YOLOv9 مقابل YOLOv7#

كان السعي المستمر إلى الموازنة بين الكفاءة الحسابية والدقة العالية محركًا لتطور اكتشاف الكائنات الآني. ومن أبرز البنى في هذا المسار YOLOv9 وYOLOv7، وكلاهما من تطوير باحثين في معهد علوم المعلومات بأكاديميا سينيكا في تايوان. وبينما قدّم YOLOv7 مجموعة مجانية قابلة للتدريب أحدثت تحولًا، يتصدى YOLOv9 الأحدث مباشرةً لاختناقات المعلومات في التعلم العميق.

تستكشف هذه المقارنة التقنية الشاملة الاختلافات المعمارية ومقاييس الأداء وسيناريوهات النشر المثلى لكلا النموذجين، لمساعدة مهندسي تعلم الآلة والباحثين على اختيار الأداة المناسبة لمسارات عمل الرؤية الحاسوبية.

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج، تُعد الكفاءة والأداء الخام عاملين حاسمين. ويوضح الجدول التالي متوسط الدقة المتوسطة (mAP) والمتطلبات الحسابية في اختبارات الأداء القياسية على مجموعة بيانات COCO.

YOLOv9: معالجة اختناق المعلومات#

طُرح YOLOv9 في مطلع عام 2024، وأحدث تغييرًا جوهريًا في طريقة احتفاظ الشبكات العصبية العميقة بالبيانات عبر طبقاتها.

• المؤلفون: Chien-Yao Wang وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا
• التاريخ: 21 فبراير 2024
• المصادر: ورقة arXiv | مستودع GitHub

ابتكارات معمارية#

يقدّم YOLOv9 شبكة تجميع الطبقات الفعالة المعممة (GELAN) ومعلومات التدرج القابلة للبرمجة (PGI). تجمع GELAN بين نقاط قوة CSPNet وELAN لتحسين كفاءة المعلمات والتكلفة الحسابية، ما يضمن دقة عالية بعدد أقل من المعلمات. أما PGI فهي بنية إشراف مساعدة مصممة لمنع فقدان البيانات في الشبكات العميقة، وتولّد تدرجات موثوقة لتحديث الأوزان أثناء التدريب.

نقاط القوة والقيود#

تكمن نقطة القوة الرئيسية في YOLOv9 في قدرته على استخراج السمات الدقيقة دون عبء حسابي هائل، ما يجعله مناسبًا للغاية للمهام التي تتطلب دقة عالية للسمات، مثل تحليل الصور الطبية. ومع ذلك، قد تجعل بنية PGI المعقدة أثناء التدريب إجراء تعديلات معمارية مخصصة أصعب على المبتدئين مقارنةً بأطر العمل الأكثر توحيدًا.

تعرّف على المزيد عن YOLOv9

YOLOv7: رائد مجموعة المزايا المجانية#

وضع YOLOv7، الذي أُطلق في عام 2022، معيارًا جديدًا لما يمكن تحقيقه على الأجهزة الاستهلاكية، إذ قدّم ابتكارات بنيوية عززت سرعات الاستدلال الآني بدرجة كبيرة.

• المؤلفون: Chien-Yao Wang وAlexey Bochkovskiy وHong-Yuan Mark Liao
• المؤسسة: معهد علوم المعلومات، أكاديميا سينيكا
• التاريخ: 6 يوليو 2022
• المصادر: ورقة arXiv | مستودع GitHub

ابتكارات معمارية#

تتمثل المساهمة الأساسية لـ YOLOv7 في شبكة تجميع الطبقات الفعالة الممتدة (E-ELAN). تتيح هذه البنية للنموذج تعلّم سمات أكثر تنوعًا باستمرار. كما يستخدم YOLOv7 «مجموعة مزايا مجانية قابلة للتدريب»—وهي تقنيات مثل الالتفافات المعاد تحديد معلماتها مسبقًا وتعيين التسميات الديناميكي. تحسّن هذه الأساليب دقة النموذج أثناء التدريب دون إضافة تكاليف للاستدلال عند النشر.

نقاط القوة والقيود#

حُسّن YOLOv7 بدرجة كبيرة للمعالجة الطرفية الآنية، ولا يزال عنصرًا أساسيًا في الأنظمة القديمة وبيئات CUDA الأقدم. ويتمثل قيده الأساسي حاليًا في كبر حجم معلماته مقارنةً بالنماذج الأحدث. وكما يوضح جدول الأداء، يتطلب تحقيق دقة من الفئة العليا نموذج YOLOv7x الضخم، الذي يحتاج إلى ذاكرة GPU أكبر بكثير من البنى الحديثة المماثلة.

تعرّف على المزيد عن YOLOv7

ميزة Ultralytics: تبسيط النشر#

رغم أن مستودعات الأبحاث الأصلية لـ YOLOv9 وYOLOv7 توفر أسسًا أكاديمية ممتازة، فإن نشر هذين النموذجين في بيئات الإنتاج قد يكون معقدًا. ويوفر دمج YOLOv9 عبر حزمة ultralytics (لا يُدعم YOLOv7 إلا عبر نماذج ONNX أو TensorRT المُصدّرة) سهولة استخدام لا مثيل لها.

من خلال استخدام منصة Ultralytics المتكاملة، يستفيد المطورون من منظومة مصانة جيدًا، تضم Python API سهلة الاستخدام ودعمًا نشطًا من المجتمع وتتبّعًا متينًا للتجارب.

الاستعداد للمستقبل مع YOLO26#

إذا كنت تبدأ مشروعًا جديدًا في الرؤية الحاسوبية، فنوصي بشدة باستكشاف YOLO26 الذي أُطلق حديثًا، بدلًا من YOLOv9 وYOLOv7. وباعتباره المعيار الجديد لأحدث التقنيات، يقدم YOLO26 تطورات رائدة:

• تصميم شامل خالٍ من NMS: يتجاوز الرأس الاختياري أحادي المطابقة (nms=False) مرحلة المعالجة اللاحقة للكبت غير الأقصى، ما يقلل تعقيد النشر وزمن الاستجابة بدرجة كبيرة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: محسّن لبيئات الحوسبة الطرفية، ما يضمن تشغيل تطبيقك بسلاسة حتى دون وحدات GPU مخصصة.
• مُحسِّن MuSGD: مُحسِّن هجين مستوحى من تدريب النماذج اللغوية الكبيرة، يحقق تقاربًا مستقرًا للغاية ويقلل وقت التدريب.
• إزالة DFL: تبسيط تصدير النموذج بإزالة Distribution Focal Loss، مما يعزز التوافق مع الأجهزة المحمولة منخفضة الطاقة.
• ProgLoss + STAL: يحسّن أداء اكتشاف الأجسام الصغيرة تحسنًا كبيرًا، مما يجعله الخيار الأمثل لـالصور الجوية والمراقبة.

تشمل البدائل الشائعة الأخرى ضمن المنظومة Ultralytics YOLOv8 وYOLO11، وكلاهما يوفر مرونة كبيرة في مهام مثل تقسيم الكائنات وتقدير الوضعيات.

مثال على التنفيذ#

إن تدريب YOLOv9 أو YOLO26 وتصديرهما سهل للغاية باستخدام API موحّد. يوضح الرمز أدناه كفاءة التدريب التي تميز أدوات Ultralytics.

from ultralytics import YOLO

# ⁨تهيئة نموذج YOLOv9 أو نموذج YOLO26 الموصى به⁩
model = YOLO("yolov9c.pt")  # ⁨استبدل بـ "yolo26n.pt" للحصول على أداء أسرع على الأجهزة الطرفية⁩

# ⁨التدريب على مجموعة بيانات مخصصة مع تعزيز البيانات المدمج⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, batch=16, device=0)

# ⁨تصدير النموذج المدرّب إلى تنسيق ONNX لنشره⁩
model.export(format="onnx")

التطبيقات الواقعية وحالات الاستخدام المثالية#

غالبًا ما يتوقف الاختيار بين هذه البنى على القيود المحددة لبيئة الإنتاج لديك.

متى تستخدم YOLOv9: يتفوق YOLOv9 في البيئات التي تتطلب الاحتفاظ بأدق التفاصيل. ويجعل استخراجه القوي للميزات منه خيارًا مثاليًا لـتحليلات تجارة التجزئة لحساب المنتجات المتراصة بكثافة على الرفوف، أو للتطبيقات الزراعية التي يكون فيها التعرف على أمراض المحاصيل في مراحلها المبكرة على الأوراق الصغيرة أمرًا بالغ الأهمية.

متى تستخدم YOLOv7: يظل YOLOv7 خيارًا قويًا لخطوط النشر القديمة. فإذا كنت تدمج النموذج في أنظمة أجهزة قديمة (مثل بعض أجيال Google Coral Edge TPU)، فقد يكون تجميع بنية CNN المباشرة في YOLOv7 أسهل من تجميع النماذج الأحدث.

متى تستخدم YOLO26 (موصى به): يُعد YOLO26 الخيار الأفضل لأي عملية نشر حديثة، من الطائرات المسيّرة ذاتية التشغيل إلى إدارة حركة المرور في المدن الذكية. وتضمن بنيته الخالية من NMS أزمنة استدلال حتمية، وهو أمر أساسي للروبوتات الحساسة للسلامة، فيما تتفوق دقته العالية على YOLOv9 وYOLOv7 في جميع المجالات.