YOLOv7 مقابل YOLO26#

لقد اتسم تطور الرؤية الحاسوبية بمحطات مهمة، وتوفر مقارنة النماذج القديمة بالنماذج الحديثة المتطورة رؤى قيمة لمهندسي تعلم الآلة. تتعمق هذه المقارنة التقنية في الاختلافات بين YOLOv7 المؤثر للغاية وUltralytics YOLO26 الثوري، مسلطة الضوء على التطورات في البنية، ومنهجيات التدريب، وكفاءة النشر.

YOLOv7: رائد "مجموعة الميزات المجانية" (Bag-of-Freebies)#

تم تقديم YOLOv7 في منتصف عام 2022، وقد دفع حدود ما كان ممكناً على أجهزة GPU من خلال تقديم العديد من التحسينات الهندسية التي حسنت الدقة دون زيادة تكلفة الاستدلال.

تفاصيل النموذج

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديمية سينيكا
• التاريخ: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• التوثيق: Ultralytics YOLOv7 Documentation

قدمت YOLOv7 مفهوم "حقيبة الهدايا" القابلة للتدريب، والتي استخدِمت فيها تقنيات إعادة المعلمات بكثافة وتم توسيع شبكات تجميع الطبقات الفعالة (E-ELAN). سمح هذا للنموذج بتعلم ميزات أكثر تنوعاً وتحسين قدرة شبكة التعلم باستمرار دون تدمير مسار التدرج الأصلي. وفي حين حققت معياراً متطوراً مثيراً للإعجاب على COCO في ذلك الوقت، إلا أن بنيتها لا تزال تعتمد بشكل كبير على المخرجات القائمة على المرساة وتتطلب معالجة لاحقة معقدة Non-Maximum Suppression (NMS)، وهو ما قد يسبب اختناقات في زمن الانتقال أثناء النشر.

اعرف المزيد عن YOLOv7

YOLO26: معيار رؤية الذكاء الاصطناعي الموجه للحافة#

تم إصدار Ultralytics YOLO26 في يناير 2026، وهو يمثل نقلة نوعية، حيث يعيد التفكير بالكامل في خط أنابيب الاكتشاف لإعطاء الأولوية لسهولة النشر واستقرار التدريب وكفاءة الأجهزة.

تفاصيل النموذج

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: ultralytics/ultralytics
• المنصة: Ultralytics YOLO26 on Platform

تم بناء YOLO26 من الألف إلى الياء لحل تحديات الهندسة الحديثة. تجلب هندسته المعمارية العديد من الابتكارات الحاسمة التي تتفوق بشكل كبير على سابقاتها:

• تصميم خالٍ من المعالجة اللاحقة NMS وخاصية النهاية إلى النهاية: تلغي YOLOv7 المعالجة اللاحقة NMS بشكل أصلي، وهو نهج رائد تم ابتكاره لأول مرة في YOLOv10. يؤدي هذا إلى خط أنابيب نشر أسرع وأبسط بكثير، مما يتجنب زمن الانتقال المتغير الذي تسببه عادةً المشاهد المزدحمة.
• إزالة DFL: من خلال إزالة خسارة التوزيع البؤري (DFL)، يتم تبسيط النموذج بشكل جذري للتصدير، مما يوفر توافقاً أفضل بكثير مع أجهزة الحافة وأجهزة إنترنت الأشياء (IoT) منخفضة الطاقة.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل التبسيطات المعمارية والتقليم الهيكلي، تم تحسين YOLO26 خصيصاً للحوسبة الحافية والأجهزة التي لا تحتوي على GPUs مخصصة، متفوقاً بسهولة على البنيات القديمة على المعالجات القياسية.
• مُحسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (وتحديداً Kimi K2 من Moonshot AI)، يستخدم YOLOv7 مُحسن MuSGD - وهو هجين من Stochastic Gradient Descent وMuon. يوفر هذا استقراراً غير مسبوق في التدريب وتقارباً أسرع بكثير لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: يؤدي إدخال هذه الدوال المتقدمة للخسارة إلى تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لـالصور الجوية، والروبوتات، والفحص الآلي للجودة.
• تحسينات خاصة بالمهام: بالإضافة إلى اكتشاف الكائنات القياسي، تقدم YOLO26 نماذج أولية متعددة المقاييس وخسارة تجزئة دلالية مخصصة لـمهام التجزئة، وتقدير الاحتمال اللوغاريتمي المتبقي (RLE) لـتقدير الوضعية، وخوارزميات خسارة الزاوية المخصصة لحل مشاكل الحدود في مربعات الإحاطة الموجهة (OBB).

تعرف على المزيد حول YOLO26

مقارنة الأداء والمقاييس#

عند مقارنة البصمة الحسابية، يُظهر YOLO26 تفوقاً واضحاً في موازنة الأداء ومتطلبات الذاكرة. غالباً ما تتطلب النماذج القائمة على Transformer أو البنيات الثقيلة القديمة تخصيصات ضخمة لذاكرة CUDA، لكن YOLO26 يتدرب بكفاءة على GPUs من فئة المستهلك.

كما لوحظ أعلاه، يحقق نموذج YOLO26m دقة مكافئة (53.1 mAP) لنموذج YOLOv7x الضخم، ولكنه يفعل ذلك بأقل من ثلث المعلمات (20.4M مقابل 71.3M) وبأوقات استدلال سريعة بشكل لا يصدق عبر TensorRT.

ميزة نظام Ultralytics البيئي#

غالباً ما يتضمن نشر النماذج القديمة المصارعة مع مستودعات طرف ثالث معقدة، وجحيم التبعيات، وscripts التصدير اليدوية. في المقابل، توفر Ultralytics Platform بيئة عمل متماسكة وصالحة للصيانة تبسط دورة حياة تعلم الآلة بأكملها.

• سهولة الاستخدام: مع واجهة برمجة تطبيقات Python بديهية وتوثيق شامل، يمكنك التعليق على النماذج وتدريبها ونشرها في دقائق. يتطلب التصدير إلى تنسيقات مثل ONNX أو CoreML سطر كود واحد فقط.
• متطلبات الذاكرة: تشتهر نماذج Ultralytics باستهلاكها المنخفض للذاكرة. على عكس بعض محولات الرؤية الضخمة، يمكن ضبط YOLO26 بسهولة على الأجهزة القياسية دون مواجهة أخطاء نفاد الذاكرة (OOM).
• تعدد الاستخدامات: بينما كان YOLOv7 في المقام الأول كاشفاً للأشياء (مع بعض الفروع التجريبية لمهام أخرى)، فإن YOLO26 عبارة عن إطار عمل موحد أصلاً يتعامل مع الاكتشاف والتصنيف والتتبع والوضعية و OBB بنفس الكفاءة.

مثال على الكود: التدريب والنشر#

يوضح المثال التالي البساطة الأنيقة لحزمة ultralytics. لاحظ مدى نظافة الواجهة مقارنة باستدعاء وسيطات سطر الأوامر الطويلة للنماذج الأقدم.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

حالات الاستخدام في العالم الحقيقي#

يعتمد اختيار البنية الصحيحة بالكامل على قيود الإنتاج الخاصة بك.

متى يجب تفكير في استخدام YOLOv7: تظل YOLOv7 أداة قيمة للقياس المعياري الأكاديمي مقابل معايير عام 2022. إذا كانت بنيتك التحتية تستخدم بشدة خطوط أنابيب CUDA القديمة المضمنة بعمق في مخرجات مرساة YOLOv7 المحددة ولا يمكنك تخصيص موارد لإعادة الهيكلة، فسوف تستمر في العمل ككاشف أساسي قوي.

متى يتم اختيار YOLO26: بالنسبة لأي مشروع جديد، تعد YOLO26 هي الخيار الحاسم. تجعلها بنيتها الخالية من NMS مثالية لـالملاحة الذاتية ذات زمن الانتقال المنخفض وأنظمة الأمان في الوقت الفعلي. إن إزالة DFL وتعزيزات سرعة وحدة المعالجة المركزية الهائلة تجعلها البطل بلا منازع لعمليات نشر الذكاء الاصطناعي على الحافة، مثل النشر على Raspberry Pi أو داخل الأجهزة الإلكترونية الاستهلاكية. علاوة على ذلك، فإن تحسينات ProgLoss + STAL تجعلها بارعة للغاية في اكتشاف الشوائب الدقيقة في ضمان جودة التصنيع أو التصوير الفضائي.

في النهاية، يوفر YOLO26 للمطورين مزيجاً لا مثيل له من الدقة والسرعة والبساطة، مدعوماً بالدعم الشامل من مجتمع المصادر المفتوحة.