YOLOv7 مقابل YOLO11#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا خلال السنوات القليلة الماضية. وبالنسبة إلى المطورين والباحثين الذين يختارون إطار العمل المناسب لاكتشاف الأجسام، فإن فهم الاختلافات المعمارية والعملية بين النماذج التي تحدد أجيالًا مختلفة أمر بالغ الأهمية. يقدم هذا الدليل مقارنة تقنية مفصلة بين الإنجاز الأكاديمي المتمثل في YOLOv7 وUltralytics YOLO11 المصقول بدرجة عالية والجاهز للاستخدام في بيئات الإنتاج.

أصول النماذج والفلسفات المعمارية#

طُرح YOLOv7 في 6 يوليو 2022 على يد المؤلفين Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao من معهد علوم المعلومات في أكاديميا سينيكا، وقدّم عدة مفاهيم مبتكرة إلى المجال. ووفقًا لما ورد بالتفصيل في ورقة YOLOv7 البحثية المنشورة على arXiv، يركّز النموذج بدرجة كبيرة على نهج «حقيبة من المزايا المجانية القابلة للتدريب» وشبكات تجميع الطبقات الفعّالة الموسَّعة (E-ELAN). وقد صُممت هذه الخيارات المعمارية خصيصًا لتحقيق أقصى كفاءة لمسارات التدرج، ما يجعل النموذج أداة قوية للقياس الأكاديمي على وحدات GPU المتطورة.

تعرف على المزيد حول YOLOv7

طوّر Glenn Jocher وJing Qiu في Ultralytics نموذج YOLO11، وأُطلق في 27 سبتمبر 2024. ينقل YOLO11 التركيز من التعقيد المعماري الخالص إلى منظومة شاملة تضع المطور في المقام الأول. ويستضيفه مستودع Ultralytics على GitHub، كما يتميز YOLO11 بتصميم محسّن خالٍ من المراسي يقلل بدرجة كبيرة من استهلاك الذاكرة أثناء التدريب والاستدلال معًا. وهو مدمج أصلاً في منصة Ultralytics، ما يوفر سهولة استخدام لا مثيل لها بدءًا من وسم مجموعات البيانات ووصولًا إلى النشر على الأجهزة الطرفية.

مقاييس الأداء والكفاءة#

عند نشر النماذج في تطبيقات واقعية، يجب تحقيق توازن بين الدقة الخام وسرعة الاستدلال والتكلفة الحسابية. فيما يلي مقارنة مباشرة بين متغيرات YOLOv7 وYOLO11 التي جرى تقييمها وفق معايير مجموعة بيانات COCO القياسية.

ملاحظة: يشير غياب سرعات CPU لـ YOLOv7 إلى بيئات اختبار قديمة لم توحّد معايير ONNX لوحدات CPU. وقد أُبرزت أفضل القيم ضمن الفئات القابلة للمقارنة.

تحليل النتائج#

توضح البيانات تطورًا واضحًا في الكفاءة. يحقق نموذج YOLO11l (الكبير) قيمة mAP^val أعلى تبلغ 53.4% مقارنةً بـ 51.4% لنموذج YOLOv7l، مع استخدام عدد أقل بكثير من المعلمات (25.3M مقابل 36.9M) وعدد أقل بكثير من عمليات FLOPs (86.9B مقابل 104.7B). ويتيح هذا الانخفاض في التعقيد الحسابي تشغيل YOLO11 بسرعة أكبر على تطبيقات NVIDIA TensorRT، كما يتطلب قدرًا أقل من VRAM، ما يجعله أنسب بكثير للبيئات ذات القيود على الأجهزة.

قابلية الاستخدام وسير عمل التدريب#

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

تدريب YOLOv7#

غالبًا ما يتطلب استخدام قاعدة التعليمات البرمجية مفتوحة المصدر الأصلية لـ YOLOv7 استنساخ المستودع، وحل التبعيات يدويًا، والاعتماد على وسيطات مطوّلة لسطر الأوامر. وغالبًا ما تتطلب إدارة المهام المختلفة أو التصدير إلى تنسيقات الأجهزة المحمولة تعديل البرامج النصية المصدرية أو الاعتماد على تفرعات تابعة لجهات خارجية.

تدريب YOLO11#

يتكامل YOLO11 بعمق مع حزمة Python المسماة ultralytics، ما يبسّط دورة حياة تعلّم الآلة. ولا يتطلب تدريب نموذج لاكتشاف الأجسام سوى بضعة أسطر من التعليمات البرمجية، كما يتولى إطار العمل أصلاً تنزيل البيانات، وضبط المعلمات الفائقة، 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")

علاوةً على ذلك، يتميز YOLO11 بمرونة فائقة. فمن خلال تغيير لاحقة النموذج فحسب، يستطيع المطورون الانتقال فورًا من الاكتشاف إلى رسم خرائط تجزئة المثيلات، أو تتبّع تقدير الوضعية، أو التعرّف على المربعات المحيطة ذات الاتجاه (OBB)، وهي درجة من الدعم الأصلي للمهام المتعددة يفتقر إليها YOLOv7.

سيناريوهات النشر المثالية#

يساعد فهم نقاط قوة كل نموذج في تحديد أفضل حالات استخدامه.

• إعادة إنتاج المعايير القديمة: يظل YOLOv7 مفيدًا للباحثين الأكاديميين الذين يحتاجون إلى إعادة إنتاج معايير محددة من عام 2022 أو دراسة تأثير تقنيات إعادة المعلمة على الشبكات القائمة على المراسي.
• بيئات الإنتاج التجارية: يُعد YOLO11 الخيار الواضح للأنظمة المؤسسية. فاستقراره، وصيانته النشطة، وتكامله مع واجهة منصة Ultralytics المستندة إلى السحابة، تجعله مثاليًا لإدارة تحليلات التجزئة واسعة النطاق، ومراقبة الأمن، ومراقبة الجودة في التصنيع.
• الحوسبة الطرفية ذات الموارد المحدودة: صُمم المتغير YOLO11n الخفيف للغاية خصيصًا للأجهزة الطرفية منخفضة الطاقة، ويعمل بكفاءة على نظام Raspberry Pi أو وحدات NVIDIA Jetson.

نظرة مستقبلية: التحول النموذجي لـ YOLO26#

يمثل YOLO11 حلًا متطورًا للغاية وفق أحدث ما توصل إليه العلم، إلا أن مجال تعلّم الآلة يواصل تقدمه بلا هوادة. وبالنسبة إلى المستخدمين الذين يبدؤون اليوم مشاريع جديدة تمامًا في مجال الرؤية، يُنصح بشدة باستكشاف Ultralytics YOLO26 الذي أُطلق حديثًا.

طُرح YOLO26 في يناير 2026، ويقدم عدة ميزات رائدة تتجاوز كلاً من YOLOv7 وYOLO11:

• معمارية أصلية خالية من NMS: يلغي YOLO26 الحاجة إلى المعالجة اللاحقة لقمع القيم غير القصوى. ويبسّط هذا التصميم الشامل مسارات النشر ويقلل بدرجة كبيرة من تباين زمن الاستجابة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة Distribution Focal Loss (DFL) بصورة استراتيجية، جرى تحسين YOLO26 بدرجة كبيرة للأجهزة الطرفية والبيئات التي تفتقر إلى وحدات GPU مخصصة.
• تكامل مُحسِّن MuSGD: مستوحى من تقنيات التدريب المتقدمة لنماذج LLM من Moonshot AI، يضمن هذا المُحسِّن الهجين استقرارًا غير مسبوق في التدريب ومعدلات تقارب أسرع.
• تفوق في اكتشاف الأجسام الصغيرة: يوفر إدخال دالتي الخسارة ProgLoss وSTAL زيادات مهمة في الدقة لتحديد التفاصيل الدقيقة، ما يجعله مثاليًا لتحليل الصور الجوية الملتقطة بواسطة الطائرات المسيّرة وبيانات مستشعرات IoT المعقدة.

بالنسبة إلى المستخدمين المهتمين بالمعماريات القائمة على Transformer أو النماذج البديلة، تغطي وثائق Ultralytics أيضًا نماذج مثل كاشف Transformer RT-DETR ونموذج YOLO-World ذي المفردات المفتوحة.