Ultralytics YOLO27:
Get Started

YOLOv7 مقابل YOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية باستمرار، إذ تدفع نماذج اكتشاف الأجسام الجديدة حدود السرعة والدقة باستمرار. ومن المحطات البارزة في هذا المسار YOLOv7 وYOLOv6-3.0. قدّم كلا النموذجين ابتكارات معمارية فريدة تهدف إلى زيادة معدل المعالجة والدقة إلى أقصى حد في التطبيقات الواقعية. تقدم هذه الصفحة تحليلًا تقنيًا معمقًا للبنيتين، وتقارن أداءهما ومنهجيات التدريب وحالات الاستخدام المثلى، لمساعدتك على اتخاذ قرار مدروس بشأن مشروعك المقبل في مجال الذكاء الاصطناعي.

YOLOv7: رائد مجموعة المزايا المجانية#

طُرح YOLOv7 في منتصف عام 2022، وقدّم استراتيجيات مبتكرة متعددة لتحسين بنية الشبكة دون زيادة تكلفة الاستدلال. وركّز بدرجة كبيرة على «مجموعة الحيل القابلة للتدريب» لتحسين الدقة مع الحفاظ على الأداء في الوقت الفعلي.

أبرز سمات البنية#

يتميّز YOLOv7 بشبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تتيح هذه البنية للنموذج تعلّم سمات أكثر تنوعًا من خلال التحكم في أقصر مسارات التدرج وأطولها. علاوة على ذلك، يستخدم YOLOv7 تقنيات إعادة المعلمات البنيوية أثناء الاستدلال لدمج طبقات الالتفاف، ما يقلل بفاعلية عدد المعلمات ووقت الحساب دون التضحية بالتمثيلات المكتسبة.

يتميز النموذج أيضًا باستراتيجية فريدة لتدريب الرأس المساعد. فمن خلال استخدام «رأس رئيسي» للتنبؤات النهائية و«رأس مساعد» لتوجيه التدريب في الطبقات الوسطى، يحقق YOLOv7 تقاربًا أفضل واستخراجًا أغنى للسمات، وهو ما يفيد بوجه خاص في مهام اكتشاف الأجسام الصعبة.

تعرّف على المزيد عن YOLOv7

YOLOv6-3.0: معدل معالجة بمستوى صناعي#

طوّره قسم الذكاء الاصطناعي للرؤية في Meituan، وصُمم YOLOv6-3.0 صراحةً ليكون «كاشف الأجسام من الجيل التالي للتطبيقات الصناعية». أُطلق في مطلع عام 2023، ويركز بدرجة كبيرة على زيادة الاستفادة من العتاد إلى أقصى حد، ولا سيما وحدات GPU من NVIDIA.

أبرز سمات البنية#

يعتمد YOLOv6-3.0 على عمود فقري EfficientRep، المحسّن بدرجة كبيرة للمعالجة المتوازية على وحدات GPU. وهذا يجعله فعالًا للغاية في معالجة الدفعات واسعة النطاق. وقد أدخل الإصدار 3.0 وحدة الدمج ثنائية الاتجاه (BiC) في العنق لتعزيز دمج السمات عبر المقاييس المختلفة، ما يحسّن قدرة النموذج على اكتشاف الأجسام المتفاوتة الأحجام.

إضافةً إلى ذلك، يستخدم YOLOv6-3.0 استراتيجية التدريب بمساعدة المراسي (AAT). يجمع هذا النهج المبتكر بين مزايا التدريب القائم على المراسي والاستدلال الخالي من المراسي، ما يتيح للنموذج الاستفادة من استقرار المراسي أثناء مرحلة التعلم مع الحفاظ على سرعة التصميم الخالي من المراسي وبساطته أثناء النشر.

تعرّف على المزيد حول YOLOv6

مقارنة الأداء#

عند تقييم النماذج للإنتاج، من الضروري تحقيق توازن بين الدقة (mAP) وسرعة الاستدلال والأعباء الحسابية (FLOPs). فيما يلي مقارنة مفصلة للمتغيرات القياسية لكلا النموذجين.

النموذجالحجم
(بكسل)		mAPالتحقق
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
اعتبارات العتاد

يُعد YOLOv6-3.0 مناسبًا للغاية لبيئات GPU ذات معدل المعالجة العالي (مثل TensorRT)، بينما يوفّر YOLOv7 توازنًا متينًا للأنظمة التي تعطي أولوية كبيرة للاحتفاظ بالسمات.

ميزة Ultralytics#

مع أن مستودعات YOLOv7 وYOLOv6-3.0 المستقلة قوية، فإن منظومة Ultralytics ترتقي بتجربة المطور. وتوحّد حزمة Python ultralytics البنى المتنوعة ضمن إطار عمل واحد سهل الاستخدام.

  • سهولة الاستخدام: ولّت أيام نصوص الإعداد المعقدة. تتيح واجهة Ultralytics البرمجية إنشاء نماذج YOLOv6 (من تكوينات YAML الخاصة بها) أو النماذج الحديثة مثل YOLO26 وتدريبها ونشرها بأقل قدر من الشيفرات النمطية. لا يحظى YOLOv7 بدعم أصلي؛ إذ يجب أولًا تصدير نقاط التحقق من YOLOv7 upstream إلى ONNX أو TensorRT. ويمكنك التبديل بسهولة بين البنى بمجرد تغيير ملف النموذج.
  • منظومة تحظى بصيانة جيدة: توفر Ultralytics بيئة متينة مع تحديثات متكررة، ما يضمن التوافق الأصلي مع أحدث توزيعات PyTorch وإصدارات CUDA.
  • كفاءة التدريب: حُسّنت مسارات التدريب بعمق للاستفادة الفعالة من موارد GPU. إضافةً إلى ذلك، تتطلب نماذج Ultralytics YOLO عمومًا ذاكرة أقل أثناء التدريب مقارنةً بنماذج Transformer الثقيلة (مثل RT-DETR)، ما يتيح استخدام أحجام دفعات أكبر على العتاد المخصص للمستهلكين.
  • تعدد الاستخدامات: إضافةً إلى اكتشاف صناديق الإحاطة القياسي، يدعم إطار عمل Ultralytics بسلاسة المهام المتقدمة مثل تقدير الوضعيات وتجزئة الكائنات عبر عائلات النماذج المتوافقة، وهي ميزة غالبًا ما تفتقر إليها مستودعات الأبحاث المستقلة.

مثال برمجي: التدريب والاستدلال#

إن دمج هذه النماذج في مسار عمل Python أمر مباشر. تأكد من تنسيق مجموعة البيانات بشكل صحيح (مثل تنسيق COCO القياسي)، ثم نفّذ ما يلي:

from ultralytics import YOLO

# ⁨إنشاء نموذج YOLOv6n من تكوين YAML الخاص به (لا تتوفر أوزان YOLOv6 مدرّبة مسبقًا)⁩
model = YOLO("yolov6n.yaml")

# ⁨تدريب النموذج باستخدام إدارة المعلمات الفائقة المضمنة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨تشغيل الاستدلال على رابط صورة أو مسار محلي⁩
predictions = model("https://ultralytics.com/images/bus.jpg")

# ⁨عرض نتائج الاكتشاف⁩
predictions[0].show()

حالات الاستخدام المثالية#

متى تختار YOLOv7#

يتفوق YOLOv7 في السيناريوهات التي تتطلب دقة عالية واستخراجًا كثيفًا للسمات.

  • المراقبة المعقدة: تجعل قدرته على الاحتفاظ بالتفاصيل الدقيقة منه خيارًا مناسبًا لمراقبة المشاهد المزدحمة أو اكتشاف الحالات الشاذة الصغيرة في بنية المدن الذكية التحتية.
  • المقارنة المرجعية الأكاديمية: يُستخدم كثيرًا كخط أساس قوي في الأبحاث بفضل فلسفته التصميمية الشاملة القائمة على «مجموعة الحيل».

متى تختار YOLOv6-3.0#

يمثل YOLOv6-3.0 خيارًا عمليًا لمسارات العمل عالية الحجم والمعتمدة على تسريع GPU.

  • الأتمتة الصناعية: مثالي لخطوط المصانع واكتشاف عيوب التصنيع، حيث تعالج وحدات GPU المخصصة للخوادم تدفقات فيديو متعددة في الوقت نفسه.
  • التحليلات عالية معدل المعالجة: ممتاز لمعالجة أرشيفات الفيديو غير المتصلة، عندما يكون الهدف الأساسي زيادة عدد الإطارات في الثانية إلى أقصى حد.

المستقبل: YOLO26#

مع أن YOLOv7 وYOLOv6-3.0 يتمتعان بقدرات عالية، فإن الوتيرة السريعة لابتكارات الذكاء الاصطناعي تتطلب كفاءة أكبر. ويمثل Ultralytics YOLO26، الذي أُطلق في يناير 2026، قفزة جيلية في الرؤية الحاسوبية، إذ يعالج منهجيًا أوجه قصور البنى الأقدم.

إذا كنت تبدأ مشروعًا جديدًا، فيوصى بشدة باستخدام YOLO26 بدلًا من الأجيال السابقة. فهو يقدم ميزات رائدة عدة:

  • تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرسى قواعدها YOLOv10، يلغي رأس YOLO26 الاختياري واحد لواحد (nms=False) عملية Non-Maximum Suppression (NMS). ويقلل ذلك أعباء المعالجة اللاحقة، ما يبسّط النشر على تطبيقات الأجهزة المحمولة ويضمن استدلالًا حتميًا بزمن استجابة منخفض.
  • مُحسِّن MuSGD: استلهامًا من تقنيات تدريب النماذج اللغوية الكبيرة (LLM) المتقدمة (مثل المستخدمة في Kimi K2 من Moonshot AI)، يستخدم YOLO26 مُحسِّنًا هجينًا يجمع بين SGD وMuon. ويضمن ذلك ديناميكيات تدريب أكثر استقرارًا وتقاربًا أسرع بكثير.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: من خلال إزالة Distribution Focal Loss (DFL) بصورة استراتيجية، يحقق YOLO26 تسارعًا كبيرًا على وحدات CPU. وهذا يجعله الخيار الأبرز بلا منازع للبيئات الطرفية مثل Raspberry Pi ومستشعرات إنترنت الأشياء البعيدة.
  • ProgLoss + STAL: دوال خسارة متقدمة صُممت خصيصًا لتحسين التعرّف على الأجسام الصغيرة، وهو من أوجه الضعف التاريخية لكواشف المرحلة الواحدة.

من خلال الجمع بين هذه الابتكارات ومنصة Ultralytics القوية، يوفّر YOLO26 أداءً وتعددًا في الاستخدام وسهولةً في النشر لا مثيل لها لمهندسي التعلم الآلي المعاصرين.

المساهمون
GLglenn-jocher17

التعليقات