز من التعقيد المعماري البحت إلى نظام بيئي شامل يضع المطورين في المقام الأول. يتم استضافة YOLO11 على مستودعUltralytics YOLO11 بتصميم محسّن خالٍ من المراسي يقلل بشكل كبير من استهلاك الذاكرة أثناء التدريب والاستدلال. وهو مدمج أصلاً في Ultralytics مما يوفر سهولة استخدام لا مثيل لها من تعليق البيانات إلى النشر المتطور.

تعرف على المزيد حول YOLO11

ميزة النظام البيئي

في حين أن المستودعات المستقلة غالبًا ما تصبح غير نشطة بعد نشر ورقة أكاديمية، تستفيد Ultralytics من التحديثات المستمرة، مما يضمن التوافق طويل الأمد مع مجموعات التعلم الآلي الحديثة مثل أحدث PyTorch ومسرعات الأجهزة المتخصصة.

مقاييس الأداء والكفاءة

عند نشر النماذج في تطبيقات واقعية، يجب موازنة الدقة الأولية مع سرعة الاستدلال والتكلفة الحسابية. فيما يلي مقارنة مباشرة بين YOLO11 YOLOv7 YOLO11 التي تم تقييمها على معايير COCO القياسية.

النموذج	الحجم ^{(بالبكسل)}	mAP^val 50-95	السرعة ^{وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية)}	السرعة ^{T4 TensorRT10 (بالمللي ثانية)}	المعلمات ^(M)	FLOPs ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

ملاحظة: YOLOv7 CPU المفقودة لـ YOLOv7 بيئات اختبار قديمة لم تقم بتوحيدCPU ONNX . تم تمييز أفضل القيم في المستويات المماثلة.

تحليل النتائج

توضح البيانات تطورًا واضحًا في الكفاءة. يحقق نموذج YOLO11l (كبير) قيمة^mAPval فائقة تبلغ 53.4٪ مقارنة بـ 51.4٪ لنموذج YOLOv7l، مع استخدام معلمات أقل بكثير (25.3 مليون مقابل 36.9 مليون) وعمليات FLOP أقل بكثير (86.9 مليار مقابل 104.7 مليار). يتيح هذا التخفيض في التعقيد الحسابي YOLO11 العمل بشكل أسرع على TensorRT NVIDIA TensorRT ويتطلب ذاكرة VRAM أقل، مما يجعله أكثر ملاءمة للبيئات المقيدة من حيث الأجهزة.

سهولة الاستخدام وسير العمل التدريبي

أحد النقاط الرئيسية التي تختلف فيها هاتان المنظومتان هو تجربة المطور.

تدريب YOLOv7

غالبًا ما يتطلب استخدام قاعدة الكودYOLOv7 الأصلية YOLOv7 استنساخ المستودع، وحل التبعيات يدويًا، والاعتماد على حجج سطر الأوامر التفصيلية. غالبًا ما تتضمن إدارة المهام المختلفة أو التصدير إلى تنسيقات الأجهزة المحمولة تعديل البرامج النصية المصدرية أو الاعتماد على فروع طرف ثالث.

تدريب YOLO11

YOLO11 مدمج بشكل عميق في ultralytics Python تبسط دورة حياة التعلم الآلي. تدريب نموذج الكشف عن الأجسام لا يتطلب سوى بضع أسطر من التعليمات البرمجية، ويقوم إطار العمل بمعالجة تنزيل البيانات وضبط المعلمات الفائقة والتخزين المؤقت بشكل أصلي.

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، YOLO11 بتنوعه الفائق. فمن خلال تغيير لاحقة النموذج ببساطة، يمكن للمطورين الانتقال فورًا من الكشف إلى تعيين تجزئة الحالات، أو تتبع تقدير الوضع، أو التعرف على الصندوق المحيط الموجه (OBB)— وهو مستوى من الدعم الأصلي للمهام المتعددة الذي YOLOv7 .

الصادرات المبسطة

تصدير YOLO11 تنسيقات حافة مثل Apple CoreML أو OpenVINO Intel OpenVINO يتطلب فقط واحد .export() الأمر، وتجنب العمليات المعقدة التي تتطلبها غالبًا نماذج الجيل الأقدم.

سيناريوهات النشر المثالية

فهم نقاط القوة لكل نموذج يساعد في تحديد أفضل حالات استخدامها.

إعادة إنتاج المعيار القديم: YOLOv7 لا يزال مفيدًا للباحثين الأكاديميين الذين يحتاجون إلى إعادة إنتاج معايير مرجعية محددة لعام 2022 أو دراسة تأثيرات تقنيات إعادة تحديد المعلمات على الشبكات القائمة على المراسي.
بيئات الإنتاج التجاري: YOLO11 هو الخيار الأمثل لأنظمة المؤسسات. إن استقراره وصيانته النشطة وتكامله مع واجهةUltralytics القائمة على السحابة يجعله مثاليًا لإدارة تحليلات البيع بالتجزئة على نطاق واسع ومراقبة الأمن ومراقبة جودة التصنيع.
الحوسبة الطرفية المحدودة الموارد: تم تصميم متغير YOLO11n خفيف الوزن بشكل لا يصدق خصيصًا للأجهزة الطرفية منخفضة الطاقة، حيث يعمل بكفاءة على نظام Raspberry Pi أو وحداتNVIDIA .

التطلع إلى المستقبل: التحول النموذجي لـ YOLO26

في حين أن YOLO11 حلاً متطوراً للغاية، فإن مجال التعلم الآلي يتقدم بلا هوادة. بالنسبة للمستخدمين الذين يبدؤون اليوم مشاريع رؤية جديدة تماماً، يوصى بشدة باستكشاف Ultralytics الذي تم إصداره مؤخراً.

صدر YOLO26 في يناير 2026، ويقدم العديد من الميزات الرائدة التي تتفوق على كل من YOLOv7 YOLO11:

بنية NMS بشكل أصلي: يزيل YOLO26 الحاجة إلى المعالجة اللاحقة لـ Non-Maximum Suppression. يعمل هذا التصميم الشامل على تبسيط خطوط الإنتاج ويقلل بشكل كبير من تقلب زمن الاستجابة.
CPU أسرع بنسبة تصل إلى 43٪ CPU : من خلال إزالة وحدة Distribution Focal Loss (DFL) بشكل استراتيجي، تم تحسين YOLO26 بشكل كبير للأجهزة والبيئات المتطورة التي لا تحتوي على وحدات معالجة رسومات مخصصة.
تكامل MuSGD Optimizer: مستوحى من تقنيات التدريب المتقدمة LLM من Moonshot AI، يضمن هذا المحسن الهجين استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع.
كشف فائق للأجسام الصغيرة: يوفر إدخال وظائف فقدان ProgLoss و STAL دقة فائقة في تحديد التفاصيل الدقيقة، مما يجعلها مثالية لتحليل الصور الجوية الملتقطة بواسطة الطائرات بدون طيار وبيانات أجهزة الاستشعار المعقدة لإنترنت الأشياء.

تعرف على المزيد حول YOLO26

بالنسبة للمستخدمين المهتمين بالبنى القائمة على المحولات أو النماذج البديلة، تغطي Ultralytics أيضًا نماذج مثل كاشفRT-DETR ونموذجYOLO ذي المفردات المفتوحة.