مقارنة بين YOLOv7 و YOLOv8#

أدت التطورات السريعة في الرؤية الحاسوبية إلى إنتاج مجموعة من الأدوات القوية للمطورين والباحثين. وعند اتخاذ قرار بشأن المعمارية المناسبة لخط أنابيب اكتشاف الكائنات، تعد مقارنة النماذج القائمة أمراً أساسياً. يقدم هذا الدليل التقني نظرة متعمقة في المعماريات، ومقاييس الأداء، وحالات الاستخدام المثالية لنموذجين مؤثرين للغاية هما: YOLOv7 و Ultralytics YOLOv8.

مقدمة إلى البنيات#

يمثل كلا النموذجين قفزات كبيرة في الأداء، لكنهما يتعاملان مع تحدي تحسين الشبكات العصبية العميقة بفلسفات هيكلية مختلفة.

YOLOv7: الرائد في مفهوم حقيبة الهدايا#

ركز نموذج YOLOv7، الذي تم تقديمه في منتصف عام 2022، بشكل كبير على تحسين مسار تدرج البنية ومفهوم "حقيبة الهدايا القابلة للتدريب" (trainable bag-of-freebies) لدفع حدود الكشف في الوقت الفعلي على الأجهزة المتطورة.

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• Organization: Institute of Information Science, Academia Sinica, Taiwan
• التاريخ: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Docs: Ultralytics YOLOv7 Documentation

أبرز ملامح المعمارية: يستخدم YOLOv7 في المقام الأول رأس اكتشاف قائم على المراسي (على الرغم من أنه جرب فروعاً خالية من المراسي) ويقدم شبكات تجميع الطبقات الفعالة الممتدة (E-ELAN). يعمل هذا التصميم على تحسين قدرة الشبكة على التعلم دون تدمير مسار التدرج الأصلي. وهو يؤدي بشكل استثنائي على وحدات معالجة الرسوميات GPUs المخصصة للخوادم، مما يجعله مناسباً للغاية لتحليل الفيديو الشاق.

النقاط القوية والضعيفة: بينما يحقق YOLOv7 زمناً انتقالياً ممتازاً على الأجهزة المخصصة، إلا أن نظامه البيئي مجزأ للغاية. يتطلب التدريب وسائط سطر فرمان معقدة، واستنساخ مستودعات يدوي، وإدارة صارمة للتبعيات في PyTorch. علاوة على ذلك، يمكن أن تكون متطلبات الذاكرة أثناء التدريب باهظة على أجهزة المستهلكين.

اعرف المزيد عن YOLOv7

Ultralytics YOLOv8: المعيار متعدد الاستخدامات#

تم إصدار YOLOv8 في أوائل عام 2023، وقد أعاد تعريف تجربة المطور بالكامل، مع التركيز ليس فقط على أحدث مستويات الدقة، ولكن على تقديم إطار عمل موحد وجاهز للإنتاج.

• المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: ultralytics/ultralytics
• المنصة: Ultralytics YOLOv8

أبرز ملامح المعمارية: قدم YOLOv8 رأس اكتشاف خالٍ من المراسي بطبيعته، مما يلغي الحاجة إلى تكوين مربعات المراسي يدويًا بناءً على مجموعة بيانات MS COCO أو توزيعات البيانات المخصصة. وهو يتضمن وحدة C2f لتحسين التدفق المتدرج ويستخدم بنية رأس مفصولة تفصل بين مهام الموضوعية والتصنيف والانحدار. هذا يسرع التقارب بشكل كبير ويزيد من الدقة.

النقاط القوية والضعيفة: يتميز YOLOv8 بكفاءة استثنائية في متطلبات الذاكرة. وهو يتطلب ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة بـ YOLOv7 ونماذج المحولات الأثقل، مما يسمح للمطورين باستخدام أحجام دفعات أكبر. تكمن قوته الأساسية في تعدديته (Versatility)، حيث يدعم بطبيعة الحال تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعيات، ومربعات الإحاطة الموجهة (OBB). العيب البسيط الوحيد هو أن خطوط الأنابيب القديمة المتخصصة للغاية المبنية حصريًا لموتراته قد تتطلب فترة إعادة هيكلة قصيرة.

تعرف على المزيد حول YOLOv8

مقارنة مفصلة للأداء#

يوضح الجدول التالي مقاييس الأداء عبر أحجام النماذج الرئيسية. لاحظ توازن الأداء المميز الذي يحققه YOLOv8، حيث يعمل على التحسين بشكل كبير للاستدلال السريع على أجهزة الحافة مع الحفاظ على دقة عالمية المستوى.

ملاحظة: يحقق YOLOv8x أعلى نسبة mAP في هذه المجموعة، بينما يسيطر YOLOv8n في كفاءة المعلمات وسرعة الاستدلال، مما يجعله البطل بلا منازع لـ نشر رؤية الكمبيوتر على أجهزة الذكاء الاصطناعي الطرفية.

سهولة الاستخدام وكفاءة التدريب#

عندما يتعلق الأمر بـ سهولة الاستخدام، يعمل Ultralytics YOLOv8 في دوري خاص به. تتطلب البنيات القديمة مثل YOLOv7 استنساخ مستودعات محددة وتشغيل نصوص سطر أوامر مطولة لتكوين مجموعات البيانات والمسارات.

وعلى العكس من ذلك، توفر حزمة ultralytics الخاصة بـ YOLOv8 تجربة مطور مبسطة للغاية. يتم تعظيم كفاءة التدريب من خلال تنزيل البيانات التلقائي، والأوزان المدربة مسبقًا الجاهزة للاستخدام، وقدرات التصدير السلسة إلى تنسيقات مثل ONNX وTensorRT.

إليك مدى سهولة التحميل والتدريب وتشغيل الاستدلال باستخدام واجهة برمجة تطبيقات Ultralytics Python:

from ultralytics import YOLO

# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

حالات الاستخدام المثالية#

غالباً ما يعتمد الاختيار بين هذه البنيات على القيود المحددة لبيئة النشر الخاصة بك.

متى تختار YOLOv7#

• قياس الأداء القديم (Legacy Benchmarking): مناسب للباحثين الذين يحتاجون إلى خط أساس ثابت للمقارنة بمعايير عام 2022 الهيكلية.
• البنية التحتية الثقيلة الموجودة مسبقاً: البيئات المستثمرة بكثافة في وحدات معالجة الرسومات NVIDIA V100 أو A100 حيث تكون تكوينات الموتر المحددة لـ YOLOv7 مدمجة بعمق في خط أنابيب C++ قديم.

متى تختار YOLOv8#

• الإنتاج عبر المنصات: مثالي للفرق التي تحتاج إلى النشر بسلاسة عبر وحدات معالجة الرسومات السحابية، والأجهزة المحمولة، والمتصفحات.
• متطلبات المهام المتعددة: إذا كان مشروعك بحاجة إلى تجاوز مربعات الإحاطة والاستفادة من أقنعة تجزئة المثيلات الغنية أو نقاط الوضعيات المفصلية.
• الطرفيات المحدودة الموارد: يوفر YOLOv8 Nano (yolov8n) نسب دقة إلى سرعة مذهلة للروبوتات، والطائرات بدون طيار، ومستشعرات إنترنت الأشياء.

نتطلع إلى المستقبل: القفزة الجيلية إلى YOLO26#

بينما يظل YOLOv8 خيارًا قويًا للغاية، فإن مجال الرؤية الحاسوبية يتحرك بسرعة. للمطورين الذين يبدؤون مشاريع جديدة تمامًا وعالية الأداء، قدمت Ultralytics مؤخرًا التطور التالي لنماذج الذكاء الاصطناعي. يُنصح بشدة استكشاف كل من YOLO11 المعمق للغاية و YOLO26 الذي تم إصداره حديثًا.

تم إصداره في يناير 2026، يدفع YOLO26 حدود ما هو ممكن على الأجهزة الطرفية:

• تصميم من طرف إلى طرف (End-to-End) خالٍ من NMS: يعتبر YOLO26 أصلياً من طرف إلى طرف، مما يلغي تماماً المعالجة اللاحقة لـ Non-Maximum Suppression (NMS). وهذا يضمن خطوط أنابيب نشر أبسط وأسرع بكثير دون اختناقات زمن الوصول لنماذج التنبؤ الكثيفة التقليدية.
• إزالة DFL: من خلال إزالة خسارة بؤرة التوزيع (Distribution Focal Loss)، يحقق YOLO26 خيارات نشر نموذج أبسط بكثير وتوافقًا أفضل بكثير مع الأجهزة الطرفية.
• استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): محسن بشكل كبير للبيئات المقيدة مثل Raspberry Pi والأنظمة المدمجة، متفوقاً على جميع الأجيال السابقة في إنتاجية وحدة المعالجة المركزية.
• مُحسِّن MuSGD: مستوحى من نماذج تدريب النماذج اللغوية الكبيرة (LLM)، يدمج YOLO26 مزيجاً من SGD و Muon. وهذا يوفر استقراراً غير مسبوق في التدريب وتقارباً سريعاً للغاية.
• ProgLoss + STAL: تحقق وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية للصور الجوية، والزراعة المؤتمتة، والروبوتات.

سواء كنت تقوم بالتوسع لتصل إلى مجموعات تحليل فيديو ضخمة باستخدام YOLOv8 أو تدفع الاستدلال إلى الأجهزة الطرفية الدقيقة باستخدام YOLO26 المتطور، فإن منصة Ultralytics توفر الأدوات اللازمة لإدارة دورة حياة الذكاء الاصطناعي الخاصة بك بسلاسة.