YOLOv7 مقابل YOLOv9#

تطور مشهد object detection في الوقت الفعلي بسرعة، حيث دفعت كل تكرارة جديدة حدود ما هو ممكن على أجهزة الحافة وخوادم السحابة على حد سواء. وعند تقييم البنى البرمجية لمشاريع الرؤية الحاسوبية، غالباً ما يقارن المطورون المعايير الراسخة بالابتكارات الأحدث. يقارن هذا الدليل الشامل بين معلمين محوريين في عائلة YOLO: YOLOv7 و YOLOv9.

سنقوم بتحليل اختراقاتهما المعمارية، ومقاييس الأداء، وسسيناريوهات النشر المثالية لمساعدتك في اختيار النموذج المناسب لتطبيقك. سنستكشف أيضاً كيف توحد Ultralytics Platform هذه النماذج، مما يجعل التدريب والتحقق والنشر أسهل.

سلالة النموذج والمواصفات الفنية#

يوفر فهم أصول وفلسفات تصميم هذه النماذج سياقاً أساسياً لقدراتها. يشترك كلا النموذجين في سلالة بحثية مشتركة ولكنهما يستهدفان عنق الزجاجة المعماري المختلف.

YOLOv7: الرائد في مفهوم حقيبة الهدايا#

تم إصدار YOLOv7 في منتصف عام 2022، وأثبت نفسه كبنية موثوقة للغاية ومُحسنة بشكل مكثف. لقد قدم إعادة المعلمات الهيكلِيَّة نهج "حقيبة الحيل القابلة للتدريب" للحفاظ على سرعات استدلال عالية دون المساس بـ mean Average Precision (mAP).

• المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
• المنظمة: Institute of Information Science, Academia Sinica, Taiwan
• التاريخ: 6 يوليو 2022
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7

الابتكارات المعمارية: تتميز YOLOv7 بشبكة تجميع طبقات الفعالية الممتدة (E-ELAN)، والتي تتيح للنموذج تعلم ميزات أكثر تنوعاً من خلال توسيع وخلط ودمج السعة. يؤدي هذا التصميم إلى استغلَال ممتاز لوحدة معالجة الرسوميات (GPU) وinference latency. ومع ذلك، قد يتطلب ذاكرة كبيرة أثناء عمليات التدريب المعقدة مقارنة بالإصدارات الحديثة.

اعرف المزيد عن YOLOv7

YOLOv9: حل اختناق المعلومات#

تم تقديم YOLOv9 في أوائل عام 2024 من قبل نفس الفريق البحثي، وهو يعالج "عنق زجاجة المعلومات" المتأصل في الشبكات العصبية العميقة. مع مرور البيانات عبر الطبقات العميقة، غالباً ما تُفقد تفاصيل حاسمة. يخفف YOLOv9 من هذا من خلال تصميمات طبقات جديدة جذرياً.

• المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
• المنظمة: Institute of Information Science, Academia Sinica, Taiwan
• التاريخ: 21 فبراير 2024
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

الابتكارات المعمارية: تقدم YOLOv9 معلومات التدرج القابلة للبرمجة (PGI) وشبكة تجميع الطبقات الفعالة المعممة (GELAN). تضمن PGI الحفاظ على التدرجات الموثوقة وإرجاعها لتحديث الأوزان بدقة. تعمل GELAN على تعظيم كفاءة المعلمات، مما يمكن YOLOv9 من تحقيق دقة عالية مع عدد أقل بكثير من FLOPs مقارنة بسابقتها.

اعرف المزيد عن YOLOv9

تحليل الأداء#

عند الاختيار بين البنى، يجب على مهندسي الذكاء الاصطناعي موازنة الدقة، وinference speed، والتكلفة الحسابية. يُبرز الجدول أدناه فروق الأداء عبر هذه النماذج على COCO dataset القياسي.

الخلاصة#

• كفاءة المعلمات: يتطابق YOLOv9m مع دقة YOLOv7l (51.4% mAP) بينما يستخدم أقل بنسبة 45% تقريباً من المعلمات (20.0M مقابل 36.9M). هذا التخفيض الهائل يجعل YOLOv9m أسهل بكثير في النشر على أجهزة edge AI المحدودة الذاكرة.
• النشر المصغر: يوفر إدخال متغير YOLOv9t (الصغير) سرعات مذهلة (2.3 مللي ثانية على T4 TensorRT) للبيئات التي تكون فيها قيود الوقت الفعلي مطلقًا.
• أقصى دقة: بالنسبة للتطبيقات التي تكون فيها الدقة ذات أهمية قصوى، يدفع YOLOv9e دقة الاكتشاف إلى 55.6% mAP، متفوقاً بشكل كبير على YOLOv7x.

ميزة Ultralytics#

اختيار بنية النموذج هو الخطوة الأولى فقط. يحدد النظام البيئي للبرمجيات المحيط بالنموذج مدى السرعة التي يمكنك الانتقال بها من النموذج الأولي إلى الإنتاج. يوفر دمج هذه النماذج من خلال Ultralytics Python API فوائد كبيرة للمطورين والباحثين.

سهولة الاستخدام وكفاءة التدريب#

تاريخياً، تطلب تدريب YOLOv7 إعداد بيانات معقد ومبرمجة مخصصة بشكل كبير. يعمل إطار عمل Ultralytics على تجريد تعقيدات التعلم العميق هذه. يمكن للمطورين التبديل بسهولة بين البنى، والتجربة مع hyperparameter tuning، واستخدام خطوط أنابيب ذكية لـ data augmentation بأقل قدر من التعليمات البرمجية.

علاوة على ذلك، تعمل Ultralytics على تحسين memory usage أثناء التدريب والاستدلال. على عكس transformer models الثقيلة (مثل RT-DETR)، تتدرب بنى Ultralytics YOLO بشكل أسرع بكثير وتتطلب ذاكرة CUDA أقل بكثير، مما يجعلها مثالية لوحات معالجة الرسومات المخصصة للمستهلكين.

مثال برمجي: تدريب مبسط#

تدريب أحدث النماذج يتم بسلاسة داخل نظام Ultralytics البيئي. إليك مثال قابل للتشغيل بالكامل يوضح كيفية تدريب والتحقق من صحة نموذج YOLOv9:

from ultralytics import YOLO

# Initialize the model (you can swap 'yolov9c.pt' with 'yolov7.pt' or 'yolo26n.pt')
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 sample dataset
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="0",  # Use GPU 0 if available
    batch=16,  # Optimized batch size for memory efficiency
)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

تنوع لا مثيل له عبر المهام#

يعني النظام البيئي المُصان جيداً الوصول إلى مهام الرؤية الحاسوبية المتنوعة. في حين تم بناء YOLOv7 في المقام الأول لكشف الأجسام (مع تفرعات تجريبية لاحقة لمهام أخرى)، فإن نماذج Ultralytics الحديثة مصممة أصلاً لتكون متعددة الاستخدامات. جاهزة للاستخدام الفوري، يمكنك إجراء instance segmentation، وpose estimation، وimage classification، وOriented Bounding Box (OBB) بسلاسة.

حالات الاستخدام والتطبيقات المثالية#

غالباً ما يعتمد القرار بين YOLOv7 وYOLOv9 على قيود صناعتك المحددة وتوافر الأجهزة.

متى تستخدم YOLOv7#

• نشر الحافة القديمة: بالنسبة لبيئات الأجهزة التي تم ضبطها وتحسينها بشكل مكثف بالفعل لبنية E-ELAN في YOLOv7، فإنها تظل خياراً قوياً لـ industrial IoT.
• مراقبة حركة المرور: تجعل معدلات الإطارات العالية لـ YOLOv7 والاستقرار المثبت منها ممتازة للبنية التحتية للمدن الذكية وreal-time traffic management.
• تكامل الروبوتات: يتطلب التنقل في البيئات الديناميكية معالجة ذات زمن انتقال منخفض، وهو سيناريو تم فيه اختبار متغيرات YOLOv7 بشكل مكثف.

متى تستخدم YOLOv9#

• التصوير الطبي: بنية PGI في YOLOv9 استثنائية في الحفاظ على التفاصيل الدقيقة عبر الطبقات العميقة، وهو أمر بالغ الأهمية عند تحليل مهام medical image analysis المعقدة مثل اكتشاف الأورام.
• تحليلات التجزئة الكثيفة: لتتبع وعد العناصر المعبأة بكثافة على أرفف البيع بالتجزئة، يوفر تكامل الميزات في YOLOv9 دقة فائقة ويقلل من السلبيات الكاذبة.
• صور الجو والطائرات بدون طيار: تسمح كفاءة معلمات YOLOv9m بمعالجة الصور عالية الدقة على الطائرات بدون طيار، مما يساعد في wildlife conservation ومراقبة الزراعة دون استنزاف عمر البطارية.

الخلاصة#

لقد رسخ كل من YOLOv7 وYOLOv9 مكانتهما في تاريخ رؤية الحاسوب. قدم YOLOv7 تحسينات أساسية للمعالجة في الوقت الفعلي، بينما عالج YOLOv9 الاختناقات الهيكلية في التعلم العميق لزيادة كفاءة المعلمات إلى الحد الأقصى.

مع ذلك، بالنسبة للمطورين الذين يبدؤون مشاريع جديدة اليوم، فإن الاستفادة من النظام البيئي Ultralytics - وتحديداً النماذج من الجيل التالي مثل YOLO11 و YOLO26 - يوفر التوازن الأكثر ملاءمة بين السرعة والدقة وتجربة المطور. مع الابتكارات مثل مُحسِّن MuSGD وإزالة خسارة التركيز التوزيعي (DFL) لتوافق أوسع مع الأجهزة، تواصل Ultralytics توفير الأدوات الأكثر سهولة وقوة لمحترفي رؤية الذكاء الاصطناعي.