YOLOv7 مقابل YOLOX: مقارنة تقنية مفصلة
يعد اختيار النموذج الأمثل لاكتشاف الأجسام قرارًا حاسمًا لمشاريع الرؤية الحاسوبية. تقدم Ultralytics مجموعة من النماذج المتطورة، ويُعد فهم نقاط القوة الخاصة بها أمرًا أساسيًا لتحقيق أفضل أداء. تقدم هذه الصفحة مقارنة تقنية بين نموذجين شائعين هما YOLOv7 و YOLOv7 و YOLOX، مع توضيح الفروق الدقيقة في بنيتهما، ومعايير الأداء، وسيناريوهات النشر المثالية.
YOLOv7: اكتشاف فعال وعالي الدقة
تم تصميم YOLOv7، الذي قدمه تشين ياو وانغ وأليكسي بوشكوفسكي وهونغ يوان مارك لياو من معهد علوم المعلومات في الأكاديمية الصينية بتايوان في يوليو 2022، من أجل الكشف الفعال والدقيق عن الأجسام. وهو يعتمد على نماذج YOLO السابقة، ويتضمن تحسينات معمارية لتحسين السرعة والدقة.
البنية والمميزات الرئيسية
يقدم YOLOv7 (ورقة بحثية: arXiv، GitHub: Official Repo) العديد من الابتكارات، بما في ذلك شبكة تجميع الطبقات الفعالة (E-ELAN) التي تعمل على تحسين استخدام المعلمات والحوسبة. كما أنها تستخدم تقنيات تحجيم النماذج وإعادة المعلمات المخطط لها لزيادة كفاءة التدريب ودقة الكشف. تُمكِّن هذه الميزات YOLOv7 من تحقيق أحدث النتائج مع حجم نموذج صغير نسبيًا، مما يجعله مناسبًا للتطبيقات في الوقت الفعلي والنشر على الأجهزة ذات الموارد المحدودة. لمزيد من المعلومات المتعمقة، راجع وثائق YOLOv7 الرسمية.
مقاييس الأداء وحالات الاستخدام
تتفوق YOLOv7 في السيناريوهات التي تتطلب الاستدلال السريع والدقة العالية. إن مقاييس mAP ومقاييس سرعته المثيرة للإعجاب تجعله خيارًا قويًا لتطبيقات مثل تحليل الفيديو في الوقت الحقيقي وأنظمة القيادة الذاتية ومعالجة الصور عالية الدقة. في عمليات نشر المدن الذكية، يمكن استخدام YOLOv7 في إدارة حركة المرور أو تعزيز أنظمة الأمن للكشف الفوري عن التهديدات.
YOLOX: التميز الخالي من المرساة في اكتشاف الأجسام
تم تطوير YOLOX من قبل Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun في Megvii وتم إصداره في يوليو 2021 (ورقة بحثية: arXiv، GitHub: Official Repo)، ويتبع نهجًا خاليًا من الارتكازات في اكتشاف الأجسام، مما يبسّط خط أنابيب الكشف ويحسّن التعميم.
البنية والمميزات الرئيسية
يبتعد YOLOX (التوثيق: ReadTheDocs) عن نماذج YOLO التقليدية من خلال التخلص من مربعات الارتساء المحددة مسبقًا. يُقلل هذا التصميم الخالي من المرتكزات من التعقيد ويمكن أن يؤدي إلى أداء أفضل، خاصةً بالنسبة للأشياء ذات الأشكال المختلفة. وهو يشتمل على رؤوس مفصولة لمهام التصنيف والانحدار المنفصلة، ويستخدم استراتيجيات تعيين التسمية المتقدمة مثل SimOTA (تعيين النقل الأمثل المبسط). تساهم هذه الخيارات المعمارية في متانة YOLOX وسهولة تنفيذه.
مقاييس الأداء وحالات الاستخدام
يوفر YOLOX توازنًا مقنعًا بين السرعة والدقة. يمكن أن تكون طبيعته الخالية من المثبتات مفيدة بشكل خاص في التطبيقات التي تتعامل مع أحجام الأجسام المتنوعة ونسب أبعادها. YOLOX مناسب تمامًا لتطبيقات مثل الروبوتات والفحص الصناعي وتحليلات البيع بالتجزئة. على سبيل المثال، في مجال التصنيع، يمكن استخدامه في فحص الجودة لاكتشاف العيوب بكفاءة دون التقيد بأشكال مرساة محددة مسبقًا.
| الطراز | الحجم (بكسل) |
مافال 50-95 |
السرعة CPU ONNX (مللي ثانية) |
السرعة T4 T4TensorRT10 (مللي ثانية) |
بارامز (م) |
(ب) |
|---|---|---|---|---|---|---|
| يولوف7ل | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| يولوكسنانو | 416 | 25.8 | - | - | 0.91 | 1.08 |
| يولوكستيني | 416 | 32.8 | - | - | 5.06 | 6.45 |
| يولوكس | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| يولوكسم | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| يولوكسل | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| يولوكس | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
قد يفكر المستخدمون المهتمون بنماذج YOLO الأخرى في استكشافها أيضاً:
- YOLOv8: أحدث تكرار في سلسلة YOLO من سلسلة YOLO من Ultralytics التي تقدم أحدث أداء وتعدد استخدامات.
- YOLOv5: معروف بسهولة استخدامه وكفاءته، مع أحجام متعددة الطرازات تناسب الاحتياجات المختلفة.
- YOLOv6: إطار عمل عالي الأداء للكشف عن الكائنات أحادية المرحلة.
- YOLO11: نموذج حديث يركز على تحسينات الكفاءة والأداء.
