ابدأ

YOLOv7 مقابل YOLOv8

أنتج التطور السريع للرؤية الحاسوبية أدوات عديدة فعالة للمطورين والباحثين. وعند اختيار بنية لمسار عمل كشف الأجسام، من الضروري مقارنة النماذج الراسخة. يستعرض هذا الدليل البنى ومقاييس الأداء وحالات الاستخدام المثلى لنموذجين مؤثرين: YOLOv7 وUltralytics YOLOv8.

مقدمة عن البنى#

حقق كلا النموذجين مكاسب كبيرة في الأداء، لكنهما يتبعان نهجين تصميميين مختلفين لتحسين الشبكات العصبية العميقة.

YOLOv7: رائد مجموعة المزايا المجانية#

رُكّز في YOLOv7، الذي طُرح في منتصف عام 2022، بدرجة كبيرة على تحسين مسارات التدرج المعمارية ومفهوم «مجموعة الحيل القابلة للتدريب» لدفع حدود الاكتشاف في الوقت الفعلي على العتاد المتطور.

أبرز ملامح البنية: يستخدم YOLOv7 أساسًا رأس كشف قائمًا على المراسي (مع أنه جرّب فروعًا لا تعتمد على المراسي)، ويقدّم شبكات تجميع الطبقات الممتدة والفعّالة (E-ELAN). يحسّن هذا التصميم قدرة الشبكة على التعلّم من دون إفساد مسار التدرّج الأصلي. ويؤدي أداءً جيدًا على وحدات GPU من فئة الخوادم، ما يجعله مناسبًا لتحليلات الفيديو ذات المتطلبات العالية.

نقاط القوة والضعف: على الرغم من انخفاض زمن الاستجابة في YOLOv7 على العتاد المخصص، فإن أدواته أقل تكاملًا. ويتطلب التدريب استنساخ المستودع، وإدارة تبعيات PyTorch يدويًا، وتمرير عدد كبير من وسيطات سطر الأوامر. وقد تكون متطلبات ذاكرة التدريب مرتفعة أيضًا على العتاد الاستهلاكي.

تعرّف على المزيد عن YOLOv7

Ultralytics YOLOv8: المعيار متعدد الاستخدامات#

جمع YOLOv8، الذي صدر في أوائل عام 2023، بين الدقة العالية وإطار عمل موحد وجاهز للإنتاج للتدريب والتحقق والنشر.

أبرز ملامح البنية: قدم YOLOv8 رأس كشف أصليًا خاليًا من المراسي، ما ألغى الحاجة إلى ضبط مربعات المراسي يدويًا وفقًا لـ مجموعة بيانات MS COCO أو توزيعات البيانات المخصصة. ويضم وحدة C2f لتحسين تدفق التدرج، ويستخدم بنية رأس مفصولة تفصل بين مهام التصنيف والانحدار، ما يسرّع التقارب ويحسّن الدقة.

نقاط القوة والضعف: يتميز YOLOv8 بكفاءة استخدام الذاكرة؛ إذ يحتاج عادةً إلى ذاكرة CUDA أقل أثناء التدريب من YOLOv7 أو نماذج Transformer الأثقل، ما يتيح استخدام أحجام دفعات أكبر. وتتمثل قوته الأساسية في تعدد الاستخدامات، إذ يدعم أصليًا تجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، وكشف مربعات الإحاطة الموجّهة (OBB). أما عيبه الأساسي فهو أن مسارات العمل القديمة المبنية على موترات مخرجات YOLOv7 قد تحتاج إلى إعادة هيكلة.

ميزة المنظومة

يشكل Ultralytics YOLOv8 جزءًا من منظومة تحظى بصيانة نشطة. وتختصر واجهة Python البرمجية والإصدارات المنتظمة ودعم المجتمع المسافة بين الاختبار المحلي والنشر الإنتاجي مقارنةً بمستودعات الأبحاث المستقلة.

مقارنة مفصلة للأداء#

يوضح الجدول التالي مقاييس الأداء لأحجام النماذج الأساسية. ويغطي YOLOv8 نطاقًا واسعًا من مفاضلات السرعة والدقة، بدءًا من النماذج المدمجة للأجهزة الطرفية وصولًا إلى النماذج الأكبر ذات أعلى دقة في هذه المقارنة.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

ملاحظة: يحقق YOLOv8x أعلى mAP ضمن هذه المجموعة، بينما يحتوي YOLOv8n على أقل عدد من المعلمات ويوفر أسرع استدلال، ما يجعله خيارًا قويًا لـ نشر الرؤية الحاسوبية على أجهزة الذكاء الاصطناعي الطرفية.

سهولة الاستخدام وكفاءة التدريب#

صُمم Ultralytics YOLOv8 لسهولة الاستخدام. إذ تتطلب البنى الأقدم مثل YOLOv7 استنساخ مستودعات محددة وتشغيل برامج نصية مطولة عبر سطر الأوامر لإعداد مجموعات البيانات والمسارات.

في المقابل، توفر حزمة YOLOv8 ultralytics سير عمل مبسطًا يتضمن تنزيل مجموعات البيانات تلقائيًا، وأوزانًا مدربة مسبقًا وجاهزة للاستخدام، ودعمًا مدمجًا لـ التصدير إلى تنسيقات مثل ONNX وTensorRT.

يحمل المثال التالي نموذجًا ويدرّبه وينفذ الاستدلال باستخدام واجهة Python البرمجية من Ultralytics:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 nano مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

# ⁨تدريب النموذج بكفاءة على مجموعة بيانات COCO8⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل استدلال سريع على صورة اختبارية⁩
predictions = model("https://ultralytics.com/images/bus.jpg")

# ⁨عرض التنبؤات⁩
predictions[0].show()
تتبّع التجارب

يتكامل YOLOv8 مع أدوات MLOps الشائعة مثل Weights & Biases وClearML، ما يتيح لك مراقبة ضبط المعلمات الفائقة ومقاييس التدريب في الوقت الفعلي.

حالات الاستخدام المثالية#

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

متى تختار YOLOv7#

  • المقارنة المرجعية مع الأنظمة القديمة: مناسب للباحثين الذين يحتاجون إلى خط أساس ثابت للمقارنة مع المعايير المعمارية لعام 2022.
  • بنية تحتية ضخمة قائمة مسبقًا: بيئات مبنية حول وحدات GPU من NVIDIA V100 أو A100، حيث تكون موترات مخرجات YOLOv7 مدمجة في مسار عمل قديم بلغة C++.

متى تختار YOLOv8#

  • الإنتاج متعدد المنصات: مثالي للفرق التي تحتاج إلى النشر عبر وحدات GPU السحابية والأجهزة المحمولة والمتصفحات.
  • متطلبات المهام المتعددة: إذا كان مشروعك يحتاج إلى أقنعة تجزئة المثيلات أو نقاط ارتكاز الوضعية، إضافةً إلى مربعات الإحاطة.
  • الأجهزة الطرفية محدودة الموارد: يوفر YOLOv8 Nano (yolov8n) نسبة قوية بين الدقة والسرعة للروبوتات والطائرات المسيّرة وأجهزة إنترنت الأشياء.

نظرة إلى المستقبل: القفزة الجيلية إلى YOLO26#

يظل YOLOv8 خيارًا موثوقًا، لكن تتوفر للمشروعات الجديدة نماذج أحدث من Ultralytics: YOLO11 وYOLO26، النموذج الموصى به حاليًا.

صُمم YOLO26، الذي صدر في يناير 2026، للنشر بكفاءة على الأجهزة الطرفية:

  • تصميم شامل خالٍ من NMS: يدعم YOLO26 الاستدلال الشامل الأصلي، متجاوزًا معالجة كبت الصندوق غير الأقصى (NMS) اللاحقة باستخدام رأسه الاختيارية أحادية المطابقة (nms=False). وهذا يبسط مسارات النشر ويزيل زمن الاستجابة الناتج عن خطوة NMS المنفصلة.
  • إزالة DFL: تؤدي إزالة Distribution Focal Loss إلى تبسيط رأس الكشف، وتوسيع خيارات نشر النماذج وتحسين التوافق مع الأجهزة الطرفية.
  • استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة تفوق YOLO11n بنسبة تصل إلى 43% عند الاستدلال باستخدام ONNX على CPU، ما يجعله مناسبًا للأجهزة محدودة الموارد مثل Raspberry Pi والأنظمة المضمّنة الأخرى.
  • محسّن MuSGD: استلهامًا من تدريب نماذج اللغة الكبيرة (LLM)، يستخدم YOLO26 مزيجًا من SGD وMuon لتحقيق تدريب أكثر استقرارًا وتقارب أسرع.
  • ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) كشف الأجسام الصغيرة، وهو أمر مهم للصور الجوية والزراعة والروبوتات.

سواء نشرت YOLOv8 على عناقيد كبيرة لتحليلات الفيديو أو YOLO26 على أجهزة طرفية صغيرة، توفر منصة Ultralytics أدوات لتعليق البيانات وتدريب النماذج ونشرها على امتداد دورة حياة الذكاء الاصطناعي بأكملها.

المساهمون

التعليقات1

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. rosin7596GitHub(تم التعديل)

    Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.