YOLOv7 مقابل YOLO26#

اتسم تطور الرؤية الحاسوبية بمحطات مهمة، وتوفر مقارنة البنى القديمة بالنماذج الحديثة المتقدمة رؤى قيّمة لمهندسي ML. تتناول هذه المقارنة التقنية الفروقات بين YOLOv7، ذي التأثير الكبير، وUltralytics YOLO26 الثوري، مع تسليط الضوء على التطورات في البنية ومنهجيات التدريب وكفاءة النشر.

YOLOv7: رائد «حزمة المزايا المجانية»#

طُرح YOLOv7 في منتصف عام 2022، ودفع حدود ما كان ممكنًا على عتاد GPU من خلال تقديم العديد من التحسينات المعمارية التي حسّنت الدقة من دون زيادة تكلفة الاستدلال.

تفاصيل النموذج

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• الجهة: معهد علوم المعلومات، أكاديمية سينيكا
• التاريخ: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• الوثائق: وثائق Ultralytics YOLOv7

قدّم YOLOv7 مفهوم «حزمة المزايا المجانية» القابلة للتدريب، واعتمد بدرجة كبيرة على تقنيات إعادة المعلمات وشبكات تجميع الطبقات الفعّالة الممتدة (E-ELAN). أتاح ذلك للنموذج تعلّم ميزات أكثر تنوعًا وتحسين قدرة الشبكة على التعلم باستمرار من دون تدمير مسار التدرج الأصلي. وعلى الرغم من تحقيقه معيارًا مرجعيًا متقدمًا ومثيرًا للإعجاب على COCO في ذلك الوقت، تظل بنيته معتمدة بدرجة كبيرة على مخرجات تستند إلى المراسي، وتتطلب معالجة لاحقة معقدة لـالكبت غير الأقصى (NMS)، ما قد يؤدي إلى اختناقات في زمن الاستجابة أثناء النشر.

تعرف على المزيد حول YOLOv7

YOLO26: معيار الذكاء الاصطناعي للرؤية، مع أولوية للحافة#

أُطلق Ultralytics YOLO26 في يناير 2026، ويمثل تحولًا جذريًا في النهج، إذ يعيد التفكير في مسار الكشف بالكامل لإعطاء الأولوية لسهولة النشر واستقرار التدريب وكفاءة العتاد.

تفاصيل النموذج

• المؤلفان: Glenn Jocher وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: ultralytics/ultralytics
• المنصة: Ultralytics YOLO26 على المنصة

بُني YOLO26 من الأساس لمعالجة تحديات الهندسة الحديثة. وتضم بنيته العديد من الابتكارات المهمة التي تتفوق بفارق كبير على أسلافه:

• تصميم شامل من دون NMS: يلغي YOLO26 المعالجة اللاحقة لـNMS أصلاً، في نهج ثوري ابتكرته YOLOv10 أولًا. وينتج عن ذلك مسار نشر أسرع وأبسط بكثير، مع تجنب زمن الاستجابة المتغير الذي تتسبب فيه المشاهد المزدحمة عادةً.
• إزالة DFL: من خلال إزالة خسارة البؤرة للتوزيع (DFL)، يُبسَّط النموذج جذريًا للتصدير، ما يوفر توافقًا أفضل بكثير مع الأجهزة الطرفية وعتاد إنترنت الأشياء منخفض الطاقة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل التبسيطات المعمارية والتقليم البنيوي، جرى تحسين YOLO26 خصيصًا للحوسبة الطرفية والأجهزة التي لا تحتوي على GPU مخصص، متفوقًا بسهولة على البنى الأقدم على المعالجات القياسية.
• مُحسِّن MuSGD: مستلهمًا من تقنيات تدريب نماذج اللغة الكبيرة، وتحديدًا Kimi K2 من Moonshot AI، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي وMuon. ويوفر ذلك استقرارًا تدريبيًا لا مثيل له وتقاربًا أسرع بكثير لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: يؤدي إدخال دوال الخسارة المتقدمة هذه إلى تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالصور الجوية والروبوتات والفحص الآلي للجودة.
• تحسينات خاصة بالمهام: إلى جانب كشف الأجسام القياسي، يقدّم YOLO26 نموذج proto متعدد المقاييس وخسارة دلالية متخصصة للتجزئة من أجل مهام التجزئة، وتقديرًا احتماليًا لوغاريتميًا متبقيًا (RLE) من أجل تقدير الوضعية، وخوارزميات متخصصة لخسارة الزاوية لمعالجة مشكلات الحدود في الصناديق المحيطة الموجّهة (OBB).

مقارنة الأداء والمقاييس#

عند مقارنة البصمة الحاسوبية، يُظهر YOLO26 تفوقًا واضحًا في تحقيق التوازن بين الأداء ومتطلبات الذاكرة. غالبًا ما تتطلب النماذج المستندة إلى Transformer أو البنى القديمة الثقيلة تخصيصات ضخمة من ذاكرة CUDA، لكن YOLO26 يتدرب بكفاءة على GPU من الفئة الاستهلاكية.

كما هو موضح أعلاه، يحقق النموذج YOLO26m دقة مكافئة (53.1 mAP) للنموذج الضخم YOLOv7x، لكنه يفعل ذلك باستخدام أقل من ثلث عدد المعلمات (20.4M مقابل 71.3M) وأزمنة استدلال بالغة السرعة عبر TensorRT.

ميزة منظومة Ultralytics#

غالبًا ما يتطلب نشر النماذج القديمة التعامل مع مستودعات معقدة تابعة لجهات خارجية، وفوضى الاعتماديات، ونصوص التصدير اليدوية. في المقابل، توفر منصة Ultralytics منظومة متماسكة جيدة الصيانة تعمل على تبسيط دورة حياة التعلم الآلي بأكملها.

• سهولة الاستخدام: بفضل واجهة Python البديهية والوثائق الشاملة، يمكنك وضع تعليقات توضيحية على النماذج وتدريبها ونشرها خلال دقائق. ولا يتطلب التصدير إلى تنسيقات مثل ONNX أو CoreML سوى سطر واحد من التعليمات البرمجية.
• متطلبات الذاكرة: تشتهر نماذج Ultralytics بانخفاض استهلاكها للذاكرة. وعلى خلاف بعض محولات الرؤية الضخمة، يمكن ضبط YOLO26 بسهولة على عتاد قياسي من دون مواجهة أخطاء نفاد الذاكرة (OOM).
• تعدد الاستخدامات: بينما كان YOLOv7 كاشف أجسام بالدرجة الأولى، مع بعض الفروع التجريبية للمهام الأخرى، فإن YOLO26 إطار عمل موحد أصلاً يتعامل بالكفاءة نفسها مع الكشف والتصنيف والتتبع والوضعية وOBB.

مثال على التعليمات البرمجية: التدريب والنشر#

يوضح المثال التالي البساطة الأنيقة لحزمة ultralytics. لاحظ مدى نظافة الواجهة مقارنةً باستدعاء وسائط طويلة عبر سطر الأوامر 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 الواقعية#

يعتمد اختيار البنية المناسبة بالكامل على قيودك في بيئة الإنتاج.

متى ينبغي التفكير في YOLOv7: يظل YOLOv7 أداة قيّمة لإجراء المقارنات المعيارية الأكاديمية وفق معايير عام 2022. وإذا كانت بنيتك التحتية تستخدم مسارات CUDA القديمة بعمق، والمشفرة بصورة ثابتة وفق مخرجات YOLOv7 الخاصة بالمراسي، ولم تتمكن من تخصيص موارد لإعادة الهيكلة، فسيواصل العمل ككاشف أساسي متين.

متى ينبغي اختيار YOLO26: بالنسبة إلى أي مشروع جديد، يُعد YOLO26 الخيار الحاسم. فبنيته الخالية من NMS تجعله مثاليًا لـالملاحة الذاتية منخفضة زمن الاستجابة وأنظمة الأمان الفورية. كما أن إزالة DFL والزيادات الكبيرة في سرعة CPU تجعله الخيار الأبرز بلا منازع لعمليات نشر الذكاء الاصطناعي الطرفي، مثل النشر على Raspberry Pi أو داخل الأجهزة الإلكترونية الاستهلاكية. علاوةً على ذلك، تجعل تحسينات ProgLoss + STAL النموذج بارعًا للغاية في كشف الشذوذات الصغيرة في ضمان جودة التصنيع أو التصوير عبر الأقمار الصناعية.

في نهاية المطاف، يوفر YOLO26 للمطورين مزيجًا لا مثيل له من الدقة والسرعة والبساطة، مدعومًا بالدعم الشامل لمجتمع المصادر المفتوحة.