Link to this sectionYOLOv7 مقابل YOLO26: قفزة جيلية في اكتشاف الأشياء في الوقت الفعلي#

تميز تطور الرؤية الحاسوبية بمعالم بارزة، وتوفر مقارنة بنيات البرامج القديمة مع النماذج الحديثة المتطورة رؤى قيمة لمهندسي تعلم الآلة (ML Engineers). تتعمق هذه المقارنة التقنية في الاختلافات بين نموذج YOLOv7 المؤثر للغاية وUltralytics YOLO26 الثوري، مع تسليط الضوء على التطورات في الهندسة المعمارية ومنهجيات التدريب وكفاءة النشر.

Link to this sectionYOLOv7: 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
• المستندات: مستندات Ultralytics YOLOv7

قدم YOLOv7 مفهوم "مجموعة الميزات المجانية" القابلة للتدريب، والتي استخدمت بشكل مكثف تقنيات إعادة التقييم وشبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). سمح هذا للنموذج بتعلم ميزات أكثر تنوعاً وتحسين قدرة التعلم للشبكة بشكل مستمر دون تدمير مسار التدرج الأصلي. على الرغم من تحقيقه لمعيار قياسي متطور ومثير للإعجاب على COCO في ذلك الوقت، إلا أن بنيته تظل تعتمد بشكل كبير على المخرجات القائمة على المثبتات (anchor-based) وتتطلب معالجة لاحقة معقدة لخوارزمية NMS، مما قد يؤدي إلى اختناقات في وقت الاستجابة أثناء النشر.

اعرف المزيد عن YOLOv7

Link to this sectionYOLO26: 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
• المؤسسة: Ultralytics
• التاريخ: 2026-01-14
• GitHub: ultralytics/ultralytics
• المنصة: Ultralytics YOLO26 على المنصة

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 من طرف إلى طرف خالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة لـ NMS أصلياً، وهو نهج رائد تم تقديمه لأول مرة في YOLOv10. يؤدي هذا إلى خط أنابيب نشر أسرع وأبسط بكثير، متجنباً وقت الاستجابة 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.
• محسن MuSGD: مستوحى من تقنيات تدريب نماذج اللغات الكبيرة (وتحديداً Kimi K2 من Moonshot AI)، يستخدم YOLO26 محسن MuSGD - وهو مزيج من Stochastic Gradient Descent و Muon. هذا يوفر استقراراً لا مثيل له في التدريب وتقارباً أسرع بكثير لمهام الرؤية الحاسوبية.
• ProgLoss + STAL: يؤدي تقديم دوال الخسارة المتقدمة هذه إلى تحسينات ملحوظة في التعرف على الأشياء الصغيرة، وهو أمر بالغ الأهمية لـ الصور الجوية والروبوتات وفحص الجودة الآلي.
• تحسينات خاصة بالمهام: بالإضافة إلى اكتشاف الأشياء القياسي، يقدم YOLO26 نماذج أولية متعددة المقاييس وخسارة تجزئة دلالية متخصصة لـ مهام التجزئة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لـ تقدير الوضعية، وخوارزميات خسارة الزاوية المتخصصة لحل مشكلات الحدود في صناديق التحديد الموجهة (OBB).

تعرف على المزيد حول YOLO26

Link to this sectionمقارنة 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 رأينا أعلاه، يحقق نموذج YOLO26m دقة مكافئة (53.1 mAP) لنموذج YOLOv7x الضخم، ولكن بأقل من ثلث المعلمات (20.4M مقابل 71.3M) وأوقات استدلال سريعة للغاية عبر TensorRT.

Link to this sectionميزة نظام Ultralytics البيئي#

غالباً ما يتضمن نشر النماذج القديمة التعامل مع مستودعات خارجية معقدة، ومشاكل الاعتمادية (dependency hell)، ونصوص التصدير اليدوية. في المقابل، توفر منصة Ultralytics نظاماً بيئياً متماسكاً ومُداراً جيداً يعمل على تبسيط دورة حياة تعلم الآلة بأكملها.

• سهولة الاستخدام: مع واجهة برمجة تطبيقات Python بديهية ومستندات شاملة، يمكنك إضافة تعليقات توضيحية وتدريب ونشر النماذج في دقائق. يتطلب التصدير إلى تنسيقات مثل ONNX أو CoreML سطراً واحداً فقط من الكود.
• 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.

Link to this sectionمثال على الكود: التدريب والنشر#

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

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}")

Link to this sectionحالات الاستخدام في العالم الحقيقي#

يعتمد اختيار البنية الصحيحة بالكامل على قيود الإنتاج الخاصة بك.

متى تفكر في YOLOv7: يظل YOLOv7 أداة قيمة للمقارنة المعيارية الأكاديمية مقابل معايير عام 2022. إذا كانت بنيتك التحتية تستخدم أنابيب CUDA القديمة الثقيلة المشفرة بشدة لمخرجات YOLOv7 المحددة ولا يمكنك تخصيص موارد لإعادة الهيكلة، فسيستمر في العمل ككاشف أساسي قوي.

متى تختار YOLO26: بالنسبة لأي مشروع جديد، YOLO26 هو الخيار النهائي. تجعله هندسته الخالية من NMS مثالياً لـ الملاحة المستقلة منخفضة الاستجابة وأنظمة الأمان في الوقت الفعلي. تجعل إزالة DFL وتعزيزات سرعة CPU الهائلة منه بطلاً لا جدال فيه لعمليات نشر الذكاء الاصطناعي على الحافة، مثل النشر على Raspberry Pi أو داخل الإلكترونيات الاستهلاكية. علاوة على ذلك، تجعل تحسينات ProgLoss + STAL منه بارعاً للغاية في اكتشاف الشذوذات الصغيرة في ضمان الجودة التصنيعية أو صور الأقمار الصناعية.

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