YOLOv7 مقابل YOLO11#
لقد تطور مشهد الرؤية الحاسوبية بسرعة على مدار الأعوام القليلة الماضية. بالنسبة للمطورين والباحثين الذين يختارون إطار عمل اكتشاف الكائنات المناسب، يُعد فهم الاختلافات المعمارية والعملية بين النماذج المحددة للأجيال أمراً بالغ الأهمية. يوفر هذا الدليل مقارنة تقنية مفصلة بين الإنجاز الأكاديمي لـ YOLOv7 ونموذج Ultralytics YOLO11 المحسن للغاية والجاهز للإنتاج.
أصول النماذج والفلسفات المعمارية#
YOLOv7، الذي تم إصداره في 6 يوليو 2022 بواسطة المؤلفين تشين-ياو وانغ، وأليكسي بوتشковسكي، وهونغ-يوان مارك لياو من معهد علوم المعلومات في أكاديمية سينيكا، قدم العديد من المفاهيم الجديدة في هذا المجال. تم تفصيل النموذج في بحث YOLOv7 المنشور على arXiv، وهو يركز بشدة على نهج "مجموعة الأدوات المجانية القابلة للتدريب" وشبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). صُممت هذه الخيارات المعمارية خصيصاً لزيادة كفاءة مسار التدرج إلى أقصى حد، مما يجعله أداة قوية للمقارنة المعيارية الأكاديمية على وحدات معالجة الرسوميات (GPUs) المتطورة.
YOLO11، الذي طوره جلين جوشر وجينغ تشيو في Ultralytics، تم إصداره في 27 سبتمبر 2024. ينقل YOLO11 التركيز من التعقيد المعماري البحت إلى نظام بيئي شامل موجه للمطورين. يُستضاف YOLO11 على مستودع Ultralytics على GitHub، ويمتاز بتصميم محسن خالي من المرساة يقلل بشكل جذري من استهلاك الذاكرة أثناء التدريب والاستدلال. وهو مدمج بشكل أصلي في منصة Ultralytics، مما يوفر سهولة استخدام لا مثيل لها بدءاً من تصنيف مجموعات البيانات ووصولاً إلى نشر الحافة.
في حين أن المستودعات المستقلة غالباً ما تصبح خاملة بعد نشر ورقة بحثية أكاديمية، تستفيد نماذج Ultralytics من التحديثات المستمرة، مما يضمن التوافق طويل الأمد مع حزم التعلم الآلي الحديثة مثل أحدث إصدارات PyTorch ومسرعات الأجهزة المتخصصة.
مقاييس الأداء والكفاءة#
عند نشر النماذج في تطبيقات العالم الحقيقي، يجب موازنة الدقة الخام مقابل سرعة الاستدلال والعبء الحسابي. فيما يلي مقارنة مباشرة بين متغيرات YOLOv7 وYOLO11 التي تم تقييمها على معايير مجموعة بيانات COCO القياسية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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: 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.
تحليل النتائج#
توضح البيانات تطوراً واضحاً في الكفاءة. يحقق نموذج YOLO11l (الكبير) قيمة mAPval متفوقة تبلغ 53.4% مقارنة بـ 51.4% لـ YOLOv7l، بينما يستخدم معلمات أقل بكثير (25.3M مقابل 36.9M) وعمليات فاصلة عائمة (FLOPs) أقل بشكل جذري (86.9B مقابل 104.7B). يتيح هذا الانخفاض في التعقيد الحسابي لـ YOLO11 العمل بشكل أسرع على تنفيذات NVIDIA TensorRT ويتطلب ذاكرة وصول عشوائي للفيديو (VRAM) أقل، مما يجعله أكثر ملاءمة للبيئات المحدودة من حيث الأجهزة.
سهولة الاستخدام وسير عمل التدريب#
تعد تجربة المطور نقطة اختلاف رئيسية بين إطاري العمل.
تدريب YOLOv7#
غالباً ما يتطلب استخدام قاعدة تعتمد على مصدر مفتوح لـ YOLOv7 استنساخ المستودع، وحل التبعيات يدوياً، والاعتماد على وسيطات سطر أوامر مطولة. تتضمن إدارة المهام المختلفة أو التصدير إلى تنسيقات الهاتف المحمول غالباً تعديل نصوص المصدر أو الاعتماد على تفرعات طرف ثالث.
تدريب YOLO11#
يتم دمج YOLO11 بعمق في حزمة Python المسماة ultralytics، مما يبسط دورة حياة التعلم الآلي. يستغرق تدريب نموذج اكتشاف الكائنات أسطراً قليلة فقط من التعليمات البرمجية، ويتعامل الإطار بشكل أصلي مع تنزيل البيانات، وضبط المعلمات الفائقة، التخزين 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 كبير. من خلال تغيير لاحقة النموذج ببساطة، يمكن للمطورين الانتقال فوراً من الاكتشاف إلى تخطيط تجزئة المثيلات، أو تتبع تقدير الوضعية، أو التعرف على مربعات الإحاطة الموجهة (OBB)—وهو مستوى من دعم المهام المتعددة الأصلي الذي يفتقر إليه YOLOv7.
يتطلب تصصدير YOLO11 إلى تنسيقات الحافة مثل Apple CoreML أو أطر عمل Intel OpenVINO مجرد أمر واحد لـ .export()، مما يتجنب جراحة الرسوم البيانية المعقدة التي غالباً ما تتطلبها نماذج الجيل الأقدم.
سيناريوهات النشر المثالية#
يساعد فهم نقاط القوة لكل نموذج في تحديد حالات الاستخدام الأفضل لها.
- إعادة إنتاج المعايير القديمة: يظل YOLOv7 مفيداً للباحثين الأكاديميين الذين يحتاجون إلى إعادة إنتاج معايير 2022 المحددة أو دراسة تأثيرات تقنيات إعادة المعلمات على الشبكات المستندة إلى المراسي.
- بيئات الإنتاج التجاري: يُعد YOLO11 الخيار الواضح لأنظمة المؤسسات. إن استقراره وصيانته النشطة وتكامله مع واجهة منصة Ultralytics المستندة إلى السحابة يجعله مثالياً لإدارة تحليلات التجزئة واسعة النطاق، ومراقبة الأمان، ومراقبة جودة التصنيع.
- الحوسبة الطرفية المحدودة للموارد: تم تصميم البديل الخفيف للغاية YOLO11n خصيصاً لأجهزة الحافة منخفضة الطاقة، حيث يعمل بكفاءة على نظام Raspberry Pi أو وحدات NVIDIA Jetson.
التطلع 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 مُحسّن MuSGD: مستوحى من تقنيات التدريب المتقدمة للنماذج اللغوية الكبيرة (LLM) من Moonshot AI، يضمن هذا المُحسّن الهجين استقرار تدريب غير مسبوق ومعدلات تقارب أسرع.
- اكتشاف فائق للكائنات الصغيرة: يوفر إدخال دوال الخسارة ProgLoss وSTAL تعزيزات حرجة للدقة لتحديد التفاصيل الدقيقة، وهو مثالي لتحليل صور الطائرات بدون طيار الجوية وبيانات مستشعرات إنترنت الأشياء المعقدة.
للمستخدمين المهتمين باله architectures القائمة على المحولات (Transformers) أو النماذج البديلة، تغطي وثائق Ultralytics أيضاً نماذج مثل كاشف المحولات RT-DETR ونموذج YOLO-World المفتوح المفردات.