Ultralytics YOLO27:

YOLOv7 مقابل YOLOv6-3.0#

يتطور مجال الرؤية الحاسوبية باستمرار، إذ تدفع نماذج اكتشاف الأجسام الجديدة حدود السرعة والدقة باستمرار. ومن المحطات المهمة في هذه المسيرة YOLOv7 وYOLOv6-3.0. قدّم كلا النموذجين ابتكارات معمارية فريدة صُممت لتعظيم معدل المعالجة والدقة في التطبيقات الواقعية. تقدم هذه الصفحة تحليلًا تقنيًا متعمقًا لكلتا المعماريتين، مع مقارنة أدائهما ومنهجيات تدريبهما وحالات الاستخدام المثالية، لمساعدتك على اتخاذ قرار مستنير بشأن مشروعك التالي في مجال الذكاء الاصطناعي.

YOLOv7: رائد حقيبة المزايا#

صدر YOLOv7 في منتصف عام 2022، وقدّم عدة استراتيجيات مبتكرة لتحسين بنية الشبكة من دون زيادة تكلفة الاستدلال. وركّز بدرجة كبيرة على «حقيبة المجانيات» القابلة للتدريب لتحسين الدقة مع الحفاظ على الأداء في الزمن الحقيقي.

أبرز ملامح المعمارية#

يتميز YOLOv7 بشبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تتيح هذه البنية للنموذج تعلم ميزات أكثر تنوعاً من خلال التحكم في أقصر وأطول مسارات التدرج. علاوة على ذلك، يستخدم YOLOv7 تقنيات إعادة المعلمات الهيكلية أثناء الاستدلال لدمج طبقات الالتفاف، مما يقلل بشكل فعال من عدد المعلمات وقت الحساب دون التضحية التمثيلية بالتمثيلات المتعلمة.

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 أمر مفيد خصوصًا عند معالجة مهام اكتشاف الأجسام الصعبة.

تعرف على المزيد حول YOLOv7

YOLOv6-3.0: معدل معالجة بمستوى صناعي#

طوّر قسم Meituan للذكاء الاصطناعي في الرؤية YOLOv6-3.0، وصُمم صراحةً بوصفه «كاشف أجسام من الجيل التالي للتطبيقات الصناعية». وصدر في أوائل عام 2023، ويركّز بدرجة كبيرة على تعظيم الاستفادة من العتاد، ولا سيما على وحدات معالجة الرسومات NVIDIA.

أبرز ملامح المعمارية#

يعتمد YOLOv6-3.0 على بنية EfficientRep الأساسية، وهي محسّنة بدرجة كبيرة للمعالجة المتوازية على وحدات معالجة الرسومات. وهذا يجعلها فعّالة للغاية في معالجة الدفعات واسعة النطاق. وقدّم الإصدار 3.0 وحدة الوصل ثنائية الاتجاه (BiC) في العنق لتعزيز دمج السمات عبر المقاييس المختلفة، ما يحسّن قدرة النموذج على اكتشاف الأجسام ذات الأحجام المتنوعة.

بالإضافة إلى ذلك، يستخدم YOLOv6-3.0 استراتيجية التدريب المعزَّز بالمراسي (AAT). ويجمع هذا النهج المبتكر بين فوائد التدريب القائم على المراسي والاستدلال الخالي من المراسي، ما يتيح للنموذج الاستفادة من استقرار المراسي أثناء مرحلة التعلم، مع الحفاظ على سرعة وبساطة التصميم الخالي من المراسي أثناء النشر.

تعرف على المزيد حول YOLOv6

مقارنة الأداء#

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

النموذجالحجم
(بكسل)		mAPval
50-95		السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(مللي ثانية)		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

يناسب YOLOv6-3.0 بدرجة استثنائية بيئات وحدات معالجة الرسومات ذات معدل المعالجة المرتفع (مثل TensorRT)، بينما يوفر YOLOv7 توازنًا متينًا للأنظمة التي تولي أولوية كبيرة للاحتفاظ بالسمات.

ميزة Ultralytics#

رغم قوة المستودعات المستقلة لكل من YOLOv7 وYOLOv6-3.0، فإن الاستفادة منهما ضمن منظومة Ultralytics تحول تجربة المطوّر. وتوحّد حزمة Python المسماة ultralytics هذه المعماريات المتنوعة ضمن إطار عمل واحد بديهي.

  • سهولة الاستخدام: ولّت أيام نصوص الإعداد المعقدة. تتيح لك واجهة API الخاصة بـ Ultralytics تحميل YOLOv7 أو YOLOv6 وتدريبهما ونشرهما باستخدام أقل قدر من التعليمات البرمجية التمهيدية. ويمكنك التبديل بسهولة بين المعماريات بمجرد تغيير ملف أوزان النموذج.
  • منظومة جيدة الصيانة: توفر Ultralytics بيئة متينة مع تحديثات متكررة، ما يضمن التوافق الأصلي مع أحدث توزيعات PyTorch وإصدارات CUDA.
  • كفاءة التدريب: حُسّنت مسارات التدريب بدرجة عميقة للاستفادة الفعالة من موارد وحدة معالجة الرسومات. وعلاوة على ذلك، تتطلب نماذج Ultralytics YOLO عمومًا ذاكرة أقل أثناء التدريب مقارنةً بالنماذج الثقيلة القائمة على Transformer (مثل RT-DETR)، ما يتيح استخدام أحجام دفعات أكبر على العتاد المخصص للمستهلكين.
  • تعدد الاستخدامات: بالإضافة إلى اكتشاف مربعات الإحاطة القياسي، يدعم إطار عمل Ultralytics بسلاسة مهام متقدمة مثل تقدير الوضعية وتجزئة المثيلات عبر عائلات النماذج المتوافقة، وهي ميزة غالبًا ما تفتقر إليها مستودعات الأبحاث المعزولة.

مثال على التعليمات البرمجية: التدريب والاستدلال#

يُعد دمج هذه النماذج في مسار Python الخاص بك أمرًا مباشرًا. تأكد من تنسيق مجموعة بياناتك بصورة صحيحة (مثل COCO القياسي) ثم شغّل ما يلي:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model (or 'yolov6n.pt' for YOLOv6)
model = YOLO("yolov7.pt")

# Train the model with built-in hyperparameter management
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image URL or local path
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the detection results
predictions[0].show()

حالات الاستخدام المثالية#

متى تختار YOLOv7#

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

  • المراقبة المعقدة: تجعله قدرته على الاحتفاظ بالتفاصيل الدقيقة مناسبًا لمراقبة المشاهد المكتظة أو اكتشاف الحالات الشاذة الصغيرة في البنية التحتية للمدن الذكية.
  • المقارنة المعيارية الأكاديمية: يُستخدم غالبًا كخط أساس قوي في الأبحاث بفضل فلسفة تصميمه الشاملة القائمة على «حقيبة المجانيات».

متى تختار YOLOv6-3.0#

يمثل YOLOv6-3.0 الخيار العملي لمسارات المعالجة ذات الحجم الكبير والمسرَّعة بوحدات معالجة الرسومات.

  • الأتمتة الصناعية: مثالي لخطوط المصانع واكتشاف عيوب التصنيع، حيث تعالج وحدات معالجة الرسومات المخصصة للخوادم تدفقات فيديو متعددة في الوقت نفسه.
  • التحليلات ذات معدل المعالجة المرتفع: ممتاز لمعالجة أرشيفات الفيديو غير المتصلة، حيث يمثل تعظيم عدد الإطارات في الثانية الهدف الأساسي.

المستقبل: YOLO26#

رغم أن YOLOv7 وYOLOv6-3.0 يتمتعان بقدرات عالية، فإن الوتيرة السريعة للابتكار في مجال الذكاء الاصطناعي تتطلب كفاءة أكبر. ويمثل Ultralytics YOLO26، الذي صدر في يناير 2026، قفزة جيلية في الرؤية الحاسوبية، إذ يعالج بصورة منهجية قيود المعماريات الأقدم.

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

  • تصميم شامل خالٍ من NMS: استنادًا إلى الأسس التي أرساها YOLOv10، يلغي YOLO26 أصلاً إجراء الكبت غير الأعظمي (NMS). ويقلل ذلك النفقات الحسابية للمعالجة اللاحقة، ما يبسط النشر على تطبيقات الأجهزة المحمولة ويضمن استدلالًا حتميًا للغاية ومنخفض الكمون.
  • مُحسِّن MuSGD: مستوحى من تقنيات تدريب LLM المتقدمة (مثل تلك 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 الإزالة الاستراتيجية لخسارة التركيز التوزيعية (DFL)، يحقق YOLO26 زيادات هائلة في السرعة 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 التعرف على الأجسام الصغيرة، وهي نقطة ضعف تاريخية لكاشفات المرحلة الواحدة.

من خلال الجمع بين هذه الابتكارات ومنصة Ultralytics القوية، يقدم YOLO26 أداءً وتعددًا في الاستخدام وسهولة نشر لا مثيل لها لمهندس تعلّم الآلة العصري.

المساهمون
GLglenn-jocher16

التعليقات