مقارنة بين YOLOv9 و YOLOv7#
لقد قاد السعي المستمر لتحقيق التوازن بين كفاءة الحوسبة والدقة العالية تطور object detection في الوقت الفعلي. وهناك معماريتان بارزتان في هذه المسيرة وهما YOLOv9 و YOLOv7، واللتان تم تطويرهما بواسطة باحثين في معهد علوم المعلومات، أكاديمية سينيكا في تايوان. وفي الوقت الذي قدمت فيه YOLOv7 مجموعة من الإضافات القابلة للتدريب الثورية، تعالج YOLOv9 الأحدث الاختناقات في معلومات التعلم العميق بشكل مباشر.
تستكشف هذه المقارنة التقنية الشاملة الاختلافات المعمارية، وperformance metrics, وسيناريوهات النشر المثالية لكلا النموذجين، مما يساعد مهندسي وباحثي التعلم الآلي في اختيار الأداة المناسبة لخطوط أنابيب الرؤية الحاسوبية الخاصة بهم.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج، تعد الدقة الخام والكفاءة من العوامل الحاسمة. يوضح الجدول التالي متوسط الدقة (mAP) والمتطلبات الحسابية لمقاييس مجموعة بيانات COCO القياسية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
لاحظ كيف تحافظ YOLOv9c على نفس الدقة تقريبًا (53.0 mAP) مثل YOLOv7x (53.1 mAP) بينما تستخدم معاملات أقل بشكل ملحوظ (25.3M مقابل 71.3M) وعمليات فاصلة عائمة (FLOPs). وهذا يوضح تحسينات Performance Balance في المعماريات الحديثة.
YOLOv9: حل اختناق المعلومات#
أحدثت YOLOv9، التي تم تقديمها في أوائل عام 2024، تغييرًا جذريًا في كيفية احتفاظ الشبكات العصبية العميقة بالبيانات عبر طبقاتها.
- المؤلفون: Chien-Yao Wang و Hong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديمية سينيكا
- التاريخ: 21 فبراير 2024
- الموارد: Arxiv Paper | GitHub Repository
الابتكارات المعمارية#
تقدم YOLOv9 شبكة تجميع الطبقات الفعالة المعممة (GELAN) ومعلومات التدرج القابلة للبرمجة (PGI). تدمج GELAN بين نقاط قوة CSPNet و ELAN لتحسين كفاءة المعلمات والتكلفة الحسابية، مما يضمن دقة عالية مع عدد أقل من المعلمات. تعد PGI إطار عمل إشرافي مساعد مصمم لمنع فقدان البيانات في الشبكات العميقة، حيث تولد تدرجات موثوقة لتحديث الأوزان أثناء عملية التدريب.
نقاط القوة والقيود#
تكمن القوة الرئيسية لـ YOLOv9 في قدرتها على استخراج الميزات الدقيقة دون عبء حسابي هائل، مما يجعلها قادرة بشكل لا يصدق على المهام التي تتطلب دقة عالية للميزات، مثل medical image analysis. ومع ذلك، فإن هيكل PGI المعقد أثناء التدريب يمكن أن يجعل تعديلات البنية المخصصة أكثر تحديًا للمبتدئين مقارنة بالأطر الأكثر توحيدًا.
YOLOv7: الرائد في مفهوم حقيبة الهدايا#
تم إطلاق YOLOv7 في عام 2022، حيث وضعت معيارًا جديدًا لما كان ممكنًا على الأجهزة الاستهلاكية، وأدخلت ابتكارات هيكلية عززت بشكل كبير سرعات real-time inference.
- المؤلفون: Chien-Yao Wang و Alexey Bochkovskiy و Hong-Yuan Mark Liao
- المؤسسة: معهد علوم المعلومات، أكاديمية سينيكا
- التاريخ: 6 يوليو 2022
- الموارد: Arxiv Paper | GitHub Repository
الابتكارات المعمارية#
تتمثل المساهمة الجوهرية لـ YOLOv7 في شبكة تجميع الطبقات الفعالة الموسعة (E-ELAN). تمكن هذه المعمارية النموذج من تعلم ميزات أكثر تنوعًا بشكل مستمر. بالإضافة إلى ذلك، تستخدم YOLOv7 "حقيبة هدايا قابلة للتدريب"، وهي تقنيات مثل الالتفافات المعاد تهيئتها المخطط لها وتعيين التصنيفات الديناميكي. تعمل هذه الأساليب على تحسين دقة النموذج أثناء التدريب دون إضافة تكاليف استدلال أثناء النشر.
نقاط القوة والقيود#
تم تحسين YOLOv7 بشكل كبير لمعالجة الحافة في الوقت الفعلي ولا تزال ركيزة أساسية في الأنظمة القديمة وCUDA environments الأقدم. ويتمثل قيدها الأساسي اليوم في حجم معاملاتها الأكبر مقارنة بالنماذج الأحدث. وكما هو موضح في جدول الأداء، يتطلب تحقيق الدقة من الفئة الأولى نموذج YOLOv7x الثقيل، والذي يتطلب قدرًا أكبر بكثير من GPU memory مقارنة بالمعماريات الحديثة المكافئة.
ميزة Ultralytics: نشر مبسط#
على الرغم من أن مستودعات الأبحاث الأصلية لـ YOLOv9 و YOLOv7 توفر أسسًا أكاديمية ممتازة، إلا أن نشر هذه النماذج في بيئات الإنتاج يمكن أن يكون معقدًا. ويوفر دمجها من خلال حزمة ultralytics ميزة سهولة الاستخدام التي لا مثيل لها.
من خلال الاستفادة من Ultralytics Platform المتكاملة، يستفيد المطورون من نظام بيئي مُدار جيدًا يضم واجهة برمجة تطبيقات Python بديهية، ودعم مجتمعي نشط، وتتبع experiment tracking قوي.
استشراف المستقبل مع YOLO26#
إذا كنت تبدأ مشروع رؤية حاسوبية جديدًا، فإننا نوصي بشدة باكتشاف YOLO26 الذي تم إصداره حديثًا على كل من YOLOv9 و YOLOv7. تم إصداره كمعيار جديد للحالة الراهنة، ويقدم YOLO26 تطورات رائدة:
- تصميم بدون NMS من البداية للنهاية: يلغي معالجة ما بعد الاستدلال الخاصة بـ Non-Maximum Suppression، مما يقلل بشكل كبير من تعقيد النشر وزمن الاستجابة.
- استنتاج CPU أسرع بنسبة تصل إلى 43%: مُحسّن لبيئات edge computing، مما يضمن تشغيل تطبيقك بسلاسة حتى بدون وحدات معالجة رسومية مخصصة.
- مُحسِّن MuSGD: مُحسِّن هجين مستوحى من تدريب نماذج اللغة الكبيرة (LLM)، يوفر تقاربًا مستقرًا للغاية ويقلل من وقت التدريب.
- إزالة DFL: تبسيط تصدير النموذج عن طريق إزالة Distribution Focal Loss، مما يعزز التوافق مع الأجهزة المحمولة منخفضة الطاقة.
- ProgLoss + STAL: يساهم بشكل كبير في تحسين الأداء في اكتشاف الكائنات الصغيرة، مما يجعله الخيار الأفضل لـ aerial imagery والمراقبة.
تشمل البدائل الشائعة الأخرى داخل النظام البيئي Ultralytics YOLOv8 و YOLO11، وكلاهما يوفر مرونة هائلة عبر مهام مثل instance segmentation و pose estimation.
مثال على التنفيذ#
إن تدريب وتصدير أي من هذه المعماريات بسيط للغاية باستخدام واجهة برمجة التطبيقات الموحدة. يوضح الكود أدناه خاصية كفاءة التدريب المبسطة لأدوات Ultralytics.
from ultralytics import YOLO
# Initialize YOLOv9 or the recommended YOLO26 model
model = YOLO("yolov9c.pt") # Swap with "yolo26n.pt" for faster edge performance
# Train on a custom dataset with built-in data augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)
# Export the trained model to ONNX format for deployment
model.export(format="onnx")عند التدريب على أجهزة من فئة المستهلكين، تعد كفاءة الذاكرة أمرًا بالغ الأهمية. تم تحسين تطبيقات Ultralytics لـ YOLOv9 و YOLO26 بشكل كبير لتقليل ارتفاع استهلاك VRAM، على عكس النماذج القائمة على Transformer (مثل RT-DETR) التي تعاني غالبًا من تضخم الذاكرة الشديد أثناء التدريب.
تطبيقات العالم الحقيقي وحالات الاستخدام المثالية#
غالبًا ما يعتمد الاختيار بين هذه المعماريات على القيود المحددة لبيئة الإنتاج الخاصة بك.
متى تستخدم YOLOv9: تتفوق YOLOv9 في البيئات التي تتطلب الاحتفاظ بالتفاصيل الدقيقة. يجعل استخراج الميزات القوي منها مثالية لـ retail analytics لعد المنتجات المتراصة بكثافة على الأرفف أو للتطبيقات الزراعية حيث يكون تحديد أمراض المحاصيل في مراحلها المبكرة على الأوراق الصغيرة أمرًا بالغ الأهمية.
متى تستخدم YOLOv7: تظل YOLOv7 مرشحًا قويًا لخطوط أنابيب النشر القديمة. إذا كنت تقوم بالدج في أنظمة أجهزة قديمة (مثل أجيال معينة من Google Coral Edge TPU)، فقد يكون من الأسهل تجميع بنية شبكة CNN البسيطة لـ YOLOv7 مقارنة بفروع التدرج الأكثر تعقيدًا في النماذج الأحدث.
متى تستخدم YOLO26 (موصى به): لأي نشر حديث—بدءًا من الطائرات بدون طيار المستقلة إلى traffic management في المدن الذكية—يعد YOLO26 الخيار المتفوق. تضمن بنيته الخالية من خوارزمية NMS أوقات استنتاج حتمية، وهو أمر أساسي للروبوتات الحرجة من حيث الأمان، بينما تتفوق دقته العالية على كل من YOLOv9 و YOLOv7 في جميع المجالات.