مقارنة بين YOLOv7 وYOLOv5#

عند بناء مسارات عمل حديثة لـالرؤية الحاسوبية، يُعد اختيار بنية كشف الأجسام المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وسرعة الاستدلال واستخدام الموارد. تتناول هذه المقارنة الشاملة نموذجين بالغي التأثير في مجال الرؤية الحاسوبية: YOLOv7 وUltralytics YOLOv5.

من خلال تحليل الاختلافات المعمارية بينهما، ومقاييس الأداء، وسيناريوهات النشر المثالية، نهدف إلى مساعدة المطورين والباحثين على اختيار النموذج الأنسب لمتطلباتهم الخاصة.

خلفية النماذج وأصولها#

يوفر فهم أصول هذه النماذج سياقًا لفلسفات تصميمها وحالات الاستخدام المستهدفة.

YOLOv5#

أصدر Glenn Jocher وفريق Ultralytics Ultralytics نموذج YOLOv5 في 26 يونيو 2020، وقد أحدث ثورة في المجال من خلال توفير تنفيذ أصلي باستخدام PyTorch يولي سهولة الاستخدام الأولوية دون التضحية بالأداء. وسرعان ما أصبح معيارًا في الصناعة بفضل منظومته شديدة الانسيابية وديناميكيات التدريب الموثوقة. يمكنك استكشاف الشيفرة المصدرية في مستودع YOLOv5 على GitHub أو الوصول إلى النموذج مباشرةً عبر منصة Ultralytics.

YOLOv7#

تم تقديم نموذج YOLOv7 بواسطة Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao من معهد علوم المعلومات، أكاديمية سينيكا، تايوان، في 6 يوليو 2022، حيث ركز نموذج YOLOv7 بشكل كبير على الابتكارات المعمارية مثل شبكات تجميع الطبقات الفعالة الممتدة (E-ELAN) و"مجموعة المزايا المجانية" القابلة للتدريب لدفع حدود التكنولوجيا الحديثة في مجال الدقة. يمكن العثور على التفاصيل في ورقة Arxiv الرسمية الخاصة ب نموذج YOLOv7 وفي مستودع YOLOv7 على GitHub. للاندماج السلس، راجع توثيق Ultralytics لنموذج YOLOv7.

تعرف على المزيد حول YOLOv7

الابتكارات المعمارية#

تصميم Ultralytics YOLOv5#

يستخدم YOLOv5 عمودًا فقريًا معدّلًا من CSPDarknet53 مقترنًا بعنق شبكة تجميع المسارات (PANet). وقد حُسّن هذا التصميم بدرجة كبيرة لاستخراج السمات بسرعة وكفاءة في الذاكرة. وعلى خلاف البنى الأقدم أو نماذج Transformer الثقيلة، يتطلب YOLOv5 قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب، مما يتيح استخدام أحجام دفعات أكبر على وحدات GPU الاستهلاكية القياسية. وعلاوةً على ذلك، يدعم إطار Ultralytics بطبيعته مجموعة واسعة من المهام التي تتجاوز مربعات الإحاطة التقليدية، بما في ذلك تجزئة الصور وتصنيف الصور.

تصميم YOLOv7#

قدّم YOLOv7 عدة عمليات إعادة معلمة هيكلية وبنية E-ELAN، التي تتيح للشبكة تعلّم سمات أكثر تنوعًا من دون تدمير مسار التدرج الأصلي. كما يطبّق رأسًا مساعدًا للإشراف المرحلي أثناء التدريب. وعلى الرغم من أن هذه التطورات تحقق متوسط دقة (mAP) مرتفعًا، فإنها غالبًا ما تُدخل بُنى موترات معقدة قد تجعل التصدير إلى تنسيقات الحافة مثل ONNX أو TensorRT أكثر تحديًا قليلًا مقارنةً بتنسيقات التصدير الانسيابية الأصلية في نماذج Ultralytics.

تحليل الأداء#

عند مقارنة هذه النماذج، يجب على المطورين تحقيق توازن بين mAP^val وسرعة الاستدلال والتعقيد الحسابي (FLOPs). يوضح الجدول أدناه أداء البنيتين، بعد تقييمهما على مجموعة بيانات COCO.

أهم الاستنتاجات#

• حد الدقة: يحقق YOLOv7x أعلى دقة إجمالية بواقع 53.1 mAP^val المثير للإعجاب، مما يجعله منافسًا قويًا للغاية في السيناريوهات التي يكون فيها تعظيم أداء الكشف هو الهدف الأساسي.
• السرعة والكفاءة: يُعد Ultralytics YOLOv5n نموذجًا مذهلًا في الكفاءة، إذ يوفر زمن استدلال فائق السرعة (1.12 مللي ثانية على T4 TensorRT) مع بصمة ذاكرة صغيرة للغاية لا تتجاوز 2.6M معلمة. وهذا يجعله خيارًا لا مثيل له لعمليات النشر على الأجهزة الطرفية شديدة القيود.
• توازن الأداء: توفر سلسلة YOLOv5 تدرجًا استثنائيًا من النماذج. ويقدم YOLOv5l حلًا وسطًا ممتازًا؛ إذ يتأخر عن YOLOv7l بفارق ضئيل في الدقة، لكنه يوفر مسار نشر ناضجًا للغاية.

ميزة منظومة Ultralytics#

لا تمثل بنية النموذج سوى نصف المعادلة؛ إذ تحدد المنظومة المحيطة به مدى قابليته للتطبيق في العالم الحقيقي. وهنا تتألق نماذج Ultralytics حقًا.

سهولة الاستخدام: توفر Ultralytics واجهة API موحّدة وبديهية للغاية في Python. يمكنك تدريب النماذج والتحقق منها ونشرها بأقل قدر من الشيفرة التمهيدية، مع دعم من الوثائق الرسمية الشاملة. منظومة مُصانة جيدًا: يضمن التطوير النشط تحديثات مستمرة وإصلاحات للأخطاء وتكاملًا سلسًا مع أدوات التتبع الحديثة مثل Weights & Biases. كفاءة التدريب: من خلال استخدام محمّلات بيانات محسّنة والتخزين المؤقت الذكي، يقلل YOLOv5 أوقات التدريب بدرجة كبيرة. علاوةً على ذلك، تسرّع الأوزان المدرّبة مسبقًا الجاهزة للاستخدام عملية التعلّم بالنقل عبر مختلف المجالات.

مثال على الشفرة: تدريب مبسّط#

باستخدام حزمة Ultralytics، تكون تهيئة عملية تدريب متطابقة تقريبًا بغض النظر عن البنية التي تختارها.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model (can easily swap to "yolov7.pt")
model = YOLO("yolov5s.pt")

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

# Export the trained model to ONNX format for deployment
success = model.export(format="onnx")

حالات الاستخدام المثالية#

متى تختار YOLOv7#

• المقارنة المعيارية الأكاديمية: مثالية للباحثين الذين يحتاجون إلى مقارنة تقنيات جديدة بخط أساس موثّق جيدًا من عام 2022.
• المعالجة السحابية باستخدام وحدات GPU عالية الأداء: عند النشر على عتاد خوادم قوي، حيث يتفوق تحقيق أعلى mAP ممكن في المشاهد الكثيفة على سهولة التصدير.

متى تختار YOLOv5#

• عمليات النشر الإنتاجية: مثالية للتطبيقات التجارية التي تتطلب استقرارًا عاليًا وخيارات مباشرة لنشر النماذج وتوافقًا واسعًا عبر المنصات.
• الأجهزة الطرفية: تعمل المتغيرات الأصغر (YOLOv5n وYOLOv5s) بكفاءة استثنائية على الهواتف المحمولة والأنظمة المضمنة.
• متطلبات المهام المتعددة: إذا كان مشروعك يحتاج إلى التطور من الكشف البسيط إلى تقدير الوضعية أو التجزئة باستخدام إطار موحّد.

الجيل التالي: Ultralytics YOLO26#

مع أن YOLOv5 وYOLOv7 يحتلان مكانة مهمة في تاريخ الذكاء الاصطناعي للرؤية، فإن المشهد يتطور باستمرار. ويمثل Ultralytics YOLO26، الذي أُصدر في يناير 2026، أحدث ما توصلت إليه تقنية كشف الأجسام، متفوقًا على الأجيال السابقة في جميع المقاييس.

يقدّم YOLO26 عدة ميزات تُحدث تحولًا في النماذج السائدة:

• تصميم شامل من البداية وخالٍ من NMS: استنادًا إلى مفاهيم ابتكرتها الإصدارات السابقة، يأتي YOLO26 شاملًا من البداية بطبيعته. ويزيل ذلك تمامًا المعالجة اللاحقة لقمع غير الأعظمي (NMS)، مما يقلل اختناقات زمن الاستجابة بدرجة كبيرة ويبسّط منطق النشر تبسيطًا جذريًا.
• مُحسِّن MuSGD: استنادًا إلى Kimi K2 من Moonshot AI، يدمج هذا المُحسِّن الثوري استقرار SGD القياسي مع الزخم المتسارع لـ Muon، لينقل ابتكارات تدريب LLM المتقدمة مباشرةً إلى مجال الرؤية الحاسوبية.
• سرعة محسّنة على CPU: من خلال إزالة خسارة البؤرة التوزيعية (DFL) بطريقة استراتيجية، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، مما يجعله البطل بلا منازع للنشر على الأجهزة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات هائلة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات الدقيقة.
• تحسينات خاصة بكل مهمة: تتضمن خسارة التجزئة الدلالية لإنشاء الأقنعة، وتقدير لوغاريتم الاحتمال المتبقي (RLE) لتتبع الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات حدود مربع الإحاطة الموجّه (OBB) المعقدة.

الخلاصة#

يوفر كل من YOLOv5 وYOLOv7 حلولًا قوية لكشف الأجسام في الوقت الفعلي. ويظل YOLOv7 خيارًا قويًا لتحقيق دقة خام على العتاد ذي القدرة الحسابية العالية، بينما يتميز YOLOv5 بكونه الأداة المثلى الملائمة للمطورين، إذ يوفر توازنًا استثنائيًا بين السرعة والكفاءة ومنظومة عالمية المستوى.

ومع ذلك، نوصي بشدة المطورين الذين يتطلعون إلى تحصين مسارات عملهم للمستقبل وتحقيق المزيج الأمثل من السرعة والبساطة والدقة المتقدمة بالانتقال إلى Ultralytics YOLO26. فهو يجسّد سهولة الاستخدام الأسطورية لمنصة Ultralytics، مع تقديم ابتكارات معمارية رائدة.