YOLOv8 مقابل YOLOv7#
يتطور مجال الرؤية الحاسوبية باستمرار، إذ تدفع البنى الجديدة حدود الممكن في اكتشاف الأجسام في الزمن الحقيقي. وفي هذا التحليل المتعمق، نقارن نموذجين مؤثرين للغاية: Ultralytics YOLOv8 وYOLOv7. وقد ترك كلا النموذجين أثرًا كبيرًا في مجتمع المطورين والأبحاث الأكاديمية، إذ يقدمان نهجين متميزين لمعالجة المهام البصرية المعقدة.
يُعد فهم الاختلافات البنيوية والمنهجية بين هذين النموذجين أمرًا بالغ الأهمية لمهندسي التعلم الآلي الساعين إلى تحسين خطوط نشرهم. فبينما قدم YOLOv7 نهجًا قويًا قائمًا على «مجموعة من المزايا المجانية» يستهدف معدل المعالجة الخام، ركز Ultralytics YOLOv8 على إنشاء منظومة متكاملة وسهلة الاستخدام، توازن بين الدقة العالية وانخفاض استهلاك الذاكرة وتعدد المهام.
Ultralytics YOLOv8: المعيار متعدد الاستخدامات للمنظومة#
يمثل YOLOv8، الذي أصدرته Ultralytics في مطلع عام 2023، تحولًا معماريًا كبيرًا مقارنةً بأسلافه. وقد صُمم منذ البداية ليكون أكثر من مجرد كاشف أجسام يعمل في الزمن الحقيقي؛ فهو إطار عمل موحد قادر على التعامل مع مجموعة واسعة من مهام الرؤية مباشرةً.
- المؤلفون: Glenn Jocher وAyush Chaurasia وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
- الوثائق: وثائق YOLOv8
ابتكارات البنية#
قدم YOLOv8 رأسًا مبتكرًا للكشف بلا مراسٍ. وهذا يبسط عملية التدريب جوهريًا، إذ يلغي الحاجة إلى ضبط صناديق المراسي يدويًا وفقًا للتوزيع المحدد لمجموعة بياناتك المخصصة. ويجعل هذا الخيار التصميمي النموذج متينًا للغاية وأسهل في التعميم عبر البيئات المختلفة.
إضافة إلى ذلك، تتضمن البنية وحدة C2f (عنق زجاجة جزئي عبر المراحل يتضمن عمليتي التفاف)، وهي ترقية بنيوية تحسن تدفق التدرجات وتمكن الشبكة العصبية من تعلم تمثيلات أغنى للسمات دون زيادة كبيرة في التكلفة الحاسوبية. وهذا يجعل النموذج عالي الكفاءة عند تشغيل الاستدلال عبر أطر التعلم العميق القياسية مثل PyTorch.
صُممت نماذج Ultralytics YOLO لتحقيق أعلى كفاءة تدريبية. وهي تتطلب عادةً ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالبنى القائمة على Transformer أو شبكات CNN الأثقل. ويتيح ذلك التدريب باستخدام أحجام دفعات أكبر على العتاد الاستهلاكي، مما يسرّع دورة التطوير.
YOLOv7: نهج «مجموعة المزايا المجانية»#
طُرح YOLOv7 في منتصف عام 2022، وسرعان ما أصبح خط أساس شائعًا في الأوساط الأكاديمية. وركز بشدة على إعادة المعلمة المعمارية وتحسين مسارات التدرجات لتجاوز حدود اكتشاف الأجسام في الزمن الحقيقي على وحدات GPU المتطورة.
- 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
ابتكارات البنية#
يستخدم YOLOv7 شبكة تجميع الطبقات الفعالة الممتدة (E-ELAN)، التي تتيح للنموذج تعلم سمات أكثر تنوعًا باستمرار. ويعتمد اعتمادًا كبيرًا على نهج قائم على المراسي، ويقدم «مجموعة مزايا مجانية» قابلة للتدريب، وهي مجموعة من أساليب التحسين التي ترفع الدقة دون زيادة تكلفة الاستدلال.
على الرغم من الأداء الممتاز الذي يحققه YOLOv7 في المعايير الأكاديمية القياسية مثل مجموعة بيانات MS COCO، فإن بنيته محسّنة بشدة لمسرّعات الخوادم. وقد يتطلب تصدير هذه النماذج ونشرها على الأجهزة الطرفية أحيانًا إعدادًا يدويًا أكثر مقارنةً بأطر العمل الأحدث والأكثر سلاسة.
مقارنة مفصلة للأداء#
عند تقييم هذه النماذج، يكون التوازن بين السرعة والدقة وحجم النموذج هو الاعتبار الأساسي. ويسلط الجدول أدناه الضوء على مقاييس كلا النموذجين.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
كما توضح البيانات، يحقق YOLOv8x أعلى دقة مطلقة (53.9 mAP)، بينما يوفر الإصدار النانوي (YOLOv8n) سرعات استدلال استثنائية وحجمًا صغيرًا للغاية. ويجعل هذا التنوع YOLOv8 أكثر قابلية للتكيف مع بيئات العتاد محدودة الموارد.
ميزة Ultralytics: سهولة الاستخدام والمنظومة#
مع أن YOLOv7 يقدم مقاييس قوية للكشف الخام، يتفوق عليه Ultralytics YOLOv8 بوضوح في تجربة المطور والتكامل مع المنظومة وقدرات تعدد المهام.
تعدد استخدامات لا مثيل له#
يُعد YOLOv7 في الأساس نموذجًا للكشف، مع فروع تجريبية لمهام أخرى. أما YOLOv8 فيدعم أصليًا اكتشاف الأجسام وتجزئة الكائنات وتصنيف الصور وتقدير الوضعية وصناديق الإحاطة الموجّهة (OBB). ويتيح هذا النهج الموحد للفريق تعلم واجهة API واحدة ونشرها لتلبية متطلبات مشاريع مختلفة تمامًا.
تبسيط النشر والتكاملات#
قد يشكل تصدير نموذج لبيئة الإنتاج عنق زجاجة في كثير من الأحيان. وتتيح حزمة Ultralytics للمطورين التصدير إلى تنسيقات مثل ONNX وTensorRT وCoreML بسطر واحد من شيفرة Python. وهذا يتجنب مشكلات دعم العمليات التي قد تظهر أحيانًا عند تصدير الرسوم البيانية المعقدة القائمة على المراسي.
إضافة إلى ذلك، يتكامل YOLOv8 بسلاسة مع أدوات MLOps. سواء كنت تتتبع التجارب باستخدام Weights & Biases أو تختبر عمليات النشر على Hugging Face Spaces، تتولى منظومة Ultralytics المهام الشاقة.
مثال على الشيفرة: تدريب YOLOv8 وتصديره#
توضح الشيفرة التالية بساطة واجهة Python API من Ultralytics. ويمكنك الانتقال من تهيئة النموذج إلى تدريبه وتصديره للنشر على الأجهزة الطرفية في أقل من عشرة أسطر من الشيفرة.
from ultralytics import YOLO
# تحميل نموذج YOLOv8 نانوي مدرّب مسبقًا للاستدلال السريع
model = YOLO("yolov8n.pt")
# تدريب النموذج على مجموعة بيانات COCO8
# تتولى واجهة API تلقائيًا تحميل البيانات وزيادتها وتسجيلها
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تنفيذ الاستدلال على صورة اختبار
predictions = model("https://ultralytics.com/images/bus.jpg")
# تصدير النموذج المدرّب إلى تنسيق ONNX لنشره
model.export(format="onnx")يوفر استخدام الدالة model.export() مسارًا مباشرًا إلى محركات الاستدلال عالية الأداء، مما يتيح دمج YOLOv8 بسهولة في تطبيقات الهواتف المحمولة والأنظمة المضمنة أو الخوادم السحابية ذات معدل المعالجة المرتفع.
حالات الاستخدام في العالم الحقيقي#
تحدد الاختلافات المعمارية بين النموذجين سيناريوهات النشر الأنسب لكل منهما.
متى تختار YOLOv8:
- الذكاء الاصطناعي الطرفي وأجهزة إنترنت الأشياء: تجعل إتاحة النماذج النانوية والصغيرة فائقة السرعة YOLOv8 مثاليًا للعتاد محدود القدرة الحاسوبية، مثل الكاميرات الذكية أو الطائرات المسيّرة.
- المشاريع متعددة المهام: إذا كان خط المعالجة لديك يتطلب تتبع مفاصل البشر (تقدير الوضعية) بالتزامن مع رسم خرائط العوائق (التجزئة)، فإن YOLOv8 يتعامل مع ذلك أصليًا.
- من إنشاء النماذج الأولية بسرعة إلى الإنتاج: تتيح وثائق Ultralytics الشاملة وواجهة Python API السلسة للفرق طرح المنتجات في السوق بوتيرة أسرع.
متى تفكر في YOLOv7:
- المقارنة الأكاديمية: غالبًا ما يستخدم الباحثون الذين يدرسون تأثير تقنيات إعادة المعلمة YOLOv7 خط أساس قياسيًا، كما تعكس شعبيته على أوراق Hugging Face.
- خطوط المعالجة القديمة للخوادم: إذا كان خط معالجة قائم يتطلب حوسبة كثيفة ومحسّنًا بالفعل بدقة حول مخرجات المراسي المحددة في YOLOv7، فقد يكون الإبقاء عليه عمليًا على المدى القصير.
نظرة إلى الأمام: الجيل التالي#
على الرغم من أن YOLOv8 يظل نموذجًا قويًا متعدد الاستخدامات، فإن مشهد الذكاء الاصطناعي يتغير بسرعة. ونوصي الفرق التي تبدأ مشاريع جديدة باستكشاف أحدث التطورات في مجموعة نماذج Ultralytics.
يمثل الجيل الأحدث، YOLO26، قمة ما وصلت إليه تقنيات الذكاء الاصطناعي للرؤية حاليًا. ويتضمن خيار التصميم الشامل من البداية إلى النهاية الذي لا يستخدم NMS (nms=False)، والذي يتجاوز المعالجة اللاحقة لقمع الحدود غير القصوى، من أجل نشر أبسط وأسرع. وبفضل إزالة خسارة البؤرة التوزيعية (DFL) وإضافة مُحسِّن MuSGD المستوحى من LLM، يوفر YOLO26 تدريبًا أكثر استقرارًا واستدلالًا على CPU أسرع بنسبة تصل إلى 43%. كما تحسّن دوال الخسارة المتقدمة ProgLoss + STAL كثيرًا التعرّف على الأجسام الصغيرة، مما يجعله الخيار الأمثل للحوسبة الطرفية الحديثة والصور الجوية.
بالنسبة إلى المستخدمين الذين ينتقلون من الأنظمة الأقدم، يظل كل من YOLO11 عالي القدرات و YOLOv5 الكلاسيكي مدعومًا بالكامل ضمن منظومة Ultralytics الموحدة، بما يضمن وجود نموذج عالي الأداء جاهز للنشر بسلاسة، مهما كانت قيود العتاد لديهم.