YOLOv7 مقابل YOLOv8#

أدى التطور السريع في مجال الرؤية الحاسوبية إلى إنتاج مجموعة واسعة من الأدوات القوية للمطورين والباحثين. وعند تحديد البنية المناسبة لخط أنابيب اكتشاف الأجسام، تُعد مقارنة النماذج الراسخة أمرًا أساسيًا. يقدم هذا الدليل التقني تحليلًا معمقًا لبنيتي نموذجين مؤثرين للغاية، ومقاييس أدائهما، وحالات الاستخدام المثالية لهما: YOLOv7 وUltralytics YOLOv8.

مقدمة إلى البنى#

يمثل كلا النموذجين قفزات كبيرة في الأداء، لكنهما يتعاملان مع تحدي تحسين الشبكات العصبية العميقة انطلاقًا من فلسفتين بنيويتين مختلفتين.

YOLOv7: رائد حقيبة المزايا#

طُرح YOLOv7 في منتصف عام 2022، وركّز بدرجة كبيرة على تحسين مسارات التدرج في البنية، وعلى مفهوم "مجموعة المزايا المجانية القابلة للتدريب" لدفع حدود الاكتشاف الفوري على الأجهزة عالية الأداء.

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• الجهة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• الوثائق: وثائق Ultralytics YOLOv7

أبرز سمات البنية: يستخدم YOLOv7 بشكل أساسي رأس اكتشاف قائمًا على المراسي (مع أنه جرّب فروعًا غير قائمة على المراسي)، ويقدم شبكات تجميع الطبقات الفعالة الموسعة (E-ELAN). يحسّن هذا التصميم قدرة الشبكة على التعلم من دون تدمير مسار التدرج الأصلي. ويؤدي أداءً استثنائيًا على وحدات GPU المخصصة للخوادم، ما يجعله مناسبًا للغاية لتحليلات الفيديو المكثفة.

نقاط القوة والضعف: يحقق YOLOv7 زمن استجابة ممتازًا على الأجهزة المخصصة، إلا أن منظومته مجزأة بدرجة كبيرة. ويتطلب التدريب استخدام وسائط معقدة لسطر الأوامر، واستنساخ المستودعات يدويًا، وإدارة صارمة للتبعيات في PyTorch. علاوة على ذلك، قد تكون متطلبات الذاكرة أثناء التدريب مرتفعة بشكل مانع على الأجهزة الاستهلاكية.

تعرف على المزيد حول YOLOv7

Ultralytics YOLOv8: المعيار عالي المرونة#

أُطلق YOLOv8 في أوائل عام 2023، وأعاد تعريف تجربة المطور بالكامل، مع التركيز ليس فقط على دقة متقدمة، بل أيضًا على تقديم إطار عمل موحد وجاهز للإنتاج.

• المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
• المنظمة: Ultralytics
• التاريخ: 2023-01-10
• GitHub: ultralytics/ultralytics
• المنصة: Ultralytics YOLOv8

أبرز سمات البنية: قدم YOLOv8 رأس اكتشاف غير قائم على المراسي أصليًا، فألغى الحاجة إلى تهيئة مربعات المراسي يدويًا استنادًا إلى مجموعة بيانات MS COCO أو توزيعات البيانات المخصصة. كما يدمج وحدة C2f لتحسين تدفق التدرج، ويستخدم بنية رأس غير متشابكة تفصل بين مهام وجود الجسم والتصنيف والانحدار. ويؤدي ذلك إلى تسريع التقارب بدرجة كبيرة وتعزيز الدقة.

نقاط القوة والضعف: يتميز YOLOv8 بكفاءة استثنائية في متطلبات الذاكرة. فهو يتطلب قدرًا أقل بكثير من ذاكرة CUDA أثناء التدريب مقارنةً بـ YOLOv7 ونماذج Transformer الأثقل، ما يتيح للمطورين استخدام أحجام دفعات أكبر. وتكمن قوته الأساسية في تعدد الاستخدامات، إذ يدعم أصليًا تجزئة الكائنات، وتصنيف الصور، وتقدير الوضعية، والمربعات المحيطة الموجّهة (OBB). أما العيب البسيط الوحيد فهو أن خطوط الأنابيب القديمة المتخصصة للغاية، والمبنية حصريًا على موترات YOLOv7، قد تتطلب فترة قصيرة لإعادة الهيكلة.

مقارنة مفصلة للأداء#

يفصّل الجدول التالي مقاييس الأداء عبر أحجام النماذج الأساسية. لاحظ توازن الأداء المميز الذي يحققه YOLOv8، إذ يعمل على تحسين الاستدلال السريع على الأجهزة الطرفية بدرجة كبيرة مع الحفاظ على دقة عالمية المستوى.

ملاحظة: يحقق YOLOv8x أعلى قيمة mAP ضمن هذه المجموعة، بينما يتفوق YOLOv8n في كفاءة المعلمات وسرعة الاستدلال، ما يجعله البطل بلا منازع لـنشر الرؤية الحاسوبية على أجهزة AI الطرفية.

سهولة الاستخدام وكفاءة التدريب#

عندما يتعلق الأمر بـ سهولة الاستخدام، يعمل Ultralytics YOLOv8 في مستوى مختلف تمامًا. إذ تتطلب البنى الأقدم، مثل YOLOv7، استنساخ مستودعات محددة وتشغيل نصوص مطولة لسطر الأوامر لتهيئة مجموعات البيانات والمسارات.

وعلى العكس، توفر حزمة ultralytics الخاصة بـ YOLOv8 تجربة مطور مبسطة للغاية. وتُعظَّم كفاءة التدريب من خلال التنزيل التلقائي للبيانات، والأوزان المدربة مسبقًا الجاهزة للاستخدام، وإمكانات التصدير السلسة إلى تنسيقات مثل ONNX وTensorRT.

إليك مدى سهولة تحميل النموذج وتدريبه وتشغيل الاستدلال باستخدام واجهة Ultralytics Python البرمجية:

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#

غالبًا ما يعتمد الاختيار بين هذه البنى على القيود المحددة لبيئة النشر لديك.

متى تختار YOLOv7#

• المقارنة المعيارية مع الأنظمة القديمة: مناسبة للباحثين الذين يحتاجون إلى خط أساس ثابت للمقارنة مع المعايير البنيوية لعام 2022.
• البنية التحتية الثقيلة الموجودة مسبقًا: البيئات المستثمرة بكثافة في وحدات GPU من طراز NVIDIA V100 أو A100، حيث تكون تهيئات موترات YOLOv7 المحددة مدمجة بعمق في خط أنابيب C++ قديم.

متى تختار YOLOv8#

• الإنتاج متعدد المنصات: مثالي للفرق التي تحتاج إلى النشر بسلاسة عبر وحدات GPU السحابية والأجهزة المحمولة والمتصفحات.
• متطلبات المهام المتعددة: إذا كان مشروعك يحتاج إلى تجاوز المربعات المحيطة والاستفادة من أقنعة تجزئة الكائنات الغنية أو النقاط الأساسية للوضعية.
• الأجهزة الطرفية محدودة الموارد: يوفر YOLOv8 Nano (yolov8n) نسبًا مذهلة بين الدقة والسرعة للروبوتات والطائرات المسيّرة ومستشعرات IoT.

نظرة مستقبلية: القفزة الجيلية إلى YOLO26#

مع أن YOLOv8 يظل خيارًا قويًا للغاية، فإن مجال الرؤية الحاسوبية يتطور بسرعة. وبالنسبة إلى المطورين الذين يبدؤون مشاريع جديدة عالية الأداء بالكامل، قدمت Ultralytics مؤخرًا الجيل التالي من نماذج AI. ويوصى بشدة باستكشاف كل من YOLO11 المصقول بعمق وYOLO26 المطروح حديثًا.

طُرح YOLO26 في يناير 2026، ويدفع حدود الإمكانات على الأجهزة الطرفية:

• تصميم شامل من البداية إلى النهاية خالٍ من NMS: يعمل YOLO26 أصليًا من البداية إلى النهاية، ويلغي تمامًا المعالجة اللاحقة لكبح القيم غير العظمى (NMS). ويضمن ذلك خطوط أنابيب نشر أسرع وأبسط بكثير، من دون اختناقات زمن الاستجابة المعتادة في نماذج التنبؤ الكثيف التقليدية.
• إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية، يحقق YOLO26 خيارات أبسط لنشر النماذج وتوافقًا أفضل مع الأجهزة الطرفية.
• استدلال CPU أسرع بنسبة تصل إلى 43%: جرى تحسينه بدرجة كبيرة للبيئات المقيدة، مثل Raspberry Pi والأنظمة المضمنة، متفوقًا على جميع الأجيال السابقة في معدل معالجة CPU.
• مُحسِّن MuSGD: استنادًا إلى أساليب تدريب نماذج اللغة الكبيرة (LLM)، يدمج YOLO26 بين SGD وMuon في نهج هجين. ويوفر ذلك استقرارًا غير مسبوق في التدريب وتقاربًا فائق السرعة.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية والزراعة المؤتمتة والروبوتات.

سواء كنت توسّع نطاقك إلى عناقيد ضخمة لتحليلات الفيديو باستخدام YOLOv8 أو تدفع الاستدلال إلى أجهزة طرفية صغيرة باستخدام YOLO26 المتطور، توفر منصة Ultralytics الأدوات اللازمة لإدارة دورة حياة AI بأكملها بسلاسة.