YOLOv7 مقابل YOLO11#

شهد مجال الرؤية الحاسوبية تطورًا سريعًا خلال السنوات القليلة الماضية. ومن الضروري للمطورين والباحثين الذين يختارون إطار عمل مناسبًا لكشف الأجسام فهم الفروق المعمارية والعملية بين النماذج التي شكّلت أجيالًا كاملة. يقدم هذا الدليل مقارنة تقنية مفصلة بين الاختراق الأكاديمي المتمثل في YOLOv7 وUltralytics YOLO11 المصقول للغاية والجاهز لبيئات الإنتاج.

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

طوّر YOLO11 كل من Glenn Jocher وJing Qiu في Ultralytics، وصدر في 27 سبتمبر 2024. وينقل YOLO11 التركيز من التعقيد المعماري البحت إلى منظومة متكاملة تضع المطور في المقام الأول. ويتميز YOLO11، المتاح في مستودع Ultralytics على GitHub، بتصميم محسّن لا يعتمد على المراسي، ما يقلل استهلاك الذاكرة بدرجة كبيرة أثناء التدريب والاستدلال. وهو مدمج أصيلًا في منصة Ultralytics، ويوفر سهولة استخدام لا مثيل لها بدءًا من وسم مجموعات البيانات وحتى النشر على الأجهزة الطرفية.

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#

توضح البيانات تطورًا جليًا في الكفاءة. يحقق نموذج YOLO11l (الكبير) قيمة mAP^val أعلى تبلغ 53.4% مقارنةً بـ51.4% لنموذج YOLOv7l، مع استخدام عدد أقل بكثير من المعلمات (25.3M مقابل 36.9M) وعدد أقل بكثير من عمليات FLOPs (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 محدودة العتاد.

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 المسماة ultralytics، ما يبسّط دورة حياة تعلم الآلة. ولا يتطلب تدريب نموذج لكشف الأجسام سوى بضعة أسطر من الشيفرة، كما يتولى إطار العمل أصيلًا تنزيل البيانات وضبط المعلمات الفائقة 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")

علاوةً على ذلك، يتميز YOLO11 بتعدد استخدامات استثنائي. فبمجرد تغيير لاحقة النموذج، يمكن للمطورين الانتقال فورًا من الكشف إلى رسم خرائط تجزئة المثيلات أو تتبّع تقدير الوضع أو التعرّف على مربعات الإحاطة الموجّهة (OBB)، وهو مستوى من الدعم الأصلي للمهام المتعددة يفتقر إليه 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 لعام 2022 أو دراسة تأثير تقنيات إعادة المعلمة على الشبكات المعتمدة على المراسي.
• بيئات الإنتاج التجارية: يُعد YOLO11 الخيار الواضح لأنظمة المؤسسات. فاستقراره وصيانته النشطة وتكامله مع واجهة منصة Ultralytics المستندة إلى السحابة تجعله مثاليًا لإدارة تحليلات البيع بالتجزئة على نطاق واسع ومراقبة الأمن ومراقبة جودة التصنيع.
• الحوسبة الطرفية محدودة الموارد: صُمم متغير YOLO11n الخفيف للغاية خصيصًا للأجهزة الطرفية منخفضة الطاقة، ويعمل بكفاءة على نظام Raspberry Pi أو وحدات NVIDIA Jetson.

نظرة مستقبلية: التحول النموذجي مع YOLO26#

يمثل YOLO11 حلًا متطورًا ومصقولًا للغاية، لكن مجال تعلم الآلة يواصل تقدمه بلا هوادة. ويُنصح بشدة المستخدمين الذين يبدؤون اليوم مشروعات رؤية جديدة باستكشاف Ultralytics YOLO26 الذي صدر حديثًا.

صدر YOLO26 في يناير 2026، ويقدم ميزات رائدة عدة تتجاوز YOLOv7 وYOLO11:

• بنية أصلية خالية من NMS: تلغي الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) الحاجة إلى المعالجة اللاحقة لكبح غير الأقصى. ويبسّط هذا التصميم الشامل مسارات النشر ويقلل بدرجة كبيرة من تفاوت زمن الاستجابة.
• استدلال CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة خسارة البؤرة التوزيعية (DFL) بصورة استراتيجية، يُحسّن YOLO26 بكثافة للأجهزة الطرفية والبيئات التي لا تتوفر فيها وحدات GPU مخصصة.
• تكامل مُحسِّن MuSGD: استلهامًا من تقنيات تدريب LLM المتقدمة من Moonshot AI، يضمن هذا المُحسِّن الهجين استقرارًا تدريبيًا غير مسبوق ومعدلات تقارب أسرع.
• تفوق في كشف الأجسام الصغيرة: يؤدي إدخال دالتي الخسارة ProgLoss وSTAL إلى تحسينات مهمة في الدقة عند تحديد التفاصيل الدقيقة، ما يجعله مثاليًا لتحليل 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.