تخطي إلى المحتوى

YOLOv7 YOLOv5: تحقيق التوازن بين الدقة العالية وتعدد الاستخدامات في الإنتاج

غالبًا ما يتطلب اختيار بنية الكشف عن الكائنات المناسبة إجراء مفاضلة بين الأداء الأكاديمي الخام وسهولة النشر العملي. تستكشف هذه المقارنة التفصيلية معلمين هامين في YOLO : YOLOv7، المعروفة بتحسينات هندستها المعمارية "bag-of-freebies"، و YOLOv5، Ultralytics الأسطوري Ultralytics الذي يشتهر بسهولة استخدامه وسرعته وانتشاره الواسع في بيئات الإنتاج.

ملخص تنفيذي

بينما YOLOv7 تحقق دقة قصوى أعلى (mAP) في COCO من خلال خيارات معمارية معقدة مثل E-ELAN، فإن YOLOv5 يظل المعيار الصناعي للاستخدام، حيث يوفر تجربة تدريب أكثر بساطة، واستهلاكًا أقل للموارد، ودعمًا أوسع للنشر. بالنسبة للمطورين الذين يبدأون مشاريع جديدة في عام 2026، تطورت المناقشة بشكل طبيعي نحو Ultralytics الذي يجمع بين مزايا الدقة في الإصدار v7 وسهولة الاستخدام في الإصدار v5، بالإضافة إلى الاستدلال الأصلي الشامل NMS.

مقارنة مقاييس الأداء

يوضح الجدول التالي الاختلافات في الأداء بين المتغيرات الرئيسية. YOLOv7 GPU المتطور، بينما YOLOv5 مجموعة متنوعة من النماذج المناسبة لكل شيء بدءًا من الأجهزة المحمولة وحتى خوادم السحابة.

النموذجالحجم
(بالبكسل)		mAPval
50-95		السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		السرعة
T4 TensorRT10
(بالمللي ثانية)		المعلمات
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

YOLOv7: القوة المعمارية

صدر في يوليو 2022 من قبل مؤلفي YOLOv4، YOLOv7 العديد من المفاهيم المتقدمة التي تهدف إلى توسيع حدود دقة الكشف عن الكائنات في الوقت الفعلي.

تعرف على المزيد حول YOLOv7

الميزات المعمارية الرئيسية

  1. E-ELAN (شبكة تجميع الطبقات الفعالة الموسعة): تسمح هذه البنية للشبكة بتعلم ميزات أكثر تنوعًا من خلال التحكم في أقصر وأطول مسارات التدرج. وهي تعمل على تحسين قدرة الشبكة على التعلم دون تدمير مسار التدرج الأصلي، مما يؤدي إلى دقة أعلى في المشاهد المعقدة.
  2. تحجيم النموذج: على عكس التحجيم المركب القياسي، YOLOv7 عمق وعرض الكتلة في وقت واحد، مما يضمن بنية مثالية لمختلف قيود الموارد (على سبيل المثال، YOLOv7 مقابل YOLOv7).
  3. حقيبة هدايا قابلة للتدريب: يشتمل النموذج على تقنيات إعادة تحديد المعلمات المخطط لها، والتي تعمل على تحسين بنية النموذج أثناء التدريب ولكنها تبسطه أثناء الاستدلال، مما يؤدي إلى زيادة السرعة بشكل فعال دون فقدان الدقة.

حالات الاستخدام المثالية لـ YOLOv7

YOLOv7 في الأبحاث الأكاديمية والتطبيقات الصناعية المتطورة حيث كل نقطة مئوية من mAP ، مثل أنظمة السلامة للقيادة الذاتية أو اكتشاف العيوب الصغيرة في الصور التصنيعية عالية الدقة.

YOLOv5: معيار الإنتاج

YOLOv5، الذي طورته Ultralytics أحدث ثورة في هذا المجال ليس فقط من خلال هندسته، ولكن أيضًا من خلال إعطاء الأولوية لتجربة المطورين. كان هذا أول YOLO يتم تنفيذه أصلاً في PyTorch مما جعله متاحًا لمجتمع ضخم من Python .

  • المؤلف: جلين جوتشر
  • المؤسسة:Ultralytics
  • التاريخ: 2020-06-26
  • الاسترداد:GitHub

تعرف على المزيد حول YOLOv5

لماذا يختار المطورون YOLOv5؟

  • تنوع لا مثيل له: بينما YOLOv7 بشكل أساسي على الكشف، YOLOv5 تقسيم الحالات وتصنيف الصور بشكل فوري.
  • استهلاك منخفض للذاكرة: YOLOv5 بكفاءة عالية في استخدام CUDA ، مما يسمح باستخدام أحجام دفعات أكبر على الأجهزة الاستهلاكية مقارنة بالنماذج القائمة على المحولات أو البنى الأثقل.
  • نظام بيئي للنشر: يوفر تصديرًا سلسًا إلى ONNX و CoreML و TFLite و TensorRT مما يجعله الخيار المفضل للتطبيقات المحمولة والأجهزة المتطورة مثل NVIDIA .

ميزة Ultralytics: النظام البيئي وسهولة الاستخدام

عند مقارنة هذه النماذج، غالبًا ما يكون النظام البيئي المحيط بها مهمًا بقدر أهمية البنية نفسها. تستفيد Ultralytics (YOLOv5 YOLO26 الأحدث) من منصة موحدة ومُحكمة الصيانة.

سهولة الاستخدام وكفاءة التدريب

لا يتطلب تدريب النموذج الحصول على درجة الدكتوراه في علوم الكمبيوتر. Ultralytics Python بسيطة تعمل على توحيد سير العمل. يمكنك التبديل من تدريب YOLOv5 إلى YOLO11 أو YOLO26 عن طريق تغيير حجة سلسلة واحدة.

from ultralytics import YOLO

# Load a model (YOLOv5 or the newer YOLO26)
model = YOLO("yolo26n.pt")

# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

المنصة المتكاملة

يحصل مستخدمو Ultralytics على إمكانية الوصول إلى Ultralytics وهي مركز قائم على الويب لإدارة مجموعات البيانات، والتعليقات التلقائية، ونشر النماذج بنقرة واحدة. يقلل تكامل النظام البيئي هذا بشكل كبير من وقت طرح منتجات الرؤية الحاسوبية في السوق مقارنة بإدارة المستودعات الأولية.

الاستعداد للمستقبل مع YOLO26

في حين أن YOLOv7 YOLOv5 قادرين على أداء مهامهما، إلا أن مجال الرؤية الحاسوبية يتطور بسرعة. بالنسبة للمشاريع الجديدة، يقدم Ultralytics مزايا كبيرة مقارنة بسابقيه.

صدر YOLO26 في يناير 2026، وهو يعالج القيود المحددة للأجيال السابقة:

  • NMS من البداية إلى النهاية: على عكس YOLOv5 v7، اللذين يتطلبان معالجة لاحقة لـ Non-Maximum Suppression (NMS)، فإن YOLO26 خالٍ من NMS من البداية إلى النهاية. وينتج عن ذلك كود أنظف واستدلال أسرع، خاصة على الأجهزة الطرفية حيث NMS عنق زجاجة.
  • MuSGD Optimizer: مستوحى من استقرار تدريب LLM، يضمن هذا المحسن الجديد تقاربًا أسرع من SGD القياسي SGD في الإصدارين v5/v7.
  • تحسين الحافة: من خلال إزالة Distribution Focal Loss (DFL)، أصبح YOLO26 أسرع بنسبة تصل إلى 43٪ على CPU، مما يجعله متفوقًا في عمليات النشر على الأجهزة المحمولة.
  • كشف محسّن للأجسام الصغيرة: من خلال ProgLoss و STAL (التدريب الذاتي مع التعلم المرجعي)، يتفوق على YOLOv7 الأجسام الصغيرة، وهو عامل حاسم في مهام التصوير بالطائرات بدون طيار والصور الجوية.

تعرف على المزيد حول YOLO26

الخلاصة

YOLOv7 هو إنجاز معماري قوي، يوفر دقة عالية للباحثين GPU محددة عالية الأداء. ومع ذلك، فإن تركيزه على تعقيد "bag-of-freebies" يمكن أن يجعل تعديله ونشره أكثر صعوبة مقارنة Ultralytics .

YOLOv5 لا يزال أسطورة في الصناعة بفضل توازن أدائه وسهولة استخدامه وتعدد استخداماته المذهل في مهام مثل الكشف والتقسيم والتصنيف. إنه الخيار الآمن والموثوق للعديد من أنظمة الإنتاج القديمة.

بالنسبة لأولئك الذين يبحثون عن أفضل ما في العالمين - الدقة العالية وسهولة الاستخدام - نوصي باستخدام YOLO26. فهو يجمع بين Ultralytics سهل الاستخدام والابتكارات المتطورة مثل الاستدلال NMS وتحسين MuSGD، مما يضمن أن تكون تطبيقاتك سريعة ودقيقة ومستقبلية.

مزيد من القراءة


تعليقات