YOLOv9 مقابل YOLOv7
كان التطور في اكتشاف الأجسام الآني مدفوعًا بجهود متواصلة لتحقيق التوازن بين الكفاءة الحاسوبية والدقة العالية. ومن أبرز البنى في هذا المسار YOLOv9 وYOLOv7، وكلاهما طوّره باحثون في معهد علوم المعلومات التابع لأكاديميا سينيكا في تايوان. فبينما قدّم YOLOv7 نهج حزمة المزايا المجانية القابلة للتدريب، يتصدى YOLOv9 الأحدث مباشرةً للاختناقات المعلوماتية في التعلم العميق.
تستكشف هذه المقارنة التقنية الاختلافات المعمارية ومقاييس الأداء وسيناريوهات النشر المثالية لكلا النموذجين، لمساعدة مهندسي التعلم الآلي والباحثين على اختيار الأداة المناسبة لمسارات معالجة الرؤية الحاسوبية.
مقارنة الأداء والمقاييس#
عند مقارنة هذه النماذج، تُعدّ مؤشرات الأداء الخام والكفاءة عوامل حاسمة. يوضح الجدول التالي متوسط الدقة (mAP) والمتطلبات الحاسوبية على معيار مجموعة بيانات COCO القياسي.
| النموذج | الحجم (بكسل) | mAPval50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
لاحظ أن YOLOv9c يحقق دقة تقارب دقة YOLOv7x (53.0 mAP مقابل 53.1 mAP)، مع استخدام معلمات أقل بنحو 64% (25.5M مقابل 71.3M) ونحو نصف عدد FLOPs (102.8B مقابل 189.9B)، ما يوضح مدى تحسن التوازن بين الدقة والكفاءة في البنى الحديثة.
YOLOv9: معالجة اختناق المعلومات#
غيّر YOLOv9، الذي طُرح في أوائل 2024، طريقة احتفاظ الشبكات العصبية العميقة بالمعلومات 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#
يقدم YOLOv9 شبكة تجميع الطبقات الفعالة المعممة (GELAN) ومعلومات التدرج القابلة للبرمجة (PGI). تجمع GELAN بين نقاط قوة CSPNet وELAN لتحسين كفاءة المعلمات والتكلفة الحاسوبية، محققةً دقة عالية بعدد أقل من المعلمات. أما PGI فهو إطار إشراف مساعد مصمم لمنع فقدان البيانات في الشبكات العميقة، وينشئ تدرجات موثوقة لتحديث الأوزان أثناء التدريب.
نقاط القوة والقيود#
تكمن القوة الرئيسية لـ YOLOv9 في قدرته على استخلاص السمات الدقيقة دون أعباء حاسوبية كبيرة، ما يجعله ملائمًا للمهام التي تتطلب دقة عالية للسمات، مثل تحليل الصور الطبية. إلا أن بنية PGI المعقدة أثناء التدريب قد تجعل التعديلات المعمارية المخصصة أكثر صعوبة للمبتدئين مقارنةً بأطر العمل الأكثر توحيدًا.
YOLOv7: رائد مجموعة المزايا المجانية#
وضع YOLOv7، الذي صدر في 2022، معيارًا جديدًا للكشف الآني، وقدم ابتكارات بنيوية حسّنت بدرجة كبيرة سرعات الاستدلال الآني.
- 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 لمعالجة البيانات الطرفية آنياً، ولا يزال عنصرًا أساسيًا في الأنظمة القديمة وبيئات CUDA الأقدم. ويتمثل قيده الأساسي اليوم في كبر حجم معلماته مقارنةً بالنماذج الأحدث. وكما يوضح جدول الأداء، يتطلب تحقيق دقة من المستوى الأعلى استخدام نموذج YOLOv7x الأكبر، الذي يحتاج إلى ذاكرة GPU أكبر بكثير من البنى الحديثة المكافئة.
ميزة Ultralytics: تبسيط النشر#
على الرغم من أن مستودعات الأبحاث الأصلية لـ YOLOv9 وYOLOv7 تقدم أسسًا أكاديمية ممتازة، فقد يكون نشر النموذجين في بيئات الإنتاج معقدًا. ويسهّل كثيرًا نشر YOLOv9 عبر حزمة ultralytics (إذ لا يُدعم YOLOv7 إلا عبر نماذج ONNX أو TensorRT المُصدّرة).
باستخدام منصة Ultralytics، يستفيد المطورون من منظومة جيدة الصيانة تضم واجهة Python سهلة الاستخدام، ودعمًا نشطًا من المجتمع، وميزات قوية لـتتبع التجارب.
الاستعداد للمستقبل مع YOLO26#
إذا كنت تبدأ مشروعًا جديدًا في الرؤية الحاسوبية، توصي Ultralytics باستخدام YOLO26، الذي صدر في يناير 2026، بدلًا من YOLOv9 وYOLOv7. ويقدم YOLO26 عدة تحسينات:
- تصميم شامل خالٍ من NMS: يتجاوز رأس أحادي إلى واحد اختياري (
nms=False) المعالجة اللاحقة لـالكبت غير الأقصى (NMS)، ما يقلل تعقيد النشر وزمن الاستجابة. - استدلال على CPU أسرع بنسبة تصل إلى 43%: يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، لذا تعمل التطبيقات بسلاسة في بيئات الحوسبة الطرفية حتى دون وحدات GPU مخصصة.
- مُحسِّن MuSGD: مزيج من SGD وMuon مستوحى من تدريب نماذج اللغة الكبيرة، يحقق تقاربًا مستقرًا ويقلل مدة التدريب.
- إزالة DFL: تبسيط تصدير النموذج بإزالة Distribution Focal Loss، مما يعزز التوافق مع الأجهزة المحمولة منخفضة الطاقة.
- ProgLoss + STAL: تحسّن الخسارة التدريجية وإسناد التسميات المراعي للأهداف الصغيرة (STAL) اكتشاف الأجسام الصغيرة، ما يعود بالنفع على الصور الجوية والمراقبة.
تشمل البدائل الشائعة الأخرى ضمن المنظومة Ultralytics YOLOv8 وYOLO11، وكلاهما يدعم مهام متعددة مثل تجزئة المثيلات وتقدير الوضعيات.
مثال على التنفيذ#
يُعد تدريب YOLOv9 أو YOLO26 وتصديرهما أمرًا بسيطًا باستخدام الواجهة البرمجية الموحدة، كما يوضح المثال البرمجي أدناه.
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")تُعد كفاءة الذاكرة أمرًا بالغ الأهمية عند التدريب على الأجهزة الاستهلاكية. وقد حُسّنت تطبيقات Ultralytics لكل من YOLOv9 وYOLO26 لتقليل استهلاك VRAM، على عكس النماذج القائمة على Transformer (مثل RT-DETR)، التي غالبًا ما تتطلب ذاكرة أكبر بكثير أثناء التدريب.
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 بالتفاصيل الدقيقة. ويجعله استخلاص السمات القوي ملائمًا لـتحليلات البيع بالتجزئة لعدّ المنتجات المتراصة بكثافة على الرفوف، وكذلك للتطبيقات الزراعية التي يكون فيها اكتشاف 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 الأقوى لأي عملية نشر حديثة، من الطائرات المسيّرة ذاتية التشغيل إلى إدارة حركة المرور في المدن الذكية. وتوفر بنيته الخالية من NMS أزمنة استدلال أكثر قابلية للتوقع، وهو أمر مهم للروبوتات الحساسة للسلامة، كما تتجاوز دقته دقة YOLOv9 وYOLOv7 عند أحجام مماثلة.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.