تخطي إلى المحتوى

مقارنة النماذج: YOLOv7 مقابل YOLOv8 لاكتشاف الكائنات

يُعد اختيار نموذج الكشف عن الأجسام المناسب أمرًا بالغ الأهمية لتحقيق الأداء الأمثل في مهام رؤية الكمبيوتر. تقدم هذه الصفحة مقارنة فنية بين YOLOv7 و Ultralytics YOLOv8، وهما نموذجان مهمان في هذا المجال. سنقوم بتحليل الفروق الدقيقة في تصميمهما المعماري ومعايير الأداء والتطبيقات المثالية لتوجيه عملية اختيار النموذج الخاص بك، مع تسليط الضوء على المزايا التي يوفرها نظام Ultralytics البيئي.

YOLOv7: معيار في الكشف في الوقت الفعلي

تم تقديم YOLOv7 كتقدم كبير في كشف الأجسام في الوقت الفعلي، مع التركيز على تحسين كفاءة التدريب ودقته دون زيادة تكاليف الاستدلال. لقد وضعت معيارًا جديدًا لأحدث الكاشفات في الوقت الفعلي عند إصدارها.

المؤلفون: Chien-Yao Wang, Alexey Bochkovskiy, و Hong-Yuan Mark Liao
المنظمة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
التاريخ: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
المستندات: https://docs.ultralytics.com/models/yolov7/

البنية والميزات الرئيسية

يعتمد YOLOv7 على بنى YOLO السابقة من خلال تقديم العديد من الابتكارات الرئيسية. وهو يستخدم تقنيات مثل شبكات تجميع الطبقات الفعالة الموسعة (E-ELAN) في العمود الفقري لتحسين كفاءة استخراج الميزات. تتمثل المساهمة الرئيسية في مفهوم "حقيبة التدريب المجانية"، والذي يتضمن استراتيجيات التحسين المطبقة أثناء التدريب - مثل الرؤوس الإضافية والتوجيه من الخشن إلى الدقيق - لتعزيز دقة النموذج النهائية دون إضافة أعباء حسابية أثناء الاستدلال. YOLOv7 هو في الأساس كاشف قائم على المرساة يركز على مهمة الكشف عن الأجسام، على الرغم من أن امتدادات المجتمع قد قامت بتكييفه لمهام أخرى مثل تقدير الوضع.

نقاط القوة

  • توازن بين الدقة العالية والسرعة: يوفر مزيجًا قويًا من mAP وسرعة الاستدلال، مما يجعله فعالاً للغاية لمهام الاستدلال في الوقت الفعلي.
  • تدريب فعال: يستخدم تقنيات تدريب متقدمة ("حقيبة الامتيازات المجانية") لتحسين الدقة دون زيادة تكلفة الاستدلال النهائية.
  • أداء راسخ: لديه نتائج مثبتة على المعايير القياسية مثل مجموعة بيانات MS COCO.

نقاط الضعف

  • التعقيد المعماري: يمكن أن يكون فهم العمارة وتقنيات التدريب الجديدة بشكل كامل وتحسينها لحالات الاستخدام المخصصة أمرًا معقدًا.
  • استهلاك مكثف للموارد: تتطلب نماذج YOLOv7 الأكبر موارد GPU كبيرة للتدريب.
  • تنوع محدود في المهام: يركز بشكل أساسي على اكتشاف الكائنات. يتطلب تنفيذ مهام أخرى مثل تجزئة المثيل أو تصنيف الصور تطبيقات منفصلة وغير متكاملة، على عكس النهج الموحد لـ YOLOv8.

تعرف على المزيد حول YOLOv7

Ultralytics YOLOv8: كفاءة وقابلية للتكيف على أحدث طراز

Ultralytics YOLOv8 هو الإصدار الرئيسي اللاحق من Ultralytics، ويعتمد على نجاحات إصدارات YOLO السابقة. إنه نموذج حديث مصمم لتحقيق أداء فائق ومرونة وكفاءة. يقدم YOLOv8 تصميمًا خاليًا من المرساة وبنية أكثر انسيابية، مما يعزز الأداء وسهولة الاستخدام.

المؤلفون: جلين جوتشر، أيوش شوراسيا، و جينغ تشيو
المنظمة: Ultralytics
التاريخ: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
المستندات: https://docs.ultralytics.com/models/yolov8/

نقاط القوة

  • أداء هو الأفضل على الإطلاق: يحقق YOLOv8 توازنًا استثنائيًا بين الدقة والسرعة، مما يجعله مناسبًا لمجموعة واسعة من التطبيقات من الذكاء الاصطناعي الطرفي (Edge AI) إلى الخدمات السحابية.
  • تصميم سهل الاستخدام: تعطي Ultralytics الأولوية للبساطة، وتقدم وثائق شاملة، وسير عمل مباشر، وواجهات Python و CLI بسيطة للتدريب والنشر.
  • تنوع لا مثيل له: يدعم أصلاً مهام رؤية متعددة، بما في ذلك الاكتشاف، والتجزئة، والتصنيف، وتقدير الوضعية، واكتشاف الكائنات الموجهة (OBB)، مما يوفر حلاً موحدًا لاحتياجات رؤية الكمبيوتر المتنوعة.
  • نظام بيئي مُدار بشكل جيد: يتكامل بسلاسة مع Ultralytics HUB للتدريب والنشر بدون تعليمات برمجية. ويستفيد من التطوير النشط والتحديثات المتكررة ودعم المجتمع القوي والموارد الواسعة.
  • كفاءة التدريب والذاكرة: يوفر عمليات تدريب فعالة مع أوزان مُدرَّبة مسبقًا متاحة بسهولة. يتطلب تصميمه غالبًا استخدامًا أقل للذاكرة أثناء التدريب مقارنةً بالتصميمات المعمارية المعقدة الأخرى مثل المحولات، والتي يمكن أن تكون أبطأ في التدريب وتتطلب المزيد من ذاكرة CUDA.

نقاط الضعف

  • تتطلب النماذج الأكبر موارد حسابية كبيرة، على الرغم من توفر متغيرات أصغر وعالية الكفاءة مثل YOLOv8n للبيئات محدودة الموارد.

حالات الاستخدام المثالية

إن تعدد استخدامات YOLOv8 يجعله مثاليًا للتطبيقات التي تتطلب أداءً في الوقت الفعلي ودقة عالية، مثل:

تعرف على المزيد حول YOLOv8

الأداء والمعايير: YOLOv7 ضد YOLOv8

عند مقارنة الأداء، يُظهر YOLOv8 مزايا واضحة في كل من الدقة والكفاءة عبر مجموعة نماذجه. يحقق نموذج YOLOv8x، على سبيل المثال، نسبة mAP أعلى من YOLOv7x مع كونه أكثر كفاءة. توفر نماذج YOLOv8 الأصغر أيضًا مفاضلة ممتازة للنشر على الحافة.

النموذج الحجم
(بالبكسل)		 mAPval
50-95		 السرعة
وحدة المعالجة المركزية CPU ONNX
(بالمللي ثانية)		 السرعة
T4 TensorRT10
(بالمللي ثانية)		 المعلمات
(M)		 FLOPs
(B)
YOLOv7l 640 51.4 - 6.84 36.9 104.7
YOLOv7x 640 53.1 - 11.57 71.3 189.9
YOLOv8n 640 37.3 80.4 1.47 3.2 8.7
YOLOv8s 640 44.9 128.4 2.66 11.2 28.6
YOLOv8m 640 50.2 234.7 5.86 25.9 78.9
YOLOv8l 640 52.9 375.2 9.06 43.7 165.2
YOLOv8x 640 53.9 479.1 14.37 68.2 257.8

الخلاصة: أي نموذج يجب أن تختاره؟

في حين أن YOLOv7 هو كاشف كائنات هائل دفع حدود الأداء في الوقت الفعلي، يمثل Ultralytics YOLOv8 خيارًا أكثر إقناعًا للغالبية العظمى من التطبيقات الحديثة.

تكمن المزايا الرئيسية لـ YOLOv8 في:

  • تنوع فائق: الدعم الأصلي لمجموعة واسعة من المهام يجعله حلاً شاملاً لمشاريع رؤية الكمبيوتر المعقدة.
  • سهولة الاستخدام: تعمل واجهة برمجة التطبيقات المبسطة والتوثيق الشامل والتكامل مع نظام Ultralytics البيئي على تقليل حاجز الدخول بشكل كبير لكل من المبتدئين والخبراء.
  • Better Performance-Efficiency Trade-off: توفر نماذج YOLOv8 بشكل عام دقة أفضل لعدد معين من المعلمات والتكلفة الحسابية، مما يجعلها أكثر قابلية للتكيف مع قيود الأجهزة المختلفة.
  • تطوير ودعم نشط: باعتباره نموذجًا رائدًا من Ultralytics، يستفيد YOLOv8 من التحديثات المستمرة ومجتمع قوي ودعم احترافي، مما يضمن صلاحيته على المدى الطويل للمشاريع.

بالنسبة للمطورين والباحثين الذين يبحثون عن إطار عمل قوي ومرن وسهل الاستخدام، فإن Ultralytics YOLOv8 هو الخيار الموصى به لبناء حلول الذكاء الاصطناعي المتطورة.

استكشف نماذج أخرى

للمزيد من الاستكشاف، ضع في اعتبارك هذه المقارنات التي تتضمن YOLOv7 و YOLOv8 ونماذج أخرى ذات صلة في وثائق Ultralytics:



📅 تم إنشاؤه منذ سنة واحدة ✏️ تم التحديث منذ شهر واحد
glenn-jocher

تعليقات