YOLOv7 مقابل YOLO11: مقارنة تقنية شاملة
تطور مشهد الرؤية الحاسوبية بشكل سريع على مدى السنوات القليلة الماضية. بالنسبة للمطورين والباحثين الذين يختارون إطار عمل مناسب لاكتشاف الكائنات، يعد فهم الاختلافات الهيكلية والعملية بين النماذج التي تحدد الجيل أمرًا بالغ الأهمية. يوفر هذا الدليل مقارنة تقنية مفصلة بين الطفرة الأكاديمية لنموذج YOLOv7 والنموذج المكرر للغاية والجاهز للإنتاج Ultralytics YOLO11.
أصول النموذج وفلسفات البناء الهيكلي
YOLOv7، الذي تم إصداره 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 العديد من المفاهيم الجديدة إلى هذا المجال. يركز النموذج، الموضح بالتفصيل في ورقة بحث YOLOv7 المنشورة على arXiv، بشكل كبير على نهج "مجموعة مجانية قابلة للتدريب" وشبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). صُممت هذه الخيارات الهيكلية خصيصًا لزيادة كفاءة مسار التدرج، مما يجعله أداة قوية للمقارنة الأكاديمية على وحدات معالجة الرسومات (GPUs) المتطورة.
YOLO11، الذي طوره Glenn Jocher و Jing Qiu في Ultralytics، تم إصداره في 27 سبتمبر 2024. ينقل YOLO11 التركيز من التعقيد الهيكلي البحت إلى نظام بيئي شامل يضع المطور في المقام الأول. يتميز YOLO11، المستضاف على مستودع GitHub الخاص بـ Ultralytics، بتصميم محسّن خالٍ من المراسيات (anchor-free) 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 التوضيحي وحتى النشر على الحافة (edge deployment).
بينما تصبح المستودعات المستقلة غالبًا خاملة بعد نشر ورقة بحثية أكاديمية، تستفيد نماذج Ultralytics من التحديثات المستمرة، مما يضمن التوافق طويل الأمد مع حزم تعلم الآلة الحديثة مثل أحدث إصدارات PyTorch ومسرعات الأجهزة المتخصصة.
مقاييس الأداء والكفاءة
عند نشر النماذج في تطبيقات العالم الحقيقي، يجب الموازنة بين الدقة الخام وسرعة الاستنتاج والعبء الحسابي. فيما يلي مقارنة مباشرة بين متغيرات YOLOv7 و YOLO11 التي تم تقييمها وفقًا لمعايير مجموعة بيانات COCO القياسية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ملي ثانية) | السرعة T4 TensorRT10 (ملي ثانية) | المعلمات (مليون) | FLOPs (مليار) |
|---|---|---|---|---|---|---|
| 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: تشير سرعات CPU المفقودة لـ YOLOv7 إلى بيئات اختبار قديمة لم توحد معايير ONNX CPU. تم تمييز أفضل القيم في الفئات القابلة للمقارنة.
تحليل النتائج
توضح البيانات تطوراً واضحاً في الكفاءة. يحقق نموذج YOLO11l (الكبير) mAPval متفوقاً بنسبة 53.4% مقارنة بـ 51.4% لنموذج YOLOv7l، مع استخدام عدد أقل بكثير من المعلمات (25.3 مليون مقابل 36.9 مليون) وعدد أقل بكثير من عمليات النقطة العائمة (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 فيديو (VRAM) أقل، مما يجعله أكثر ملاءمة للبيئات ذات الموارد المحدودة للأجهزة.
سهولة الاستخدام وسير عمل التدريب
نقطة اختلاف رئيسية بين إطاري العمل هي تجربة المطور.
تدريب YOLOv7
يتطلب استخدام قاعدة كود YOLOv7 مفتوحة المصدر الأصلية غالباً استنساخ المستودع، وحل التبعيات يدوياً، والاعتماد على وسائط سطر أوامر مطولة. غالباً ما تتضمن إدارة المهام المختلفة أو التصدير إلى تنسيقات الهاتف المحمول تعديل نصوص المصدر أو الاعتماد على إصدارات طرف ثالث.
تدريب YOLO11
تم دمج YOLO11 بعمق في حزمة ultralytics لـ Python، مما يبسط دورة حياة تعلم الآلة. يستغرق تدريب نموذج اكتشاف الكائنات 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، يتميز YOLO11 بتعدد استخدامات فائق. ببساطة عن طريق تغيير لاحقة النموذج، يمكن للمطورين الانتقال فوراً من الاكتشاف إلى رسم خرائط تجزئة المثيل، أو تتبع تقدير الوضعية، أو التعرف على المربع المحيط الموجه (OBB)—وهو مستوى من دعم المهام المتعددة الأصلي الذي يفتقر إليه YOLOv7.
يتطلب تصدير YOLO11 إلى تنسيقات الحافة مثل Apple CoreML أو أطر عمل Intel OpenVINO أمراً واحداً فقط .export()، مما يجنبك جراحة الرسم البياني المعقدة المطلوبة غالباً بواسطة النماذج القديمة.
سيناريوهات النشر المثالية
يساعد فهم نقاط القوة لكل نموذج في تحديد أفضل حالات الاستخدام لها.
- إعادة إنتاج المعايير القديمة: يظل YOLOv7 مفيداً للباحثين الأكاديميين الذين يحتاجون إلى إعادة إنتاج معايير محددة لعام 2022 أو دراسة تأثيرات تقنيات إعادة المعاملة على الشبكات القائمة على المراسيات (anchor-based).
- بيئات الإنتاج التجاري: YOLO11 هو الخيار الواضح لأنظمة المؤسسات. استقراره، وصيانته النشطة، وتكامله مع واجهة منصة Ultralytics المستندة إلى السحابة تجعله مثالياً لإدارة تحليلات البيع بالتجزئة واسعة النطاق، والمراقبة الأمنية، ومراقبة جودة التصنيع.
- حوسبة الحافة محدودة الموارد: تم تصميم متغير YOLO11n خفيف الوزن بشكل لا يصدق خصيصاً لأجهزة الحافة منخفضة الطاقة، حيث يعمل بكفاءة على نظام Raspberry Pi أو وحدات NVIDIA Jetson.
نظرة إلى المستقبل: تحول النموذج في YOLO26
بينما يمثل YOLO11 حلاً متطوراً ومكرراً للغاية، فإن 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 و YOLO11:
- بنية أصلية خالية من NMS: يلغي YOLO26 الحاجة إلى معالجة لاحقة عبر كبت غير الحد الأقصى (Non-Maximum Suppression). هذا التصميم الشامل يبسط خطوط أنابيب النشر ويقلل بشكل كبير من تباين زمن الاستجابة.
- استنتاج أسرع لوحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43%: من خلال إزالة وحدة خسارة التوزيع البؤرية (DFL) بشكل استراتيجي، تم تحسين YOLO26 بشكل كبير لأجهزة الحافة والبيئات التي لا تحتوي على وحدات معالجة رسومات مخصصة.
- تكامل محسّن MuSGD: مستوحى من تقنيات تدريب LLM المتقدمة من Moonshot AI، يضمن هذا المحسّن الهجين استقراراً غير مسبوق في التدريب ومعدلات تقارب أسرع.
- اكتشاف فائق للأجسام الصغيرة: يوفر إدخال دوال الخسارة ProgLoss و STAL تعزيزات مهمة في الدقة لتحديد التفاصيل الدقيقة، وهو مثالي لتحليل صور الطائرات بدون طيار وبيانات مستشعرات IoT المعقدة.
بالنسبة للمستخدمين المهتمين بالبنى القائمة على المحولات (transformer) أو النماذج البديلة، تغطي وثائق Ultralytics أيضاً نماذج مثل كاشف المحولات RT-DETR و نموذج المفردات المفتوحة YOLO-World.