YOLOv7 مقابل YOLO26#
شهد تطور الرؤية الحاسوبية محطات مهمة، وتوفر مقارنة البنى القديمة بالنماذج الحديثة المتطورة رؤى قيّمة لمهندسي التعلم الآلي. تتناول هذه المقارنة التقنية الفروق بين YOLOv7 شديد التأثير 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 الإمكانات على عتاد GPU من خلال تقديم عدة تحسينات معمارية رفعت الدقة دون زيادة تكلفة الاستدلال.
تفاصيل النموذج
- المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا
- التاريخ: 2022-07-06
- Arxiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- الوثائق: وثائق Ultralytics YOLOv7
قدّم YOLOv7 مفهوم «حزمة المزايا المجانية» القابلة للتدريب، التي اعتمدت بدرجة كبيرة على تقنيات إعادة المعلمة وشبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). وقد أتاح ذلك للنموذج تعلم سمات أكثر تنوعًا وتحسين قدرة الشبكة على التعلم باستمرار دون الإضرار بمسار التدرج الأصلي. ورغم تحقيقه معيارًا مرجعيًا متطورًا ومذهلًا على COCO آنذاك، لا تزال بنيته تعتمد بكثافة على مخرجات قائمة على المراسي وتتطلب معالجة لاحقة معقدة باستخدام كبت غير الحد الأقصى (NMS)، ما قد يؤدي إلى اختناقات في زمن الاستجابة أثناء النشر.
YOLO26: معيار الذكاء الاصطناعي للرؤية المصمم للحافة أولًا#
صدر Ultralytics YOLO26 في يناير 2026، ويمثل تحولًا جذريًا يعيد التفكير في مسار الاكتشاف بالكامل، مع إعطاء الأولوية لسهولة النشر واستقرار التدريب وكفاءة العتاد.
تفاصيل النموذج
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: ultralytics/ultralytics
- المنصة: Ultralytics YOLO26 على المنصة
صُمم YOLO26 من الأساس لمعالجة تحديات الهندسة الحديثة. وتضم بنيته عدة ابتكارات أساسية تتفوق بفارق كبير على الأجيال السابقة:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: يوفر YOLO26 رأسًا اختياريًا أحادي المطابقة (
nms=False) يتجاوز المعالجة اللاحقة باستخدام NMS، وهو نهج رائد ظهر للمرة الأولى في YOLOv10. وينتج عن ذلك مسار نشر أسرع وأبسط بكثير، ويتجنب تباين زمن الاستجابة الذي تسببه عادةً المشاهد المكتظة. - إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية (DFL)، يصبح النموذج أبسط بكثير عند التصدير، مع توافق أفضل بدرجة كبيرة مع الأجهزة الطرفية وعتاد إنترنت الأشياء منخفض الطاقة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل تبسيطاته المعمارية، حُسّن YOLO26 خصيصًا للحوسبة الطرفية والأجهزة التي لا تضم وحدات GPU مخصصة، ويتفوق بسهولة على البنى الأقدم على المعالجات القياسية.
- محسّن MuSGD: استنادًا إلى تقنيات تدريب نماذج اللغة الكبيرة، وتحديدًا Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من الانحدار العشوائي للتدرج وMuon. ويوفر ذلك استقرارًا لا مثيل له في التدريب وتقاربًا أسرع بكثير لمهام الرؤية الحاسوبية.
- ProgLoss + STAL: يؤدي إدخال دوال الخسارة المتقدمة هذه إلى تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية والروبوتات وفحص الجودة الآلي.
- تحسينات خاصة بكل مهمة: إلى جانب اكتشاف الأجسام القياسي، يقدم YOLO26 نماذج أولية متعددة المقاييس وخسارة متخصصة للتقسيم الدلالي في مهام التقسيم، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) في تقدير الوضعية، وخوارزميات متخصصة لخسارة الزاوية لمعالجة مشكلات الحدود في مربعات الإحاطة الموجّهة (OBB).
لا تتطلب الترقية من بنية أقدم إلى YOLO26 سوى تغيير سلسلة النموذج في شيفرة Python إلى yolo26n.pt. وتتولى حزمة Ultralytics عملية الانتقال بأكملها، بما في ذلك تنزيل الأوزان تلقائيًا وتحجيم الإعدادات.
مقارنة الأداء والمقاييس#
عند مقارنة البصمة الحاسوبية، يُظهر YOLO26 تفوقًا واضحًا في الموازنة بين الأداء ومتطلبات الذاكرة. فكثيرًا ما تتطلب النماذج القائمة على Transformer أو البنى القديمة الضخمة تخصيصات هائلة من ذاكرة CUDA، بينما يتدرب YOLO26 بكفاءة على وحدات GPU الاستهلاكية.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
كما يظهر أعلاه، يحقق النموذج YOLO26m دقة مكافئة (53.1 mAP) للنموذج الضخم YOLOv7x، لكنه يفعل ذلك بأقل من ثلث عدد المعاملات (20.4M مقابل 71.3M)، مع أزمنة استدلال فائقة السرعة عبر TensorRT.
ميزة منظومة Ultralytics#
غالبًا ما ينطوي نشر النماذج القديمة على التعامل مع مستودعات خارجية معقدة، وجحيم الاعتماديات، ونصوص التصدير اليدوية. في المقابل، توفر منصة Ultralytics منظومة متماسكة ومصانة جيدًا، تبسّط دورة حياة التعلم الآلي بأكملها.
- سهولة الاستخدام: بفضل واجهة Python API سهلة الاستخدام والوثائق الشاملة، يمكنك إضافة التعليقات التوضيحية إلى النماذج وتدريبها ونشرها في دقائق. ولا يتطلب التصدير إلى تنسيقات مثل ONNX أو CoreML سوى سطر واحد من الشيفرة.
- متطلبات الذاكرة: تشتهر نماذج Ultralytics بانخفاض استهلاكها للذاكرة. وعلى خلاف بعض نماذج Transformer الضخمة للرؤية، يمكن ضبط YOLO26 بدقة بسهولة على العتاد القياسي دون مواجهة أخطاء نفاد الذاكرة (OOM).
- تعدد الاستخدامات: بينما كان YOLOv7 كاشفًا للأجسام في المقام الأول (مع بعض الفروع التجريبية لمهام أخرى)، فإن YOLO26 إطار عمل موحّدًا أصيلًا يتعامل مع الكشف والتجزئة والتصنيف وتقدير الوضع ومربعات الإحاطة الموجّهة (OBB)، إضافةً إلى تتبّع الكائنات المتعددة.
مع أن YOLO26 هو المعيار الموصى به، يمكن للمطورين الذين يرحّلون الأنظمة القديمة استكشاف YOLO11 أيضًا، فهو جيل آخر عالي القدرات ضمن مجموعة Ultralytics، ويوفر استقرارًا ممتازًا لمشروعات الدعم طويلة الأمد.
مثال برمجي: التدريب والنشر#
يوضح المثال التالي البساطة الأنيقة لحزمة ultralytics. لاحظ مدى نظافة الواجهة مقارنةً باستدعاء أوامر طويلة لسطر 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", nms=False)
# 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 المناسبة بالكامل على قيود بيئة الإنتاج لديك.
متى ينبغي التفكير في استخدام YOLOv7: يظل YOLOv7 أداة قيّمة للمقارنة المعيارية الأكاديمية وفقًا لمعايير عام 2022. إذا كانت بنيتك التحتية تستخدم بكثافة مسارات CUDA قديمة ومتجذرة ومشفّرة بإحكام لتتوافق مع مخرجات المراسي المحددة لـ YOLOv7، ولم تتمكن من تخصيص موارد لإعادة الهيكلة، فسيواصل YOLOv7 العمل ككاشف مرجعي متين.
متى يُختار YOLO26: يُعد YOLO26 الخيار الأمثل لأي مشروع جديد. تجعله بنيته الخالية من NMS مثاليًا لـالملاحة الذاتية منخفضة الكمون وأنظمة الأمن الآنية. كما أن إزالة DFL والتحسينات الكبيرة في سرعة CPU تجعله الخيار الأبرز لنشر الذكاء الاصطناعي على الأجهزة الطرفية، مثل النشر على Raspberry Pi أو داخل الأجهزة الإلكترونية الاستهلاكية. علاوةً على ذلك، تجعل تحسينات ProgLoss + STAL النموذج بارعًا في اكتشاف الشذوذات الصغيرة في ضمان جودة التصنيع أو التصوير بالأقمار الصناعية.
في نهاية المطاف، يوفّر YOLO26 للمطورين مزيجًا لا يُضاهى من الدقة والسرعة والبساطة، مدعومًا بدعم شامل من مجتمع المصادر المفتوحة.