Link to this sectionYOLOv7 مقابل YOLOv5#
عند بناء خطوط معالجة رؤية حاسوبية حديثة، يعد اختيار بنية اكتشاف الأجسام المناسبة أمراً بالغ الأهمية لتحقيق التوازن بين الدقة، وسرعة الاستدلال، واستخدام الموارد. تتناول هذه المقارنة الشاملة نموذجين مؤثرين للغاية في مجال الرؤية الحاسوبية: YOLOv7 و Ultralytics YOLOv5.
من خلال تحليل اختلافاتهم المعمارية، ومقاييس الأداء، وسيناريوهات النشر المثالية، نهدف إلى مساعدة المطورين والباحثين على اختيار النموذج الأفضل لمتطلباتهم المحددة.
Link to this sectionخلفية النموذج وأصوله#
يوفر فهم أصول هذه النماذج سياقاً لفلسفات تصميمها وحالات الاستخدام المستهدفة.
Link to this sectionYOLOv5#
تم إصدار YOLOv5 بواسطة Glenn Jocher وفريق Ultralytics في 26 يونيو 2020، وقد أحدث ثورة في هذا المجال من خلال توفير تطبيق أصلي لـ PyTorch يضع الأولوية لسهولة الاستخدام دون التضحية بالأداء. سرعان ما أصبح معياراً صناعياً نظراً لنظامه البيئي المبسط للغاية وديناميكيات التدريب الموثوقة. يمكنك استكشاف الكود المصدري على مستودع YOLOv5 على GitHub أو الوصول إلى النموذج مباشرة عبر منصة Ultralytics.
Link to this sectionYOLOv7#
تم تقديمه من قبل Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao من معهد علوم المعلومات، أكاديمية سينيكا، تايوان في 6 يوليو 2022. ركز YOLOv7 بشكل كبير على الابتكارات المعمارية مثل شبكات تجميع الطبقات الفعالة الموسعة (E-ELAN) و "مجموعة مجانية" قابلة للتدريب لدفع حالة الفن في الدقة. يمكن العثور على التفاصيل في ورقتهم البحثية الرسمية على Arxiv و مستودع YOLOv7 على GitHub. للتكامل السلس، تحقق من توثيق Ultralytics YOLOv7.
كلا النموذجين مدمجان بالكامل في حزمة Ultralytics Python، مما يسمح لك بالتبديل بينهما ببساطة عن طريق تغيير سلسلة النموذج في الكود الخاص بك!
Link to this sectionالابتكارات المعمارية#
Link to this sectionتصميم Ultralytics YOLOv5#
يستخدم YOLOv5 هيكلاً أساسياً (backbone) من نوع CSPDarknet53 معدلاً مقترناً بعنق (neck) شبكة تجميع المسار (PANet). هذا التصميم محسن للغاية لسرعة استخراج الميزات وكفاءة الذاكرة. على عكس البنى القديمة أو نماذج المحولات الثقيلة، يتطلب YOLOv5 ذاكرة CUDA أقل بكثير أثناء التدريب، مما يسمح بـ أحجام دفعات أكبر على وحدات معالجة الرسومات الاستهلاكية القياسية. علاوة على ذلك، يدعم إطار عمل Ultralytics بشكل أساسي مجموعة واسعة من المهام بخلاف صناديق الإحاطة القياسية، بما في ذلك تجزئة الصور و تصنيف الصور.
Link to this sectionتصميم YOLOv7#
قدم YOLOv7 العديد من إعادة تعيين المعلمات الهيكلية ومعمارية E-ELAN، مما يسمح للشبكة بتعلم ميزات أكثر تنوعاً دون تدمير مسار التدرج الأصلي. كما أنه ينفذ رأساً مساعداً للإشراف الوسيط أثناء التدريب. في حين أن هذه التطورات تنتج دقة متوسطة عالية (mAP)، إلا أنها غالباً ما تقدم هياكل موتر معقدة قد تجعل التصدير إلى تنسيقات الحافة مثل ONNX أو TensorRT أكثر صعوبة قليلاً مقارنة بالتصديرات المبسطة الأصلية لنماذج Ultralytics.
Link to this sectionتحليل الأداء#
عند مقارنة هذه النماذج، يجب على المطورين الموازنة بين mAPval، وسرعة الاستدلال، والتعقيد الحسابي (FLOPs). يوضح الجدول أدناه أداء كلتا البنيتين عند تقييمهما على مجموعة بيانات COCO.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Link to this sectionالخلاصة#
- سقف الدقة: يحقق YOLOv7x أعلى دقة إجمالية عند 53.1 mAPval مذهلة، مما يجعله تنافسياً للغاية للسيناريوهات التي يكون فيها تعظيم أداء الاكتشاف هو الهدف الأساسي.
- السرعة والكفاءة: يعد Ultralytics YOLOv5n أعجوبة في الكفاءة، حيث يوفر زمن انتقال استدلال فائق السرعة (1.12 مللي ثانية على T4 TensorRT) مع بصمة ذاكرة صغيرة تبلغ 2.6 مليون معلمة فقط. وهذا يجعله خياراً لا مثيل له لنشر الحافة المقيد للغاية.
- توازن الأداء: توفر سلسلة YOLOv5 تدرجاً استثنائياً من النماذج. يوفر YOLOv5l أرضية وسطية رائعة، متخلفاً عن YOLOv7l بهامش دقة صغير ولكنه يوفر خط نشر ناضجاً للغاية.
Link to this sectionميزة نظام Ultralytics البيئي#
هيكل النموذج هو نصف المعادلة فقط؛ النظام البيئي المحيط به يحدد قابليته للتطبيق في العالم الحقيقي. هنا تتألق نماذج Ultralytics حقاً.
سهولة الاستخدام: توفر Ultralytics واجهة برمجة تطبيقات Python موحدة وبديهية للغاية. يمكنك تدريب النماذج، والتحقق منها، ونشرها بأقل قدر من الكود التمهيدي، مدعوماً بـ توثيق رسمي واسع النطاق. نظام بيئي مُدار جيداً: يضمن التطوير النشط تحديثات مستمرة، وإصلاحات للأخطاء، وتكاملاً سلساً مع أدوات التتبع الحديثة مثل Weights & Biases. كفاءة التدريب: من خلال استخدام محملات البيانات المحسنة والتخزين المؤقت الذكي، يقلل YOLOv5 أوقات التدريب بشكل كبير. علاوة على ذلك، تعمل الأوزان المدربة مسبقاً الجاهزة للاستخدام على تسريع التعلم بالنقل عبر مجالات متنوعة.
Link to this sectionمثال برمجي: تدريب مبسط#
مع حزمة Ultralytics، يكون بدء تشغيل التدريب متطابقاً تقريباً 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")Link to this sectionحالات الاستخدام المثالية#
Link to this sectionمتى تختار YOLOv7#
- المقارنة المعيارية الأكاديمية: مثالي للباحثين الذين يحتاجون إلى مقارنة التقنيات الجديدة مقابل خط أساس موثق جيداً لعام 2022.
- معالجة سحابة GPU عالية الأداء: عند النشر على أجهزة خادم قوية حيث يفوق تحقيق أعلى mAP ممكن في المشاهد الكثيفة بساطة التصدير.
Link to this sectionمتى تختار YOLOv5#
- نشر الإنتاج: مثالي للتطبيقات التجارية التي تتطلب استقراراً عالياً، وخيارات نشر نموذج مباشرة، وتوافقاً واسعاً عبر المنصات.
- أجهزة الحافة: تعمل المتغيرات الأصغر (YOLOv5n و YOLOv5s) بشكل ممتاز على الهواتف المحمولة والأنظمة المدمجة.
- متطلبات المهام المتعددة: إذا كان مشروعك يحتاج إلى التطور من الاكتشاف البسيط إلى تقدير الوضع أو التجزئة باستخدام إطار عمل موحد.
هل تبحث عن إصدارات أحدث؟ فكر في استكشاف Ultralytics YOLOv8 أو Ultralytics YOLO11 لمزيد من التقدم في الاكتشاف الخالي من المراسي وقدرات التعلم متعدد المهام.
Link to this sectionالجيل القادم: Ultralytics YOLO26#
بينما يحتل YOLOv5 و YOLOv7 أماكن حيوية في تاريخ ذكاء الرؤية، فإن المشهد يتطور باستمرار. تم إصدار Ultralytics YOLO26 في يناير 2026، ويمثل أحدث تقنيات اكتشاف الأجسام، متجاوزاً الأجيال السابقة في جميع المقاييس.
يقدم YOLO26 العديد من الميزات التي تغير النموذج:
- تصميم من طرف إلى طرف خالٍ من NMS: بناءً على المفاهيم التي تم ريادتها في الإصدارات السابقة، يعد YOLO26 أصلياً من طرف إلى طرف. هذا يلغي تماماً معالجة ما بعد الكبت غير الأقصى (NMS)، مما يقلل من اختناقات زمن الانتقال ويبسط منطق النشر بشكل كبير.
- محسن MuSGD: مستوحى من Kimi K2 لشركة Moonshot AI، يدمج هذا المحسن الثوري استقرار SGD القياسي مع الزخم المتسارع لـ Muon، مما يجلب ابتكارات تدريب LLM المتقدمة مباشرة إلى الرؤية الحاسوبية.
- سرعة CPU محسنة: من خلال إزالة توزيع فقدان البؤرة (DFL) بشكل استراتيجي، يحقق YOLO26 استدلالاً أسرع بـ 43% على CPU، مما يجعله البطل بلا منازع لنشر أجهزة الحافة وأجهزة IoT منخفضة الطاقة.
- ProgLoss + STAL: تحقق وظائف الخسارة المتقدمة هذه تحسينات هائلة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والروبوتات الدقيقة.
- تحسينات خاصة بالمهام: تتميز بفقدان التجزئة الدلالية لتوليد القناع، وتقدير الاحتمالية اللوغاريتمية المتبقية (RLE) لتتبع الوضع، وفقدان الزاوية المتخصص لحل مشكلات حدود صندوق الإحاطة الموجه (OBB) الصعبة.
Link to this sectionالخلاصة#
يوفر كل من YOLOv5 و YOLOv7 حلولاً قوية لاكتشاف الأجسام في الوقت الفعلي. يظل YOLOv7 خياراً قوياً للدقة الخام على الأجهزة ذات الحوسبة العالية، بينما يبرز YOLOv5 كأداة صديقة للمطورين، حيث يوفر توازناً استثنائياً بين السرعة، والكفاءة، ونظام بيئي عالمي المستوى.
ومع ذلك، بالنسبة للمطورين الذين يتطلعون إلى حماية خطوط أنابيبهم في المستقبل وتحقيق التوازن النهائي بين السرعة، والبساطة، والدقة الحديثة، نوصي بشدة بالترحيل إلى Ultralytics YOLO26. فهو يغلف سهولة الاستخدام الأسطورية لمنصة Ultralytics مع تقديم ابتكارات معمارية رائدة.