Ultralytics YOLO27: انضم إلى قائمة الانتظار.
ابدأ

YOLOv8 مقابل YOLOv7#

يتطور مجال الرؤية الحاسوبية باستمرار، إذ توسّع البنى الجديدة إمكانات اكتشاف الكائنات الآني. يقارن هذا الدليل بين نموذجين مؤثرين: Ultralytics YOLOv8 وYOLOv7. وقد ترك كلاهما أثرًا كبيرًا في مجتمع المطورين والبحوث الأكاديمية، إذ يقدمان نهجين فريدين لحل المهام البصرية المعقدة.

يُعد فهم الفروق البنيوية والمنهجية بين هذين النموذجين أمرًا بالغ الأهمية لمهندسي التعلم الآلي الراغبين في تحسين مسارات النشر لديهم. فبينما قدّم YOLOv7 نهج «حقيبة المزايا المجانية» المصمم لزيادة الإنتاجية الخام، ركزت Ultralytics YOLOv8 على إنشاء منظومة شاملة وسهلة الاستخدام توازن بين الدقة العالية واستهلاك الذاكرة المنخفض 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.

ابتكارات البنية#

قدّم YOLOv8 رأس كشف خاليًا من المراسي. ويبسط ذلك عملية التدريب عبر إلغاء الحاجة إلى ضبط صناديق المراسي يدويًا بناءً على التوزيع المحدد لمجموعة البيانات المخصصة، ما يجعل النموذج أكثر متانة وأسهل تعميمًا على البيئات المختلفة.

إضافة إلى ذلك، تتضمن البنية وحدة C2f (عنق زجاجة جزئي عبر المراحل مع عمليتي التفاف)، وهو تحسين بنيوي يعزز تدفق التدرج ويتيح للشبكة العصبية تعلم تمثيلات أغنى للميزات دون زيادة كبيرة في التكلفة الحسابية. ويجعل ذلك النموذج فعالًا عند إجراء الاستدلال باستخدام أطر التعلم العميق القياسية مثل PyTorch.

كفاءة الذاكرة

صُممت نماذج YOLO من Ultralytics لتحقيق تدريب فعال. وعادةً ما تتطلب ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالبنى القائمة على Transformer أو شبكات CNN الأثقل. ويتيح لك ذلك التدريب باستخدام أحجام دفعات أكبر على العتاد الاستهلاكي، ما 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 الموسعة (E-ELAN)، التي تتيح للنموذج تعلم ميزات أكثر تنوعًا باستمرار. ويعتمد على تصميم قائم على المراسي، ويقدم «حقيبة 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.

تعرّف على المزيد عن YOLOv7

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.

النموذجالحجم
(بكسل)		‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)		السرعة
T4 TensorRT10
(ms)		المعاملات
(M)		FLOPs
(B)
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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

كما توضح البيانات، يحقق YOLOv8x أعلى دقة (53.9 mAP)، بينما يوفر إصدار Nano (YOLOv8n) استدلالًا سريعًا وبصمة خفيفة. ويجعل هذا النطاق من الأحجام YOLOv8 أكثر قدرة على التكيف مع بيئات العتاد المحدودة.

ميزة Ultralytics: سهولة الاستخدام والمنظومة#

مع أن YOLOv7 يحقق مقاييس قوية للكشف الخام، فإن Ultralytics YOLOv8 يوفر تجربة تطوير أفضل وتكاملًا أعمق مع المنظومة ودعمًا للمهام المتعددة.

تعدد الاستخدامات#

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.

يتكامل YOLOv8 أيضًا مع أدوات MLOps. سواء أكنت تتعقب 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")
مرونة النشر

يوفر استخدام الدالة model.export() اتصالًا مباشرًا بمحركات استدلال عالية الأداء، ما يتيح دمج YOLOv8 في تطبيقات الأجهزة المحمولة والأنظمة المضمنة أو خوادم السحابة عالية الإنتاجية.

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 نماذج Nano وSmall السريعة YOLOv8 مناسبًا جدًا للأجهزة محدودة 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 النمذجة الأولية السريعة إلى الإنتاج: تتيح وثائق Ultralytics الشاملة وواجهة Python API سهلة الاستخدام للفرق طرح المنتجات في السوق بسرعة أكبر.

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#

لا يزال YOLOv8 متعدد الاستخدامات، لكن مشهد الذكاء الاصطناعي يتغير بسرعة. وتوصي Ultralytics الفرق التي تبدأ مشاريع جديدة باستكشاف أحدث النماذج ضمن مجموعتها.

أحدث جيل، YOLO26، هو نموذج Ultralytics الموصى به حاليًا. ويتضمن خيار تصميم شامل من البداية إلى النهاية وخالٍ من NMS (nms=False) يتجاوز خطوة المعالجة اللاحقة لكبت غير الأعظميات (NMS)، ما يتيح نشرًا أبسط وأسرع. وبفضل إلغاء خسارة البؤرة التوزيعية (DFL) وإضافة محسّن MuSGD المستوحى من LLM، يوفر YOLO26 تدريبًا أكثر استقرارًا واستدلال CPU أسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـYOLO11n). وتحسّن ProgLoss + STAL (الخسارة التدريجية وتعيين التسميات المراعي للأهداف الصغيرة) اكتشاف الأجسام الصغيرة، ما يجعله خيارًا قويًا للحوسبة الطرفية الحديثة والتصوير الجوي.

للمستخدمين الذين ينتقلون من الأنظمة الأقدم، يظل كل من YOLO11 وYOLOv5 الكلاسيكي مدعومًا بالكامل ضمن منظومة Ultralytics الموحدة، ما يتيح لك اختيار النموذج الملائم لقيود العتاد لديك.

المساهمون
GLglenn-jocher20PDpderrenger2

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.