YOLOv7 مقابل YOLOv10#

شهد مجال الرؤية الحاسوبية تطورات ملحوظة خلال السنوات القليلة الماضية، وكانت عائلة نماذج «انظر مرة واحدة فقط» (YOLO) في طليعة هذه التطورات في مجال اكتشاف الأجسام في الوقت الفعلي. يتطلب اختيار البنية المناسبة لمشروعات الرؤية الحاسوبية فهمًا عميقًا للخيارات المتاحة. في هذه المقارنة التقنية الشاملة، سنستكشف الفروقات الرئيسية بين بنيتين بارزتين: YOLOv7 وYOLOv10.

مقدمة إلى النماذج#

يمثل كلا النموذجين محطتين بارزتين في تاريخ الذكاء الاصطناعي، إلا أنهما يتبعان نهجين مختلفين جوهريًا لمعالجة تحديات اكتشاف الأجسام.

YOLOv7: رائد حقيبة المزايا#

أصدر الباحثون تشين-ياو وانغ وأليكسي بوتشكوفسكي وهونغ-يوان مارك لياو من معهد علوم المعلومات، أكاديميا سينيكا نموذج YOLOv7 في 6 يوليو 2022، وقد أحدث تحولًا نموذجيًا في كيفية تحسين الشبكات العصبية. ركز البحث الأصلي، المفصل في الورقة الأكاديمية والمستضاف في مستودع GitHub الرسمي، بشكل كبير على إعادة معلمة البنية و«حقيبة من المزايا» قابلة للتدريب.

يستفيد YOLOv7 من شبكة تجميع طبقات فعّالة موسعة (E-ELAN) لتوجيه الشبكة نحو تعلم ميزات متنوعة دون تدمير مسار التدرج الأصلي. وهذا يجعله خيارًا متينًا لمعايير البحث الأكاديمي والأنظمة التي تعتمد بدرجة كبيرة على وحدات GPU القياسية عالية الأداء.

تعرّف على المزيد حول YOLOv7

YOLOv10: اكتشاف شامل من البداية إلى النهاية في الوقت الفعلي#

طوّر Ao Wang وفريقه في جامعة تسينغهوا نموذج YOLOv10، الذي صدر في 23 مايو 2024. وكما هو موضح في منشور arxiv ومستودع GitHub لجامعة تسينغهوا، يلغي هذا النموذج عنق زجاجة مستمرًا منذ فترة طويلة في اكتشاف الأجسام: الكبت غير الأقصى (NMS).

قدّم YOLOv10 إسنادات مزدوجة متسقة للتدريب دون NMS، مما غيّر جذريًا مسار المعالجة اللاحقة. ومن خلال تطبيق استراتيجية شاملة لتصميم نموذج مدفوعة بالكفاءة والدقة، يقلل YOLOv10 التكرار الحسابي. وينتج عن ذلك بنية مصممة خصيصًا للأجهزة الطرفية التي تتطلب زمن استجابة منخفضًا للغاية.

تعرّف على المزيد حول YOLOv10

البنية الخالية من NMS

يسمح إزالة الكبت غير الأقصى (NMS) في YOLOv10 بتصدير النموذج بأكمله على شكل رسم بياني حسابي واحد. وهذا يبسط بصورة كبيرة عملية النشر باستخدام بيئات تشغيل مثل TensorRT أو OpenVINO.

مقارنة الأداء والمقاييس#

عند تحليل أداء النموذج، من الضروري تقييم المفاضلات بين الدقة والسرعة والوزن الحسابي. يوضح الجدول التالي كيفية مقارنة الأحجام المختلفة لهذه النماذج.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (مللي ثانية)}	السرعة ^{T4 TensorRT10 (مللي ثانية)}	المعاملات ^(M)	FLOPs ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

تحليل المفاضلات#

تكشف المقاييس أعلاه عن فجوة واضحة بين الجيلين. فبينما يحقق YOLOv7x قيمة mAP^val قوية جدًا تبلغ 53.1%، فإنه يتطلب 71.3M معلمة و189.9B من عمليات FLOPs. وعلى النقيض، يتجاوز YOLOv10l تلك الدقة (53.3% mAP) مع الحاجة إلى أقل من نصف عدد المعلمات (29.5M) وعدد أقل بكثير من عمليات FLOPs (120.3B). علاوة على ذلك، يوفر YOLOv10n المحسّن بدرجة كبيرة سرعة استدلال مذهلة تبلغ 1.56ms، مما يجعله مثاليًا لتحليلات الفيديو في الوقت الفعلي والتطبيقات المحمولة.

حالات الاستخدام الواقعية#

تحدد الفروقات المعمارية بين هذين النموذجين حالات الاستخدام المثلى لكل منهما.

متى تستخدم YOLOv7#

بفضل تمثيله الغني للميزات، يتفوق YOLOv7 في البيئات شديدة التعقيد. تستفيد حالات الاستخدام مثل مراقبة تدفق حركة المرور في المناطق الحضرية المكتظة، وتحليل الصور الساتلية، وتحديد العيوب في أتمتة التصنيع الثقيلة من إعادة المعلمة البنيوية المتينة التي يوفرها. كما يحظى بتفضيل كبير في البيئات القديمة المدمجة بعمق مع مسارات PyTorch 1.12 محددة.

متى تستخدم YOLOv10#

يتألق تصميم YOLOv10 الخفيف والخالي من NMS في البيئات محدودة الموارد. ويوصى به بشدة لأجهزة الحوسبة الطرفية مثل NVIDIA Jetson Nano أو Raspberry Pi. ويجعل أداءه منخفض زمن الاستجابة مناسبًا تمامًا للتطبيقات سريعة الحركة مثل تحليلات الرياضة، والملاحة الذاتية للطائرات المسيّرة، والفرز الروبوتي عالي السرعة على سيور النقل.

ميزة منظومة Ultralytics#

على الرغم من أن لكلا النموذجين جذورًا أكاديمية قوية، فإن إمكاناتهما الحقيقية تُستغل عند استخدامهما ضمن منصة Ultralytics الموحدة. ويُعرف تطوير نماذج الرؤية الحاسوبية من الصفر بصعوبته الكبيرة، إلا أن منظومة Ultralytics توفر تجربة لا مثيل لها لمهندسي تعلّم الآلة.

سهولة الاستخدام: توفر واجهة Python البرمجية من Ultralytics واجهة موحدة. يمكنك تدريب النماذج والتحقق منها وتصديرها باستخدام بضعة أسطر من التعليمات البرمجية، متجنبًا كوابيس الاعتماديات المعقدة المرتبطة عادةً بالمستودعات الأكاديمية.
منظومة تُدار باستمرار: تضمن Ultralytics تطوير التعليمات البرمجية الأساسية بنشاط. ويستفيد المستخدمون من عمليات التكامل السلسة مع أدوات تعلّم الآلة الشائعة مثل Weights & Biases للتسجيل، أو Hugging Face للعروض التوضيحية السريعة على الويب.
متطلبات الذاكرة: غالبًا ما تستهلك كاشفات الأجسام القائمة على Transformer كميات هائلة من ذاكرة CUDA أثناء التدريب. وعلى النقيض، تتطلب نماذج Ultralytics YOLO ذاكرة أقل بكثير، مما يسمح باستخدام أحجام دفعات أكبر بكثير على الأجهزة المخصصة للمستهلكين.
تعدد الاستخدامات: لا تقتصر مسارات Ultralytics على مربعات الإحاطة القياسية. فهي تدعم بسلاسة تقدير الوضعيات، وتجزئة المثيلات، ومربعات الإحاطة الموجهة عبر عائلات النماذج المدعومة مثل YOLO11 وYOLOv8.

مثال على تدريب مبسّط#

يُعد تشغيل مسار تدريب باستخدام Ultralytics أمرًا مباشرًا بصورة ملحوظة. وبغض النظر عما إذا كنت تستفيد من المتانة التاريخية لـ YOLOv7 أو سرعة YOLOv10 الخالية من NMS، تظل الصياغة متسقة:

from ultralytics import YOLO

# Load the preferred model (e.g., YOLOv10 Nano)
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run an inference prediction on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to an edge-friendly format like ONNX
model.export(format="onnx")

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLOv7 وYOLOv10 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات المنظومة.

متى تختار YOLOv7#

يُعد YOLOv7 خيارًا قويًا من أجل:

المقارنة المعيارية الأكاديمية: إعادة إنتاج النتائج التي كانت تمثل أحدث ما توصل إليه المجال في عام 2022، أو دراسة تأثيرات E-ELAN وتقنيات مجموعة المزايا القابلة للتدريب.
بحوث إعادة المعلمة: دراسة الالتفافات المعادَة معلمتها المخططة واستراتيجيات تحجيم النماذج المركبة.
مسارات المعالجة المخصصة الحالية: المشاريع ذات مسارات المعالجة المخصصة بدرجة كبيرة والمبنية حول بنية YOLOv7 المحددة، والتي لا يمكن إعادة هيكلتها بسهولة.

متى تختار YOLOv10#

يوصى باستخدام YOLOv10 من أجل:

الاكتشاف في الوقت الفعلي الخالي من NMS: التطبيقات التي تستفيد من الاكتشاف من الطرف إلى الطرف دون كبت القيم غير العظمى، ما يقلل تعقيد النشر.
المفاضلة المتوازنة بين السرعة والدقة: المشاريع التي تتطلب توازنًا قويًا بين سرعة الاستدلال ودقة الاكتشاف عبر مقاييس نماذج مختلفة.
التطبيقات ذات زمن الانتقال المتسق: سيناريوهات النشر التي تكون فيها أزمنة الاستدلال المتوقعة أمرًا بالغ الأهمية، مثل الروبوتات أو الأنظمة الذاتية.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

المستقبل: تقديم YOLO26#

على الرغم من أن YOLOv7 وYOLOv10 يمثلان محطتين بارزتين، فإن حدود الذكاء الاصطناعي تتقدم باستمرار. وقد صدر Ultralytics YOLO26 في يناير 2026، وهو المعيار الجديد بلا منازع للكفاءة والدقة عبر جميع سيناريوهات النشر الطرفية والسحابية.

إذا كنت تبدأ اليوم مشروعًا جديدًا في مجال الرؤية الحاسوبية، فإن YOLO26 هو البنية الموصى بها. فهو يبني على إرث أسلافه من خلال دمج عدة ابتكارات رائدة:

تصميم شامل خالٍ من NMS من البداية إلى النهاية: استلهامًا من YOLOv10، يلغي YOLO26 معالجة NMS اللاحقة أصليًا، مما يضمن استدلالًا بزمن استجابة منخفض للغاية للروبوتات الحتمية في الوقت الفعلي.
استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة وحدة خسارة البؤرة التوزيعية (DFL) بصورة استراتيجية، يسرّع YOLO26 التنفيذ بدرجة كبيرة على أجهزة الحوسبة الطرفية غير المعتمدة على GPU، مما يجعله قوة فاعلة لأجهزة إنترنت الأشياء.
مُحسِّن MuSGD: استلهامًا من الابتكارات الحديثة في تدريب نماذج اللغة الكبيرة، يدمج YOLO26 بين SGD وMuon في نهج هجين، مما يثبت مسارات التدريب ويضمن تقاربًا أسرع.
ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، متغلبةً على نقطة ضعف تاريخية في أجيال YOLO الأقدم.
تعدد استخدامات لا مثيل له: يتميز YOLO26 بتحسينات أصلية خاصة بكل مهمة، مثل تقدير احتمالية السجل المتبقي (RLE) لتتبع الوضعيات، وخسائر الزوايا المتخصصة لاكتشاف OBB بدقة في الصور الجوية.

بالنسبة إلى المهندسين الذين يسعون إلى تحقيق التوازن الأمثل بين السرعة والدقة وبساطة النشر، فإن الانتقال من النماذج القديمة إلى YOLO26 يوفر ميزة تنافسية فورية وقابلة للقياس.

المساهمون

GLglenn-jocher¹⁴

تاريخ الإنشاء 27 يناير 2025تاريخ التحديث الشهر الماضي