YOLOv7 مقابل YOLO26
شهد تطور الرؤية الحاسوبية محطات مهمة، وتوفر مقارنة البنى القديمة بالنماذج الحديثة رؤى قيّمة لمهندسي التعلم الآلي. تتناول هذه المقارنة التقنية الاختلافات بين YOLOv7 المؤثر وUltralytics YOLO26، مع تسليط الضوء على التطورات في البنية ومنهجيات التدريب وكفاءة النشر.
YOLOv7: رائد «حزمة المزايا المجانية»#
تقدم YOLOv7، الذي ظهر في منتصف عام 2022، مجال الاكتشاف الآني على أجهزة GPU عبر تحسينات معمارية متعددة رفعت الدقة من دون زيادة كلفة 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، واستخدم بكثافة تقنيات إعادة المعلمة وشبكات تجميع الطبقات الفعّالة الموسعة (E-ELAN). وقد مكّن ذلك النموذج من تعلم سمات أكثر تنوعًا وتحسين قدرة الشبكة على التعلم باستمرار، من دون إتلاف مسار التدرج الأصلي. ورغم تحقيقه نتائج متطورة على COCO آنذاك، تعتمد بنيته على مخرجات قائمة على المراسي وتتطلب معالجة لاحقة باستخدام Non-Maximum Suppression (NMS)، ما قد يؤدي إلى اختناقات في زمن الاستجابة أثناء النشر.
YOLO26: معيار الذكاء الاصطناعي للرؤية المصمم للحافة أولًا#
أُصدر Ultralytics YOLO26 في يناير 2026، وأعاد تصميم مسار الاكتشاف لإعطاء الأولوية لسهولة النشر واستقرار التدريب وكفاءة الأجهزة.
تفاصيل النموذج
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2026-01-14
- GitHub: ultralytics/ultralytics
- المنصة: Ultralytics YOLO26 على المنصة
صُمم YOLO26 لتلبية متطلبات النشر الحديثة. وتضم بنيته عدة ابتكارات رئيسية:
- تصميم شامل خالٍ من NMS: يوفر YOLO26 رأسًا اختياريًا أحادي المطابقة (
nms=False) يتجاوز المعالجة اللاحقة باستخدام NMS، وهو نهج قُدّم لأول مرة في YOLOv10. وينتج عن ذلك مسار نشر أسرع وأبسط يتجنب تفاوت زمن الاستجابة الذي تتسبب فيه عادةً المشاهد المزدحمة. - إزالة DFL: من خلال إزالة Distribution Focal Loss (DFL)، يُبسّط النموذج للتصدير، ما يحسن توافقه مع الأجهزة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بفضل تبسيطاته المعمارية، حُسّن YOLO26 للحوسبة الطرفية والأجهزة التي لا تحتوي على وحدات GPU مخصصة، إذ يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n.
- محسّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة، ولا سيما Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD، وهو مزيج من الانحدار المتدرج العشوائي وMuon. ويوفر ذلك تدريبًا أكثر استقرارًا وتقاربًا أسرع لمهام الرؤية الحاسوبية.
- ProgLoss + STAL: تحسّن الخسارة التدريجية واستراتيجية إسناد التسميات المراعية للأهداف الصغيرة التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية في الصور الجوية والروبوتات والفحص الآلي للجودة.
- 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).
إذا كانت مشاريعك تستخدم بالفعل الحزمة ultralytics، فترقية النموذج إلى YOLO26 لا تتطلب سوى تغيير سلسلة النموذج في شيفرة Python إلى yolo26n.pt، وستُنزّل الأوزان تلقائيًا. ويمكن لمشاريع YOLOv7 المستندة إلى المستودع الأصلي إعادة استخدام مجموعات البيانات بتنسيق YOLO وإعادة التدريب باستخدام واجهة Ultralytics API.
مقارنة الأداء والمقاييس#
عند مقارنة البصمة الحسابية، يحقق YOLO26 توازنًا أفضل بين الدقة والسرعة ومتطلبات الذاكرة. فكثيرًا ما تتطلب النماذج القائمة على Transformer أو البنى القديمة الثقيلة تخصيصات كبيرة لذاكرة CUDA، بينما يتدرب YOLO26 بكفاءة على وحدات GPU الاستهلاكية.
| النموذج | الحجم (بكسل) | mAPval50-95 | 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 يتضح أعلاه، يطابق النموذج YOLO26m دقة النموذج الأكبر بكثير YOLOv7x (53.1 mAP)، باستخدام أقل من ثلث عدد المعلمات (20.4M مقابل 71.3M)، وباستدلال أسرع عبر TensorRT (4.7 ms مقابل 11.57 ms).
ميزة منظومة Ultralytics#
غالبًا ما يتطلب نشر النماذج القديمة مستودعات معقدة تابعة لجهات خارجية، وتعارضات في الاعتماديات، ونصوصًا برمجية يدوية للتصدير. في المقابل، توفر Ultralytics Platform منظومة متكاملة تحظى بصيانة جيدة، وتبسط دورة حياة التعلم الآلي بأكملها.
- سهولة الاستخدام: بفضل واجهة Python API البديهية 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 محولات الرؤية الكبيرة، يمكن ضبط YOLO26 بدقة على الأجهزة القياسية من دون مواجهة أخطاء نفاد الذاكرة (OOM).
- تعدد الاستخدامات: بينما كان YOLOv7 في الأساس نموذجًا لاكتشاف الأجسام (مع بعض الفروع التجريبية لمهام أخرى)، يمثل YOLO26 إطارًا موحدًا يتعامل مع الاكتشاف، وتجزئة الكائنات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعيات، وOBB، إضافةً إلى تتبع الأجسام المتعددة.
مع أن YOLO26 هو المعيار الموصى به، يمكن للمطورين الذين يرحّلون الأنظمة القديمة استكشاف YOLO11، الجيل السابق في مجموعة Ultralytics، الذي يوفر استقرارًا مثبتًا لمشاريع الدعم طويلة الأمد.
مثال برمجي: التدريب والنشر#
يوضح المثال التالي مسار العمل باستخدام ultralytics، الذي يستبدل وسائط سطر الأوامر الطويلة المستخدمة في المستودعات 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 على قيود بيئة الإنتاج لديك.
متى ينبغي التفكير في YOLOv7: يظل YOLOv7 أداة قيّمة للقياس الأكاديمي وفق معايير عام 2022. وإذا كانت بنيتك التحتية تستخدم مسارات CUDA قديمة ومهيأة مسبقًا لمخرجات المراسي الخاصة بـ YOLOv7، ولم يكن بإمكانك تخصيص موارد لإعادة الهيكلة، فسيواصل العمل ككاشف أساسي متين.
متى تختار YOLO26: للمشاريع الجديدة، يُوصى باختيار YOLO26. رأسه الاختياري الخالي من NMS يجعله ملائمًا لـالملاحة الذاتية منخفضة زمن الاستجابة وأنظمة الأمن في الزمن الحقيقي. إزالة DFL وسرعة الاستدلال الأعلى على CPU تجعلان النموذج ملائمًا لعمليات نشر الذكاء الاصطناعي الطرفي، مثل تشغيله على Raspberry Pi أو ضمن الأجهزة الإلكترونية الاستهلاكية. علاوة على ذلك، تساعد تحسينات ProgLoss + STAL على اكتشاف الشذوذات الدقيقة في ضمان جودة التصنيع أو تصوير الأقمار الصناعية.
في نهاية المطاف، يوفر YOLO26 للمطورين مزيجًا قويًا من الدقة والسرعة والبساطة، بدعم من مجتمع نشط مفتوح المصدر.
التعليقات2
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
Murat Raimbekov(تم التعديل)hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included
YOLOv7l(51.4 mAP, 36.9M params) andYOLOv7x(53.1 mAP, 71.3M params) at 640px. they didn't includeYOLOv7-tinyor the higher-resolution variants (W6, E6, D6, E6E at 1280px).these variants do exist in the yolov7 model docs with the numbers from the original paper:
variant imgsz mAP params (M) flops (B) YOLOv7-tiny-SiLU 640 38.7 6.2 13.8 YOLOv7 640 51.4 36.9 104.7 YOLOv7-X 640 53.1 71.3 189.9 YOLOv7-W6 1280 54.9 70.4 360.0 YOLOv7-E6 1280 56.0 97.2 515.2 YOLOv7-D6 1280 56.6 154.7 806.8 YOLOv7-E6E 1280 56.8 151.7 843.2 the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).
worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.
1
bit-scientistwhy were the smaller yolov7 models not included in comparison tables and graphs?