YOLOv7 مقابل YOLOv5#

عند إنشاء مسارات عمل حديثة في الرؤية الحاسوبية، يُعد اختيار بنية اكتشاف الكائنات المناسبة أمرًا بالغ الأهمية لتحقيق التوازن بين الدقة وسرعة الاستدلال واستخدام الموارد. تتناول هذه المقارنة الشاملة نموذجين من أكثر النماذج تأثيرًا في مجال الرؤية الحاسوبية: YOLOv7 وUltralytics YOLOv5.

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

خلفية النماذج وأصولها#

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

YOLOv5#

أصدر Glenn Jocher وفريق Ultralytics النموذج في 26 يونيو 2020، وأحدث YOLOv5 ثورة في المجال من خلال توفير تطبيق أصلي باستخدام PyTorch يضع سهولة الاستخدام في المقام الأول 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#

قدّم Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao من معهد علوم المعلومات في أكاديمية سينيكا، تايوان، النموذج في 6 يوليو 2022. وركز YOLOv7 بشدة على الابتكارات المعمارية مثل شبكات تجميع الطبقات الفعّالة الموسعة (E-ELAN) و«حزمة مجانية» قابلة للتدريب، لدفع حدود أحدث ما توصل إليه المجال في الدقة. يمكن العثور على التفاصيل في ورقة Arxiv الرسمية ومستودع YOLOv7 على GitHub. وللتكامل السلس، راجع وثائق Ultralytics YOLOv7.

تعرّف على المزيد عن YOLOv7

ابتكارات البنية#

تصميم Ultralytics YOLOv5#

يستخدم YOLOv5 عمودًا فقريًا معدّلًا من CSPDarknet53 مقترنًا بعنق شبكة تجميع المسارات (PANet). وقد حُسّن هذا التصميم بدرجة كبيرة من أجل استخراج السمات بسرعة وكفاءة في استخدام الذاكرة. وعلى خلاف البنى الأقدم أو نماذج المحولات الضخمة، يتطلب YOLOv5 ذاكرة CUDA أقل بكثير أثناء التدريب، ما يتيح استخدام أحجام دفعات أكبر على وحدات GPU استهلاكية عادية. بالإضافة إلى ذلك، يدعم إطار عمل 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 بنيوية وبنية E-ELAN، التي تتيح للشبكة تعلم سمات أكثر تنوعًا دون إتلاف مسار التدرج الأصلي. كما يطبق رأسًا مساعدًا للإشراف الوسيط أثناء التدريب. ورغم أن هذه التطورات تحقق متوسط دقة (mAP) مرتفعًا، فإنها غالبًا ما تُدخل بنى موترات معقدة قد تجعل التصدير إلى تنسيقات الأجهزة الطرفية مثل ONNX أو TensorRT أكثر صعوبة قليلًا مقارنةً بعمليات التصدير الانسيابية الأصلية لنماذج Ultralytics.

تحليل الأداء#

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

أهم النتائج#

• حد الدقة الأعلى: يحقق YOLOv7x أعلى دقة إجمالية بمقدار 53.1 mAP^التحقق، ما يجعله منافسًا قويًا في الحالات التي يكون فيها تعظيم أداء الاكتشاف الهدف الأساسي.
• السرعة والكفاءة: يُعد Ultralytics YOLOv5n نموذجًا مذهلًا في الكفاءة، إذ يوفر زمن استدلال فائق السرعة (1.12 ms على T4 TensorRT) مع مساحة ذاكرة صغيرة جدًا، إذ لا يضم سوى 1.9M من المعلمات. وهذا يجعله خيارًا لا مثيل له لعمليات النشر على الأجهزة الطرفية شديدة التقييد.
• توازن الأداء: توفر سلسلة YOLOv5 مجموعة متدرجة ممتازة من النماذج. ويقدم YOLOv5l حلًا وسطًا رائعًا؛ إذ تقل دقته قليلًا عن YOLOv7l، لكنه يوفر مسار نشر ناضجًا للغاية.

ميزة منظومة Ultralytics#

لا تمثل بنية النموذج سوى نصف المعادلة؛ فالمنظومة المحيطة به هي ما يحدد جدواه في العالم الحقيقي. وهنا تتألق نماذج Ultralytics حقًا.

سهولة الاستخدام: توفر Ultralytics واجهة برمجة تطبيقات Python موحدة وبديهية للغاية. يمكنك تدريب النماذج والتحقق من صحتها ونشرها بأقل قدر من الشيفرة التمهيدية، مع دعم من الوثائق الرسمية الشاملة. منظومة تُصان باستمرار: تضمن التطويرات النشطة تحديثات مستمرة وإصلاحات للأخطاء وتكاملًا سلسًا مع أدوات التتبع الحديثة مثل Weights & Biases. كفاءة التدريب: يؤدي استخدام محمّلات البيانات المحسّنة والتخزين المؤقت الذكي إلى تقليل YOLOv5 أوقات التدريب بدرجة كبيرة. كما تسرّع الأوزان المدربة مسبقًا والجاهزة للاستخدام التعلم بالنقل في مجالات متنوعة.

مثال على الشفرة: تدريب مبسط#

باستخدام حزمة Ultralytics، يكون بدء عملية تدريب متطابقًا تقريبًا بصرف النظر عن البنية التي تختارها.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv5 مدرّب مسبقًا⁩
model = YOLO("yolov5su.pt")  # ⁨YOLOv5u: أوزان YOLOv5 الخالية من المراسي لحزمة ultralytics⁩

# ⁨تدريب النموذج على مجموعة البيانات التجريبية COCO8⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تصدير النموذج المدرّب إلى تنسيق ONNX لنشره⁩
success = model.export(format="onnx")

حالات الاستخدام المثالية#

متى تختار YOLOv7#

• المعايرة الأكاديمية: خيار مثالي للباحثين الذين يحتاجون إلى مقارنة التقنيات الجديدة بخط أساس موثق جيدًا من عام 2022.
• المعالجة السحابية باستخدام وحدات GPU عالية الأداء: عند النشر على أجهزة خوادم قوية، عندما يكون تحقيق أعلى mAP ممكن في المشاهد الكثيفة أهم من سهولة التصدير.

متى تختار YOLOv5#

• عمليات نشر الإنتاج: مثالي للتطبيقات التجارية التي تتطلب استقرارًا عاليًا وخيارات مباشرة لنشر النماذج وتوافقًا واسعًا بين المنصات.
• الأجهزة الطرفية: تعمل الإصدارات الأصغر (YOLOv5n وYOLOv5s) بكفاءة استثنائية على الهواتف المحمولة والأنظمة المضمنة.
• متطلبات المهام المتعددة: إذا كان مشروعك بحاجة إلى التطور من الاكتشاف البسيط إلى تجزئة المثيلات أو التصنيف باستخدام إطار عمل موحد.

الجيل التالي: Ultralytics YOLO26#

على الرغم من المكانة المهمة التي يحتلها YOLOv5 وYOLOv7 في تاريخ الذكاء الاصطناعي للرؤية، فإن هذا المجال يتطور باستمرار. ويمثل Ultralytics YOLO26، الذي صدر في يناير 2026، أحدث ما توصلت إليه تقنية اكتشاف الكائنات، متفوقًا على الأجيال السابقة في جميع المقاييس.

يقدم YOLO26 عدة ميزات تُحدث تحولًا جذريًا في المنهج:

• تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى مفاهيم رائدة ظهرت في الإصدارات السابقة، يوفر YOLO26 رأسًا أصليًا شاملًا من البداية إلى النهاية (nms=False) يلغي المعالجة اللاحقة باستخدام القمع غير الأقصى (NMS)، ما يقلل اختناقات زمن الاستجابة ويبسّط منطق النشر بدرجة كبيرة.
• مُحسِّن MuSGD: استُلهم هذا المُحسِّن الثوري من Kimi K2 من Moonshot AI، ويدمج استقرار SGD القياسي مع زخم Muon المتسارع، وينقل ابتكارات التدريب المتقدمة للنماذج اللغوية الكبيرة مباشرةً إلى مجال الرؤية الحاسوبية.
• تحسين سرعة CPU: من خلال إزالة خسارة البؤرة التوزيعية (DFL) على نحو مدروس، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، ما يجعله الخيار الأبرز بلا منازع للنشر على الأجهزة الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات كبيرة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات الدقيقة.
• تحسينات مخصصة للمهام: تتضمن خسارة التجزئة الدلالية لإنشاء الأقنعة، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتقدير الوضعيات، وخسارة زاوية متخصصة لمعالجة مشكلات الحدود الصعبة في مربعات الإحاطة الموجّهة (OBB).

الخلاصة#

يوفر كل من YOLOv5 وYOLOv7 حلولًا متينة لاكتشاف الكائنات في الوقت الفعلي. يظل YOLOv7 خيارًا قويًا لتحقيق دقة خام على الأجهزة عالية القدرة الحاسوبية، بينما يتميز YOLOv5 بكونه الأداة المفضلة للمطورين، إذ يوفر توازنًا استثنائيًا بين السرعة والكفاءة ومنظومة عالمية المستوى.

لكننا نوصي بشدة المطورين الراغبين في تأمين مسارات عملهم للمستقبل وتحقيق المزيج الأمثل من السرعة والبساطة والدقة المتطورة بالانتقال إلى Ultralytics YOLO26. فهو يجسد سهولة الاستخدام المعروفة لمنصة Ultralytics، مع تقديم ابتكارات معمارية رائدة.