YOLOv8 مقابل YOLOv7#
يتطور مجال الرؤية الحاسوبية باستمرار، حيث تعمل البنيات الجديدة على دفع حدود الممكن في اكتشاف الأشياء في الوقت الفعلي. في هذا التحليل العميق، نقارن بين نموذجين مؤثرين للغاية: Ultralytics YOLOv8 و YOLOv7. أثر كلا النموذجين بشكل كبير على مجتمع المطورين والبحوث الأكاديمية، حيث قدما طرقًا فريدة لحل المهام البصرية المعقدة.
يعد فهم الاختلافات الهيكلية والمنهجية بين هذين النموذجين أمرًا بالغ الأهمية لمهندسي تعلم الآلة الذين يتطلعون إلى تحسين خطوط أنابيب النشر الخاصة بهم. في حين قدم YOLOv7 نهج "مجموعة المزايا المجانية" (bag-of-freebies) المصمم للإنتاجية الخام، ركز Ultralytics YOLOv8 على إنشاء نظام بيئي شامل وسهل الاستخدام يوازن بين الدقة العالية واستهلاك الذاكرة المنخفض وتعدد المهام.
Ultralytics YOLOv8: معيار النظام البيئي متعدد الاستخدامات#
تم إصدار YOLOv8 بواسطة Ultralytics في أوائل عام 2023، وهو يمثل تحولًا هيكليًا رئيسيًا عن سابقاته. لقد صُمم من الألف إلى الياء ليكون أكثر من مجرد كاشف للأشياء في الوقت الفعلي؛ إنه إطار عمل موحد قادر على التعامل مع مجموعة واسعة من مهام الرؤية بشكل جاهز.
- المؤلفون: Glenn Jocher، وAyush Chaurasia، وJing Qiu
- المنظمة: Ultralytics
- التاريخ: 2023-01-10
- GitHub: ultralytics/ultralytics
- التوثيق: توثيق YOLOv8
الابتكارات المعمارية#
قدم YOLOv8 رأس اكتشاف مبتكرًا بدون نقاط ربط (anchor-free). هذا يبسط عملية التدريب بشكل أساسي من خلال التخلص من الحاجة إلى تكوين صناديق الربط (anchor boxes) يدويًا بناءً على التوزيع المحدد لمجموعة البيانات المخصصة الخاصة بك. يجعل هذا الاختيار التصميمي النموذج قويًا للغاية وأسهل في التعميم عبر بيئات مختلفة.
بالإضافة إلى ذلك، تتميز البنية بـ وحدة C2f (عنق زجاجة جزئي عبر المراحل مع عمليتي التلتفاف)، وهي ترقية هيكلية تحسن تدفق التدرج وتسمح للشبكة العصبية بتعلم تمثيلات ميزات أغنى دون زيادة تكلفة الحساب بشكل كبير. هذا يجعل النموذج عالي الكفاءة عند تشغيل الاستدلال عبر أطر التعلم العميق القياسية مثل PyTorch.
تم تصميم نماذج Ultralytics YOLO لتحقيق أقصى قدر من كفاءة التدريب. وعادة ما تتطلب ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة بالبنيات القائمة على المحولات (transformer-based) أو شبكات CNN الأثقل. يتيح لك هذا التدريب باستخدام أحجام دفعات أكبر على أجهزة المستهلكين، مما يسرع دورة التطوير الخاصة بك.
YOLOv7: نهج "مجموعة المزايا المجانية"#
تم تقديم YOLOv7 في منتصف عام 2022 وسرعان ما أصبح خط أساس شائعًا في الأوساط الأكاديمية. ركز بشكل كبير على إعادة معلمات البنية وتحسين مسار التدرج لدفع حدود اكتشاف الأشياء في الوقت الفعلي على وحدات معالجة الرسومات (GPUs) المتطورة.
- المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
- المنظمة: معهد علوم المعلومات، أكاديمية سينيكا، تايوان
- التاريخ: 2022-07-06
- Arxiv: 2207.02696
- GitHub: WongKinYiu/yolov7
الابتكارات المعمارية#
يستخدم YOLOv7 شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN)، والتي تسمح للنموذج بتعلم ميزات أكثر تنوعًا بشكل مستمر. وهو يعتمد بشكل كبير على نموذج قائم على نقاط الربط (anchor-based) ويقدم "مجموعة مزايا مجانية" قابلة للتدريب - وهي مجموعة من طرق التحسين التي تحسن الدقة دون زيادة تكلفة الاستدلال.
بينما يحقق YOLOv7 أداءً ممتازًا على المعايير الأكاديمية القياسية مثل مجموعة بيانات MS COCO، فإن بنيته مُحسّنة بشكل كبير للمسرعات على مستوى الخوادم. قد يتطلب تصدير ونشر هذه النشر هذه النماذج على الأجهزة الطرفية أحيانًا مزيدًا من التكوين اليدوي مقارنة بالأطر الأكثر حداثة وانسيابية.
مقارنة مفصلة للأداء#
عند تقييم هذه النماذج، يعد المقايضة بين السرعة والدقة وحجم النموذج هو الاعتبار الأساسي. يسلط الجدول أدناه الضوء على مقاييس كلا النموذجين.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | 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 |
كما يظهر في البيانات، يحقق YOLOv8x أعلى دقة مطلقة (53.9 mAP)، بينما يوفر البديل النانوي (YOLOv8n) سرعات استدلال استثنائية وبصمة خفيفة الوزن للغاية. يجعل هذا التنوع YOLOv8 أكثر قدرة على التكيف مع بيئات الأجهزة المحدودة.
ميزة Ultralytics: سهولة الاستخدام والنظام البيئي#
في حين يوفر YOLOv7 مقاييس اكتشاف خام قوية، فإن Ultralytics YOLOv8 يتفوق عليه بشكل كبير من حيث تجربة المطور وتكامل النظام البيئي وقدرات تعدد المهام.
تنوع لا مثيل له#
YOLOv7 هو نموذج اكتشاف بشكل أساسي، مع فروع تجريبية لمهام أخرى. في المقابل، يدعم YOLOv8 أصليًا اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية، وصناديق التقييد الموجهة (OBB). يعني هذا النهج الموحد أن الفريق يمكنه تعلم واجهة برمجة تطبيقات واحدة ونشرها عبر متطلبات مشاريع مختلفة تمامًا.
النشر والتكاملات المبسطة#
يمكن أن يكون تصدير النموذج للإنتاج غالبًا عقبة. تتيح حزمة Ultralytics للمطورين التصدير إلى تنسيقات مثل ONNX، وTensorRT، وCoreML باستخدام سطر واحد من كود Python. هذا يتجنب مشكلات دعم المشغلين التي تواجه أحيانًا عند تصدير رسوم بيانية معقدة تعتمد على المرساة.
علاوة على ذلك، يتكامل YOLOv8 بسلاسة مع أدوات MLOps. سواء كنت تتتبع التجارب باستخدام Weights & Biases أو تختبر عمليات النشر على Hugging Face Spaces، فإن بيئة عمل Ultralytics تتولى المهام الثقيلة.
مثال برمجي: تدريب وتصدير YOLOv8#
يوضح الكود التالي بساطة Ultralytics Python API. يمكنك الانتقال من تهيئة نموذج إلى تدريبه وتصديره للنشر على الحافة في أقل من عشرة أسطر من الكود.
from ultralytics import YOLO
# Load a pretrained YOLOv8 nano model for fast inference
model = YOLO("yolov8n.pt")
# Train the model on the COCO8 dataset
# The API handles data loading, augmentation, and logging automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Export the trained model to ONNX format for deployment
model.export(format="onnx")يوفر استخدام دالة model.export() جسرًا فوريًا لمحركات الاستدلال عالية الأداء، مما يتيح لك دمج YOLOv8 بسهولة في تطبيقات الهاتف المحمول، أو الأنظمة المضمنة، أو خوادم السحابة عالية الإنتاجية.
حالات الاستخدام في العالم الحقيقي#
تحدد الاختلافات الهيكلية بين النموذجين سيناريوهات النشر المثالية لكل منهما.
متى تختار YOLOv8:
- الذكاء الاصطناعي على الحافة وأجهزة IoT: توفر نماذج Nano و Small فائقة السرعة تجعل YOLOv8 مثاليًا للأجهزة ذات القدرات الحسابية المحدودة، مثل الكاميرات الذكية أو الطائرات بدون طيار.
- مشاريع تعدد المهام: إذا كان خط الأنابيب الخاص بك يتطلب تتبع مفاصل الإنسان (تقدير الوضعية) مع رسم خرائط للعوائق في نفس الوقت (التجزئة)، فإن YOLOv8 يتعامل مع هذا أصليًا.
- النماذج الأولية السريعة إلى الإنتاج: تتيح توثيق Ultralytics الشاملة واجهة برمجة تطبيقات Python السلسة للفرق طرح المنتجات في السوق بشكل أسرع.
متى تفكر في YOLOv7:
- المقارنة المعيارية الأكاديمية: غالبًا ما يستخدم الباحثون الذين يدرسون تأثيرات تقنيات إعادة المعلمات YOLOv7 كخط أساس قياسي، كما يتضح من شعبيته على Papers With Code.
- خطوط أنابيب الخادم القديمة: إذا كان خط أنابيب الحوسبة الثقيلة الحالي محسّنًا بالفعل بشكل صارم حول مخرجات نقاط الربط المحددة لـ YOLOv7، فقد يكون من العملي صيانته على المدى القصير.
نظرة مستقبلية: الجيل القادم#
بينما يظل YOLOv8 قوة متعددة الاستخدامات، يتحرك مشهد الذكاء الاصطناعي بسرعة. بالنسبة للفرق التي تبدأ مشاريع جديدة، نوصي بشدة باستكشاف أحدث التطورات في تشكيلة Ultralytics.
يمثل الجيل الأحدث، YOLO26، ذروة ذكاء الرؤية الحالي. ويتميز بـ تصميم خالٍ من NMS من النهاية إلى النهاية، مما يلغي المعالجة اللاحقة لكبح غير الحد الأقصى لنشر أبسط وأسرع. مع إزالة خسارة بؤرة التوزيع (DFL) وإدخال مُحسِّن MuSGD المستوحى من نموذج لغة كبير (LLM)، يقدم YOLO26 تدريبًا أكثر استقرارًا واستدلال وحدة معالجة مركزية (CPU) أسرع بنسبة تصل إلى 43%. تعمل وظائف الخسارة المتقدمة ProgLoss + STAL على تحسين التعرف على الكائنات الصغيرة بشكل كبير، مما يجعله الخيار الأمثل للحوسبة الطرفية الحديثة وصور الأقمار الصناعية الجوية.
بالنسبة للمستخدمين المنتقلين من أنظمة أقدم، يظل YOLO11 القوي للغاية و**YOLOv5** الكلاسيكي مدعومين بالكامل داخل بيئة Ultralytics الموحدة، مما يضمن أنه مهما كانت قيود الأجهزة لديك، هناك نموذج انسيابي وعالي الأداء جاهز للنشر.