YOLOv7 مقابل YOLOX#

اتسم تطور الرؤية الحاسوبية بتقدم سريع في اكتشاف الأجسام في الزمن الفعلي. ومن أبرز المحطات YOLOv7 وYOLOX. حسّن كلا النموذجين السرعة والدقة، لكنهما اتبعا نهجين معماريين مختلفين. يقدم هذا الدليل مقارنة تقنية بين النموذجين لمساعدتك على اختيار المعمارية المناسبة لمشاريع الرؤية الحاسوبية.

مقدمة عن النماذج#

من المهم فهم أصول هذه النماذج وخيارات تصميمها الأساسية لنشرها بفاعلية ضمن عمليات التعلم الآلي الحديثة.

تفاصيل YOLOv7#

طوّر باحثون حافظوا على بُنى CSPNet وScaled-YOLOv4 نموذج YOLOv7، الذي طرح نهج «مجموعة الحيل المجانية القابلة للتدريب» لتعظيم الدقة من دون زيادة كلفة الاستدلال.

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا، تايوان
• التاريخ: 2022-07-06
• arXiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• الوثائق: وثائق Ultralytics YOLOv7

تعرّف على المزيد عن YOLOv7

تفاصيل YOLOX#

اتبع YOLOX مسارًا مختلفًا بالعودة إلى الاكتشاف الخالي من المراسي، ما أدى إلى تبسيط معمارية الرأس مع الحفاظ على أداء قوي.

• المؤلفون: Zheng Ge وSongtao Liu وFeng Wang وZeming Li وJian Sun
• المؤسسة: Megvii
• التاريخ: 2021-07-18
• arXiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• الوثائق: الوثائق الرسمية لـYOLOX

تعرّف على مزيد من المعلومات عن YOLOX

الاختلافات المعمارية والابتكارات#

تكمن الاختلافات الأساسية بين YOLOv7 وYOLOX في منهجيتهما لاستخراج السمات والتنبؤ بالصناديق المحيطة وإسناد التسميات.

YOLOX: رائد النهج الخالي من المراسي#

قدم YOLOX تصميمًا خاليًا من المراسي إلى عائلة YOLO. تتطلب كواشف الأجسام التقليدية القائمة على المراسي ضبطًا استدلاليًا لتجميع صناديق المراسي، وقد يعتمد ذلك بشدة على مجموعة البيانات. وبإزالة صناديق المراسي، قلل YOLOX عدد معلمات التصميم بدرجة كبيرة. كما يستخدم YOLOX رأسًا مفصولًا، يفصل مهمتي التصنيف وتحديد الموقع في فرعين منفصلين للشبكة. ويقلل هذا التعارض بين تصنيف جسم وانحدار إحداثياته المكانية. ويدمج YOLOX أيضًا استراتيجيات متقدمة لإسناد التسميات مثل SimOTA، التي توزع العينات الإيجابية ديناميكيًا أثناء التدريب.

YOLOv7: تجميع الطبقات الفعّال الممتد#

صدر YOLOv7 بعد عام، وحافظ على التصميم القائم على المراسي، لكنه قدم شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تحسن E-ELAN طول مسار التدرج ليتسنى للشبكة التعلم بفاعلية عبر أعماق مختلفة. وتعتمد المعمارية بدرجة كبيرة على إعادة المعلمات، إذ تدمج طبقات الالتفاف أثناء الاستدلال لزيادة السرعة من دون التضحية بالدقة. وتشمل استراتيجية «المزايا المجانية» في YOLOv7 التفافات مخططةً بإعادة المعلمات وإسناد التسميات الموجّه للمقدم من الخشن إلى الدقيق، ما يرفع متوسط الدقة للنموذج (mAP).

مقارنة الأداء#

عند تقييم هذه النماذج للإنتاج، من الضروري الموازنة بين الدقة والكفاءة الحاسوبية. يوضح الجدول أدناه المفاضلات، مع إبراز المقاييس الأفضل أداءً بالخط العريض.

كما يتضح أعلاه، يحقق YOLOv7x أعلى mAP في هذه المقارنة، ما يجعله الخيار الأدق لمجموعات البيانات المعقدة. أما YOLOX-Nano فيستهدف الأجهزة شديدة المحدودية في الموارد. وقد تتطلب عائلتا النموذجين ذاكرة تدريب أكبر من معماريات Ultralytics الأحدث.

منهجيات التدريب والمنظومة#

من العوامل الأساسية للباحثين والمطورين سهولة التنفيذ. تاريخيًا، تطلبت إصدارات YOLO القديمة نصوصًا برمجية مخصصة للتدريب وإدارة دقيقة للاعتماديات.

ميزة منظومة Ultralytics#

لا يدعم Python package الخاص بـ Ultralytics كلًا من YOLOv7 وYOLOX دعمًا أصيلًا؛ وفي المشاريع الجديدة، يتمثل المسار الأكثر فاعلية في استخدام نموذج Ultralytics YOLO ضمن منظومة Ultralytics جيدة الصيانة. توفر Ultralytics Python API موحدة تبسط التدريب والتحقق والنشر.

• سهولة الاستخدام: تكفي بضعة أسطر من الشيفرة لبدء التدريب، ما يقلل صعوبة التعلم مقارنةً بتطبيقات PyTorch الخام.
• كفاءة التدريب: تستخدم نماذج Ultralytics YOLO عادةً ذاكرة أقل أثناء التدريب من نماذج المحوّلات مثل RT-DETR، ما يتيح استخدام أحجام دفعات أكبر على العتاد الاستهلاكي.
• تعدد الاستخدامات: إلى جانب الصناديق المحيطة، تدعم API نفسها مهامًا مثل تجزئة الكائنات وتقدير الوضعيات.

يدرّب المثال القابل للتنفيذ التالي نموذجًا ويصدره باستخدام API الخاصة بـ Ultralytics:

from ultralytics import YOLO

# ⁨حمّل نموذجًا مدرّبًا مسبقًا⁩
model = YOLO("yolov8n.pt")  # ⁨أوزان جاهزة للاستخدام من أجل التعلّم بالنقل السريع⁩

# ⁨درّب النموذج بكفاءة على بياناتك المخصصة⁩
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # ⁨استخدم أول وحدة GPU من نوع CUDA⁩
)

# ⁨صدّر إلى ONNX أو TensorRT⁩
model.export(format="onnx")

باستخدام مسار تصدير موحد، يستطيع المطورون تحويل أوزانهم إلى تنسيقات مثل TensorRT أو ONNX لإجراء استدلال سريع على العتاد المستهدف.

حالات الاستخدام المثالية والتطبيقات الواقعية#

يعتمد الاختيار بين YOLOX وYOLOv7 إلى حد كبير على أهداف النشر:

• YOLOX لتطبيقات الذكاء الاصطناعي الطرفي: يُعدّ طرازا YOLOX-Nano وYOLOX-Tiny مناسبين جدًا للنشر على الأجهزة منخفضة الطاقة. إذا كنت تطوّر كاميرا أمنية ذكية باستخدام Raspberry Pi، فإن الالتفافات البسيطة في YOLOX الخالية من المراسي تُترجم بسهولة إلى مسرّعات الحوسبة الطرفية.
• YOLOv7 للتحليلات عالية الدقة: إذا كنت تعالج صور الأقمار الصناعية عالية الدقة أو تنفذ مراقبة جودة التصنيع المعقدة، فإن ارتفاع mAP في YOLOv7x على وحدات GPU المتطورة من NVIDIA يساعد على رصد الشذوذات الصغيرة.

المستقبل: الترقية إلى Ultralytics YOLO26#

كان لـ YOLOv7 وYOLOX تأثير كبير عند إطلاقهما، لكن المجال شهد تقدمًا ملحوظًا منذ ذلك الحين. للنشرات الجديدة، توصي Ultralytics بـ Ultralytics YOLO26، الذي أُطلق في يناير 2026 ويستند إلى هذه الدروس المعمارية في نموذج جاهز للإنتاج.

تشمل التحسينات الأساسية:

• تصميم شامل خالٍ من NMS: يزيل الرأس الاختياري أحادي المطابقة في YOLO26 (nms=False) كبح الصناديق المحددة غير القصوى (NMS) أثناء المعالجة اللاحقة. وقد أدخل YOLOv10 هذا النهج إلى نماذج YOLO، وهو يحافظ على انخفاض زمن الاستجابة باستمرار ويبسط النشر على الأجهزة التي لا تدعم NMS بكفاءة.
• إزالة DFL: تحسن إزالة خسارة البؤرة التوزيعية التوافق مع الأجهزة الطرفية منخفضة الطاقة وتبسط التصدير إلى ONNX.
• مُحسِّن MuSGD: استلهامًا من تدريب نماذج اللغة الكبيرة، يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج هجين من SGD وMuon، لتحقيق تقارب أسرع وتدريب أكثر استقرارًا.
• استدلال أسرع على CPU بنسبة تصل إلى 43%: يعمل YOLO26n بسرعة أعلى تصل إلى 43% من YOLO11n في استدلال ONNX على CPU، لذا يقدم أداءً جيدًا على وحدات CPU القياسية من دون بنية تحتية مخصصة لوحدات GPU.
• ProgLoss + STAL: تحسن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة اكتشاف الأجسام الصغيرة، وهو أمر بالغ الأهمية للصور الجوية، مثل مجموعة بيانات VisDrone، ولشبكات كاميرات إنترنت الأشياء.

بالنسبة إلى الفرق التي تعمل على اكتشاف الأجسام والتجزئة ومهام أخرى، توفر منصة Ultralytics مكانًا واحدًا لوسم البيانات وتدريب النماذج ونشرها.

الخلاصة#

قدم كل من YOLOX وYOLOv7 تقنيات أسهمت في تشكيل ذكاء الرؤية مفتوح المصدر. وأثبت YOLOX جدوى الرؤوس المفصولة الخالية من المراسي، بينما أظهر YOLOv7 قيمة تصميم مسارات التدرج وإعادة المعلمات. واليوم، تتيح لك منظومة Ultralytics البناء على هذه الأفكار باستخدام نماذج Ultralytics YOLO الحديثة، ويُوصى بـ YOLO26 للتطبيقات الجديدة في مجال الرؤية الحاسوبية.