YOLOv8 مقابل YOLOv7: مقارنة تقنية شاملة
لقد كان تطور نماذج اكتشاف الأجسام سريعًا، حيث تتصدر عائلة YOLO (أنت تنظر مرة واحدة فقط) في الأداء في الوقت الحقيقي. الاختيار بين YOLOv8 و YOLOv7 لا ينطوي على فهم مقاييسهما الأولية فحسب، بل أيضًا على فهم الفلسفات المعمارية وخبرة المطورين ودعم النظام البيئي المحيط بهما. في حين أن YOLOv7 وضع معايير رائعة عند إصداره، إلا أنYOLOv8 Ultralytics YOLOv8 أحدث نقلة نوعية في سهولة الاستخدام وتعدد الاستخدامات.
يقدم هذا الدليل تحليلاً تقنياً مفصلاً لمساعدة المطورين والباحثين على اختيار الأداة المناسبة لمشاريعهم الخاصة بالرؤية الحاسوبية.
تحليل الأداء
عند مقارنة الأداء، من المهم النظر إلى المفاضلة بين سرعة الاستدلال ودقة الكشف (mAP). يوفر YOLOv8 بشكل عام توازنًا متفوقًا، حيث يوفر دقة أعلى لأحجام نماذج مماثلة وسرعات استدلال أسرع على الأجهزة الحديثة.
يوضح الجدول التالي الاختلافات في الأداء على مجموعة بياناتCOCO .
| النموذج | الحجم (بالبكسل) | mAPفال 50-95 | السرعة وحدة المعالجة المركزية CPU ONNX (بالمللي ثانية) | السرعة T4 TensorRT10 (بالمللي ثانية) | المعلمات (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 | 165.2 |
| 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 |
النقاط الرئيسية
- الكفاءة: الـ YOLOv8n (النانو) يحقق سرعات ملحوظة (1.47 مللي ثانية على GPU)، مما يجعله مثاليًا لتطبيقات الذكاء الاصطناعي المتطورة حيث يكون زمن الاستجابة أمرًا بالغ الأهمية.
- الدقةYOLOv8x يتفوق على YOLOv7x في الدقة (53.9% مقابل 53.1% mAP المعلمات) مع الحفاظ على عدد معلمات تنافسي.
- التحسين: تُظهِر نماذج YOLOv8 كفاءة أفضل في استخدام البارامترات، مما يوفر أداءً أعلى لكل عملية تشغيلية FLOP، وهو ما يُترجم إلى استهلاك أقل للطاقة أثناء الاستدلال.
Ultralytics YOLOv8: المعيار الحديث
تم إصداره بواسطة Ultralytics في أوائل عام 2023, YOLOv8 صُمم ليكون على أحدث طراز (SOTA) ليس فقط من حيث الأداء، ولكن من حيث المرونة وسهولة الاستخدام. فهو يوحد مهام الرؤية الحاسوبية المتعددة في إطار عمل واحد ومبسط.
- المؤلفون: Glenn Jocher و Ayush Chaurasia و Jing Qiu
- المنظمةUltralytics
- التاريخ: 2023-01-10
- جيثب:ultralytics
- المستندات:وثائقYOLOv8
الهندسة المعمارية والابتكار
يُقدِّم YOLOv8 آلية كشف خالية من الارتكاز، والتي تُبسِّط عملية التدريب عن طريق إزالة الحاجة إلى حسابات مربعات الارتكاز اليدوية. يقلل هذا من عدد تنبؤات المربع ويسرّع من عملية الإخماد غير الأقصى (NMS).
تتميز البنية بوحدة C2f (وحدة الاختناق الجزئي عبر المراحل مع اثنين من التكرارات)، والتي تجمع بين الميزات عالية المستوى والمعلومات السياقية بشكل أكثر فعالية من التكرارات السابقة. وهذا يؤدي إلى تدفق تدرّج أكثر ثراءً وتقارب محسّن في التعلّم. بالإضافة إلى ذلك، يستخدم YOLOv8 رأسًا منفصلًا، حيث يعالج مهام الاعتراض والتصنيف والانحدار بشكل مستقل للحصول على دقة أكبر.
نقاط القوة
- تكامل النظام الإيكولوجي: متكامل تمامًا مع نظام Ultralytics البيئي، مما يسمح بتدريب النموذج والتحقق من صحته ونشره بسلاسة عبر واجهة برمجة تطبيقات Python API أو CLI بسيطة.
- تعدد الاستخدامات: يدعم بشكل أصلي اكتشاف الكائنات، وتجزئة المثيلات، وتقدير الوضعية، وتصنيف الصور، والمربعات المحدودة الموجهة (OBB).
- خبرة المطور: التثبيت بسيط مثل
pip install ultralyticsمع توثيق واسع النطاق ودعم مجتمعي نشط على GitHub و Discord.
YOLOv7: معيار قياسي في الكفاءة
أحدث YOLOv7 ضجة كبيرة عند إصداره من خلال إدخال تحسينات معمارية تركز على أساليب "حقيبة الرغبات المجانية" لزيادة الدقة دون زيادة تكلفة الاستدلال.
- المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
- المنظمــةمعهد علوم المعلومات، الأكاديمية الصينية
- التاريخ: 2022-07-06
- اركسيفYOLOv7: حقيبة مجانية قابلة للتدريب تحدد أحدث ما توصلت إليه التكنولوجيا
- جيثب:وونغكين ييو/يولوف 7
الهندسة المعمارية والنهج
يستخدم YOLOv7 شبكة تجميع الطبقات الموسعة ذات الكفاءة الموسعة (E-ELAN)، والتي تتحكم في أقصر وأطول مسارات التدرج للسماح للشبكة بتعلم المزيد من الميزات بكفاءة. يركز بشدة على توسيع نطاق النموذج (تغيير العمق والعرض في آن واحد) ويقدم تقنيات إعادة المعلمات لدمج الطبقات أثناء الاستدلال، مما يسرّع النموذج دون فقدان دقة التدريب.
نقاط القوة والقيود
YOLOv7 هو نموذج قوي يوفر نسب سرعة إلى دقة ممتازة، خاصةً على أجهزة GPU . يضمن نهج "الحقيبة المجانية" الخاص به أن يظل النموذج خفيف الوزن أثناء النشر. ومع ذلك، مقارنةً بنموذج YOLOv8 فإنه يفتقر إلى الدعم الموحّد متعدد المهام خارج الصندوق ويتطلب إجراءات إعداد أكثر تعقيدًا تتضمن استنساخ المستودعات وإدارة التبعيات يدويًا. وهو متخصص في المقام الأول في الكشف عن الكائنات، مع مهام أخرى تتطلب غالبًا فروعًا أو تطبيقات منفصلة.
مقارنة فنية متعمقة
سهولة الاستخدام والنظام البيئي
يكمن أحد الاختلافات الأكثر تميزًا في سهولة الاستخدام. يتم حزم Ultralytics YOLOv8 كمكتبة Python قياسية. وهذا يعني أنه يمكن للمطورين دمجها في خطوط الأنابيب الحالية بأقل قدر من التعليمات البرمجية. وعلى النقيض من ذلك، يعمل YOLOv7 عادةً كقاعدة كود مستقلة يجب استنساخها وتعديلها.
تجربة المطور
يتيح YOLOv8 تدريب نموذج في ثلاثة أسطر فقط من كود Python . تقلل تجربة المستخدم المبسطة هذه بشكل كبير من الوقت اللازم لوصول حلول الذكاء الاصطناعي إلى السوق.
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt") # load a pretrained model
# Train the model
results = model.train(data="coco8.yaml", epochs=100)
تعدد المهام
غالبًا ما تتطلب مشاريع الرؤية الحاسوبية الحديثة أكثر من مجرد مربعات محددة.
- YOLOv8 نموذج حقيقي متعدد المهام. يمكنك التبديل من الكشف إلى تقسيم أو تقدير الوضعية ببساطة عن طريق تغيير ملف وزن النموذج (على سبيل المثال,
yolov8n-seg.pt). - YOLOv7: يركز بشكل أساسي على الكشف. في حين أن الامتدادات موجودة، إلا أنها ليست متكاملة بإحكام أو يتم الحفاظ عليها ضمن إطار عمل واحد موحد.
كفاءة التدريب والذاكرة
يعمل YOLOv8 على تحسين متطلبات الذاكرة أثناء التدريب. فهو يُنفذ استراتيجيات ذكية لزيادة البيانات يتم إيقافها في نهاية التدريب لتحسين الدقة. علاوةً على ذلك، يدعم إطار عمل Ultralytics تنسيقات مجموعات البيانات المتنوعة ويتعامل مع التنزيل التلقائي لمجموعات البيانات القياسية، مما يجعل كفاءة التدريب أعلى بكثير.
غالبًا ما تتطلب النماذج القائمة على المحولات كميات هائلة من ذاكرة CUDA وتتدرب ببطء. وبالمقارنة، فإن كلاً من YOLOv7 و YOLOv8 يعتمدان على شبكة CNN ويتسمان بالكفاءة، لكن الخيارات المعمارية الحديثة لـ YOLOv8(مثل كتلة C2f) غالبًا ما تؤدي إلى تقارب أسرع وكفاءة أفضل للذاكرة على أجهزة من فئة المستهلك.
حالات الاستخدام في العالم الحقيقي
إدارة البيع بالتجزئة والمخزون
بالنسبة لتحليلات البيع بالتجزئة، تُعد السرعة أمرًا بالغ الأهمية. YOLOv8n يمكن تشغيله على الأجهزة المتطورة مثل الكاميرات أو وحدات NVIDIA Jetson track المخزون في الوقت الفعلي. تضمن سرعته الاستدلالية العالية حساب المنتجات المتحركة بدقة دون تأخير.
الأنظمة المستقلة والروبوتات
تتطلب الروبوتات فهمًا مكانيًا دقيقًا. تسمح إمكانات التجزئة في YOLOv8 للروبوتات بتمييز الشكل الدقيق للعوائق بدلاً من مجرد مربع محدد. يعمل هذا التنوع على تحسين سلامة الملاحة. في حين أن YOLOv7 قادر على ذلك، فإن تنفيذ التجزئة يتطلب المزيد من الجهد وقواعد رموز متباينة.
الزراعة
في الزراعة الدقيقة، detect النماذج أمراض المحاصيل أو تراقب النمو. يعني النظام الإيكولوجي المُعتنى به جيدًا في Ultralytics أن الباحثين لديهم إمكانية الوصول إلى أوزان مُدرّبة مسبقًا ودروس مجتمعية مخصصة لمجموعات البيانات المتخصصة هذه، مما يقلل من حاجز الدخول.
الخلاصة
بينما يظل YOLOv7 بنية محترمة وقوية في تاريخ رؤية الكمبيوتر، فإن Ultralytics YOLOv8 يمثل الخيار الأفضل للتطوير الحديث. إن جمعه بين الأداء المتطور وتعدد الاستخدامات الذي لا مثيل له والنظام البيئي الذي يركز على المطورين أولاً يجعله الحل الأمثل لكل من البحث الأكاديمي والنشر المؤسسي.
بالنسبة لأولئك الذين يبحثون عن أحدث ما توصلت إليه الكفاءة والتحسينات المعمارية المطلقة، أصدرت Ultralytics أيضًا YOLO11الذي يدفع الحدود إلى أبعد من ذلك. ومع ذلك، للمقارنة المباشرة مع جيل الإصدار 7، يبرز YOLOv8 باعتباره الفائز القوي والموثوق وسهل الاستخدام.
مزيد من القراءة
استكشف مقارنات النماذج الأخرى لتعميق فهمك لمشهد YOLO :
- YOLO11 مقابل YOLOv8 - قارن بين أحدث الإصدارات.
- YOLOv5 مقابل YOLOv8 - شاهد كيف تطورت البنية من الإصدار 5.
- YOLOv10 مقابل YOLOv8 - تحليل الأساليب المعمارية المختلفة.
- مسرد مصطلحاتUltralytics - فهم المصطلحات الرئيسية مثل mAP و IoU.