نماذج ومنصات الذكاء الاصطناعي

YOLOv7: هل هي خوارزمية كشف الأجسام الأكثر تقدمًا؟

Kunal Kejriwal
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيقدم YOLOv7 طريقة قياس مركبة مصممة خصيصًا للهندسات المعتمدة على التسلسل مثل هندسته…
عرض المزيد
  • يقدم YOLOv7 طريقة قياس مركبة مصممة خصيصًا للهندسات المعتمدة على التسلسل مثل هندسته الخاصة.
  • يستبدل الخوارزمية التخصيص الديناميكي للعلامات بنهج توجيهي تدريجي من الخشن إلى الدقيق لتحقيق استقرار التدريب.
  • يحسن YOLOv7 التدريب من خلال 'حقيبة التدريب القابلة للتعلم' التي تزيد الدقة دون رفع تكلفة الاستدلال.

سيُذكر يوم 6 يوليو 2022 بوصفه محطة بارزة في تاريخ الذكاء الاصطناعي، إذ صدر فيه YOLOv7. ومنذ إطلاقه أصبح من أبرز موضوعات النقاش في مجتمع مطوري الرؤية الحاسوبية، ولأسباب وجيهة. فهو يُعد بالفعل علامة فارقة في مجال كشف الأجسام.

بعد وقت قصير من نشر الورقة البحثية عن YOLOv7، برز بوصفه أسرع نماذج كشف الأجسام في الزمن الحقيقي وأكثرها دقة. لكن كيف يتفوق على أسلافه؟ وما الذي يجعله فعالًا إلى هذا الحد في مهام الرؤية الحاسوبية؟

سنحلل في هذا المقال نموذج YOLOv7 ونحاول فهم سبب تحوله إلى معيار في المجال. وقبل ذلك، سنستعرض بإيجاز تاريخ كشف الأجسام.

ما كشف الأجسام؟

كشف الأجسام فرع من الرؤية الحاسوبية يتعرف على الأجسام ويحدد مواضعها في صورة أو ملف فيديو. وهو أساس تطبيقات عديدة، منها السيارات ذاتية القيادة وأنظمة المراقبة والروبوتات.

يمكن تصنيف نماذج كشف الأجسام إلى فئتين: كواشف ذات مرور واحد و كواشف ذات مرور متعدد.

كشف الأجسام في الزمن الحقيقي

لفهم عمل YOLOv7، لا بد من فهم هدفه الأساسي، وهوكشف الأجسام في الزمن الحقيقي. وهذا مكون رئيسي في الرؤية الحاسوبية الحديثة. تحاول هذه النماذج التعرف على الأجسام محل الاهتمام وتحديد مواضعها فورًا، مما يتيح للمطورين تتبعها بكفاءة في تسلسل متحرك، مثل الفيديو أو بث المراقبة المباشر.

تمثل نماذج الكشف في الزمن الحقيقي خطوة تتجاوز نماذج الكشف التقليدية في الصور. فالأولى تُستخدم لتتبع الأجسام في ملفات الفيديو، بينما تتعرف الثانية على الأجسام وتحدد مواضعها داخل إطار ثابت كالصورة.

لذلك تكون نماذج الكشف في الزمن الحقيقي فعالة في تحليل الفيديو والمركبات ذاتية القيادة وعد الأجسام وتتبع عدة أجسام وغيرها من التطبيقات.

ما YOLO؟

YOLO اختصار لعبارة «You Only Look Once»، أي «تنظر مرة واحدة فقط»، وهو عائلة من نماذج كشف الأجسام في الزمن الحقيقي. قدم جوزيف ريدمون المفهوم عام 2016، وسرعان ما لفت الأنظار لأنه كان أسرع وأدق بكثير من الخوارزميات الموجودة حينها. ولم يمض وقت طويل حتى أصبح معيارًا في الرؤية الحاسوبية.

الفكرة الأساسية في YOLO هي استخدام شبكة عصبية متكاملة من البداية إلى النهاية، تعتمد على الصناديق المحيطة واحتمالات الفئات لإجراء التنبؤات في الزمن الحقيقي. وتميز عن النماذج السابقة باقتراح نهج مختلف للكشف، عبر إعادة توظيف المصنفات.

نجح هذا التغيير؛ فأصبح YOLO معيارًا سريعًا بسبب الفارق الكبير بين أدائه وأداء خوارزميات الكشف الأخرى في الزمن الحقيقي. لكن ما سبب هذه الكفاءة؟

كانت الخوارزميات آنذاك تستخدم شبكات اقتراح المناطق لتحديد مواضع محتملة للاهتمام، ثم تجري التعرف على كل منطقة على حدة. ولذلك كانت تعالج الصورة نفسها عبر تكرارات متعددة، مع دقة أقل وزمن تنفيذ أطول. أما YOLO فيستخدم طبقة واحدة كاملة الاتصال لإجراء التنبؤ دفعة واحدة.

كيف يعمل YOLO؟

يمكن شرح عمل خوارزمية YOLO في ثلاث خطوات.

إعادة صياغة الكشف باعتباره مسألة انحدار واحدة

تحاول خوارزمية YOLO إعادة صياغة كشف الأجسام باعتباره مسألة انحدار واحدة، تربط بكسلات الصورة باحتمالات الفئات وإحداثيات الصناديق المحيطة. لذا يكفي أن تنظر إلى الصورة مرة واحدة لتتنبأ بالأجسام المستهدفة وتحدد مواضعها.

تحليل الصورة بوصفها كلًا متكاملًا

كذلك، عندما يجري YOLO التنبؤات، ينظر إلى الصورة ككل. فهو يختلف عن تقنيات اقتراح المناطق والنوافذ المنزلقة، لأنه يرى الصورة الكاملة أثناء التدريب والاختبار، ويستطيع ترميز المعلومات السياقية عن الفئات وكيفية ظهورها.

قبل YOLO كان Fast R-CNN من أشهر خوارزميات الكشف، لكنه لم يستوعب السياق الأوسع وكان يخلط بين أجزاء الخلفية والأجسام. مقارنةً بخوارزمية Fast R-CNN، يتميز YOLO بدقة أعلى بنسبة 50% فيما يتعلق بأخطاء الخلفية.

تعميم تمثيلات الأجسام

يسعى YOLO أيضًا إلى تعميم تمثيلات الأجسام في الصور. وعندما شُغّل وقُيّم على مجموعة صور طبيعية، تفوق بفارق كبير على نماذج R-CNN الموجودة. وبفضل قابليته العالية للتعميم، تقل احتمالات فشله عند التعامل مع مدخلات غير متوقعة أو مجالات جديدة.

YOLOv7: ما الجديد؟

بعد أن تعرفنا على أساسيات الكشف في الزمن الحقيقي وعلى YOLO، حان وقت مناقشة YOLOv7.

تحسين عملية التدريب

يسعى YOLOv7 إلى تحسين بنية النموذج وعملية التدريب معًا. ويستخدم وحدات وطرق تحسين لرفع دقة الكشف، مع تعديل تكلفة التدريب والإبقاء على تكلفة الاستدلال. ويمكن وصف هذه الوحدات بأنها حزمة تقنيات قابلة للتدريب لا تضيف تكلفة أثناء الاستدلال، أو «trainable bag of freebies».

إسناد التسميات من الخشن إلى الدقيق بتوجيه الرأس الرئيسي

يقترح YOLOv7 إسنادًا جديدًا للتسميات من الخشن إلى الدقيق، بتوجيه الرأس الرئيسي، بدلًا من الإسناد الديناميكي التقليدي للتسميات. فالإسناد الديناميكي يسبب مشكلات عند تدريب نموذج متعدد طبقات الإخراج، وأبرزها كيفية توزيع الأهداف الديناميكية على الفروع المختلفة ومخرجاتها.

إعادة تحديد معلمات النموذج

إعادة تحديد المعلمات مفهوم مهم في كشف الأجسام، لكن استخدامها قد يصاحبه مشكلات أثناء التدريب. ويعتمد YOLOv7 على مسار انتشار التدرج لتحليل استراتيجيات إعادة تحديد المعلمات التي تناسب طبقات الشبكة المختلفة.

التوسيع الممتد والمركب

يقدم YOLOv7 أيضًا طرق التوسيع الممتد والمركب لاستخدام المعلمات والحسابات بكفاءة في كشف الأجسام في الزمن الحقيقي.

YOLOv7: أعمال ذات صلة

كشف الأجسام في الزمن الحقيقي

YOLO معيار في المجال، وتستخدم معظم الكواشف الآنية خوارزميات YOLO وFCOS، أي Fully Convolutional One-Stage Object-Detection. وعادةً يتصف الكاشف المتقدم بما يلي:

  • بنية شبكة أقوى وأسرع.
  • طريقة فعالة لدمج السمات.
  • طريقة دقيقة لكشف الأجسام.
  • دالة خسارة متينة.
  • طريقة فعالة لإسناد التسميات.
  • طريقة تدريب فعالة.

لا يستخدم YOLOv7 التعلم ذاتي الإشراف أو طرق التقطير التي تتطلب غالبًا بيانات كثيرة. بل يستخدم حزمة التقنيات القابلة للتدريب دون تكلفة إضافية أثناء الاستدلال.

إعادة تحديد معلمات النموذج

تُعد إعادة تحديد المعلمات تقنية تجميع تدمج عدة وحدات حسابية في مرحلة الاستدلال. وتنقسم إلى فئتين: التجميع على مستوى النموذج و التجميع على مستوى الوحدة.

للحصول على نموذج الاستدلال النهائي، تتبع إعادة تحديد المعلمات على مستوى النموذج طريقتين. الأولى تدريب نماذج متطابقة عديدة ببيانات مختلفة ثم حساب متوسط أوزانها. والثانية حساب متوسط أوزان النماذج عبر تكرارات مختلفة.

تزداد شعبية إعادة تحديد المعلمات على مستوى الوحدة؛ إذ تُقسم الوحدة أثناء التدريب إلى فروع مختلفة أو متطابقة، ثم تُدمج في وحدة مكافئة أثناء الاستدلال.

لكن هذه التقنيات لا تناسب جميع البنى. ولذلك يستخدم YOLOv7 تقنيات جديدة لإعادة تحديد المعلمات من أجل تصميم استراتيجيات تلائم البنى المختلفة.

تغيير حجم النموذج

يعني تغيير الحجم تكبير النموذج أو تصغيره ليلائم أجهزة حوسبة مختلفة. وتشمل العوامل عدد الطبقات (العمق)، وحجم صور الإدخال (الدقة)، وعدد أهرام السمات (المراحل)، وعدد القنوات (العرض). وهذه العوامل أساسية لتحقيق توازن بين معلمات الشبكة وسرعة الاستدلال والحسابات والدقة.

من أكثر الطرق استخدامًا البحث في بنية الشبكة، أو NAS، الذي يبحث آليًا عن عوامل تغيير الحجم المناسبة في فضاء بحث، دون قواعد معقدة. وعيبه الرئيسي ارتفاع تكلفة هذا البحث.

تحلل معظم نماذج إعادة تحديد المعلمات عوامل تغيير الحجم الفردية وتحسنها بصورة مستقلة، لأن بنية NAS تعمل بعوامل غير مترابطة.

في النماذج القائمة على الوصل، مثل VoVNet أو DenseNet، يتغير عرض إدخال بعض الطبقات عند تغيير عمق النموذج. ويعمل YOLOv7 ببنية مقترحة قائمة على الوصل، لذلك يستخدم طريقة تغيير حجم مركبة.

يقارن الشكل السابق شبكات التجميع الكفء الممتد للطبقات (E-ELAN) في نماذج مختلفة. تحافظ الطريقة المقترحة على مسار انتقال التدرج في البنية الأصلية، لكنها تزيد عدد عناصر السمات المضافة باستخدام الالتفاف المجموعي. ويمكن أن يثري ذلك السمات المتعلمة من خرائط مختلفة ويحسن كفاءة الحسابات والمعلمات.

بنية YOLOv7

يعتمد YOLOv7 على YOLOv4 وYOLO-R وScaled YOLOv4. وهو ثمرة التجارب على هذه النماذج لتحسين النتائج وزيادة الدقة.

شبكة التجميع الكفء الممتد للطبقات، أو E-ELAN

تمثل E-ELAN لبنة YOLOv7 الأساسية، وهي مشتقة من نماذج سابقة لكفاءة الشبكات، وعلى رأسها ELAN.

عند تصميم بنية فعالة، تشمل الاعتبارات الأساسية عدد المعلمات والكثافة الحسابية وحجم الحسابات. وتنظر نماذج أخرى أيضًا في نسبة قنوات الإدخال إلى الإخراج، وفروع الشبكة، وسرعة الاستدلال، وعدد العناصر في موترات الشبكة الالتفافية، وغيرها.

لا يكتفي نموذج CSPVoNet بهذه العوامل، بل يحلل مسار التدرج لتعلم سمات أكثر تنوعًا من خلال أوزان الطبقات المختلفة. ويتيح ذلك استدلالًا أسرع وأدق. وتسعى بنية ELAN إلى تصميم شبكة فعالة بالتحكم في أقصر مسارات التدرج وأطولها، لتحسين التعلم والتقارب.

وصلت ELAN بالفعل إلى حالة مستقرة من حيث عدد كتل الحساب المكدسة وطول مسار التدرج. وقد يؤدي تكديس الكتل بلا حدود إلى زعزعة الاستقرار وتقليل الاستفادة من المعلمات. تعالج بنية E-ELAN المقترحة المشكلة بتوسيع عدد العناصر وخلطها ودمجها ، لتحسين قدرة الشبكة على التعلم باستمرار مع الحفاظ على مسار التدرج الأصلي.

عند مقارنة E-ELAN مع ELAN، نجد أن الاختلاف الوحيد في كتلة الحساب، بينما تبقى بنية طبقة الانتقال دون تغيير.

تقترح E-ELAN زيادة عدد عناصر كتل الحساب وتوسيع القنوات باستخدام الالتفاف المجموعي. ثم تُحسب خرائط السمات وتُخلط في مجموعات وفق معامل التجميع وتُوصل معًا. ويبقى عدد قنوات كل مجموعة كما في البنية الأصلية. وأخيرًا تُجمع مجموعات خرائط السمات لتحقيق عدد العناصر المطلوب.

تغيير حجم النماذج القائمة على الوصل

يساعد تغيير الحجم في ضبط خصائص النماذج لتوليد نماذج بأحجام مختلفة وفق المتطلبات وسرعات الاستدلال المطلوبة.

يوضح الشكل تغيير حجم نماذج مختلفة قائمة على الوصل. ففي (أ) و(ب)، يزداد عرض إخراج كتلة الحساب مع زيادة العمق، وبالتالي يزداد عرض إدخال طبقات الانتقال. ويبين الشكل (ج) تطبيق تغيير العمق على بنية قائمة على الوصل.

إذًا لا يمكن تحليل عوامل تغيير حجم هذه النماذج بصورة مستقلة، بل يجب النظر إليها معًا. وبالنسبة لنموذج قائم على الوصل، يناسب استخدام طريقة تغيير الحجم المركبة المقابلة. وعند تغيير عامل العمق، يجب تغيير قنوات إخراج الكتلة أيضًا.

تقنيات قابلة للتدريب دون تكلفة إضافية في الاستدلال

يستخدم المطورون عبارة «bag of freebies» لوصف مجموعة طرق أو تقنيات يمكنها تغيير استراتيجية التدريب أو تكلفته بغرض زيادة دقة النموذج. فما هذه التقنيات في YOLOv7؟ لنلقِ نظرة.

الالتفاف بإعادة تحديد المعلمات المخطط لها

يستخدم YOLOv7 مسارات انتشار التدرج لتحديد أفضل طريقة لدمج الشبكة مع الالتفاف المعاد تحديد معلماته. ويحاول بهذا معالجة قصور خوارزمية RepConv ، التي تعمل جيدًا مع VGG لكنها تؤدي بصورة ضعيفة عند تطبيقها مباشرةً على DenseNet وResNet.

لتحديد الاتصالات في الطبقة الالتفافية، تجمع RepConv بين التفاف 3×3 والتفاف 1×1. ويُظهر تحليلها وتحليل أدائها وبنيتها أنها تعطل الوصل في DenseNet والاتصال المتبقي في ResNet.

تعرض الصورة السابقة نموذجًا بإعادة تحديد معلمات مخطط لها. وجد YOLOv7 أن الطبقة التي تحتوي وصلًا أو اتصالات متبقية يجب ألا تتضمن اتصال الهوية في RepConv. لذلك يمكن استبدالها بـRepConvN الخالية من اتصال الهوية.

تسميات خشنة للخسارة المساعدة ودقيقة للخسارة الرئيسية

الإشراف العميق مجال في علوم الحاسوب يُستخدم كثيرًا في تدريب الشبكات العميقة. ومبدؤه الأساسي هو إضافة رأس مساعد في الطبقات الوسطى للشبكة ، مع توجيه أوزان الجزء الأقل عمقًا بخسارة مساعدة. ويسمي YOLOv7 الرأس المسؤول عن الإخراج النهائي «الرأس الرئيسي»، بينما يساعد الرأس المساعد في التدريب.

يستخدم YOLOv7 أيضًا طريقة مختلفة لإسناد التسميات. تقليديًا كانت تُولد بالرجوع المباشر إلى الحقيقة المرجعية وقواعد محددة. لكن توزيع التنبؤات المدخلة وجودتها أصبحا مهمين في السنوات الأخيرة لتوليد تسميات موثوقة. يولد YOLOv7 تسمية ناعمة للجسم باستخدام تنبؤات الصناديق المحيطة والحقيقة المرجعية.

تستخدم الطريقة الجديدة تنبؤات الرأس الرئيسي لتوجيه الرأسين الرئيسي والمساعد. ولها استراتيجيتان مقترحتان.

مسند التسميات الموجه بالرأس الرئيسي

تجري هذه الاستراتيجية حساباتها بناءً على تنبؤات الرأس الرئيسي والحقيقة المرجعية، ثم تستخدم التحسين لتوليد تسميات ناعمة يُدرب بها كلا الرأسين.

وتفترض أن الرأس الرئيسي أقدر على التعلم، ولذلك ينبغي أن تكون تسمياته أكثر تمثيلًا وأن تربط بين المصدر والهدف.

مسند التسميات من الخشن إلى الدقيق بتوجيه الرأس الرئيسي

تجري هذه الاستراتيجية أيضًا حساباتها باستخدام تنبؤات الرأس الرئيسي والحقيقة المرجعية، ثم تولد التسميات الناعمة بالتحسين. لكن الفرق أنها تنتج مجموعتين: تسميات خشنة و تسميات دقيقة.

تُولد التسميات الخشنة بتخفيف قيود عملية إسناد العينات الإيجابية،

بحيث تُعد خلايا شبكية أكثر أهدافًا إيجابية. وهذا يجنب فقدان المعلومات بسبب قدرة الرأس المساعد الأضعف على التعلم.

يوضح الشكل السابق تقنيات YOLOv7 القابلة للتدريب: تسميات خشنة للرأس المساعد ودقيقة للرئيسي. يحتوي النموذج في (ب) على رأس مساعد، بخلاف النموذج العادي في (أ).

يعرض الشكل (ج) مسند التسميات المستقل المعتاد. ويعرض (د) و(هـ) على الترتيب المسند الموجه بالرأس الرئيسي ونسخته من الخشن إلى الدقيق المستخدمين في YOLOv7.

تقنيات أخرى قابلة للتدريب

يستخدم YOLOv7 أيضًا تقنيات إضافية لم يقترحها مؤلفوه أصلًا، ومنها:

  • تطبيع الدفعات في تسلسل Conv-Bn-Activation: تربط هذه الاستراتيجية الطبقة الالتفافية مباشرةً بطبقة تطبيع الدفعات.
  • المعرفة الضمنية في YOLOR: يجمع YOLOv7 هذه الاستراتيجية مع خريطة السمات الالتفافية.
  • نموذج EMA: يُستخدم بوصفه النموذج المرجعي النهائي في YOLOv7، رغم أن استخدامه الأساسي في طريقة mean teacher.

YOLOv7: التجارب

الإعداد التجريبي

يستخدم YOLOv7 مجموعة Microsoft COCO لتدريب نموذج الكشف والتحقق منه . ولا تستخدم جميع التجارب نموذجًا مدربًا مسبقًا. استخدم المطورون مجموعة تدريب 2017 للتدريب ومجموعة تحقق 2017 لاختيار المعلمات الفائقة، ثم قارنوا نتائج الكشف بالخوارزميات المتقدمة.

صمم المطورون نماذج أساسية من أجل وحدات GPU الطرفية (YOLOv7-tiny)، والعادية (YOLOv7)، والسحابية (YOLOv7-W6). كما يغيرون حجم النموذج الأساسي بحسب متطلبات الخدمات لتوليد نماذج مختلفة. ويجري تغيير التكديس في الجزء الأوسط neck، بينما تُستخدم الطرق المركبة المقترحة لزيادة العمق والعرض.

نماذج المقارنة الأساسية

يستخدم YOLOv7 نماذج YOLO السابقة وخوارزمية كشف الأجسام YOLOR بوصفها خطوط أساس للمقارنة.

يقارن الشكل السابق خط أساس YOLOv7 بنماذج الكشف الأخرى، والنتائج واضحة. فمقارنةً بـ YOLOv4، يستخدم YOLOv7 معلمات أقل بنسبة 75% وحسابات أقل بنسبة 15%، مع دقة أعلى بنسبة 0.4%. 

المقارنة مع نماذج كشف الأجسام المتقدمة

يعرض الشكل السابق المقارنة مع النماذج المتقدمة لوحدات GPU المحمولة والعامة. وتحقق طريقة YOLOv7 أفضل موازنة بين السرعة والدقة.

دراسة استئصال: طريقة تغيير الحجم المركبة المقترحة

يقارن الشكل السابق استراتيجيات تكبير النموذج. وتزيد استراتيجية YOLOv7 عمق كتلة الحساب بمقدار 1.5 مرة وعرضها بمقدار 1.25 مرة.

مقارنةً بنموذج يزيد العمق فقط، يتحسن أداء YOLOv7 بنسبة 0.5% مع معلمات وحسابات أقل. ومقارنةً بنماذج تزيد العمق فقط، تتحسن الدقة بنسبة 0.2%، لكن عدد المعلمات يجب أن يزيد بنسبة 2.9% والحسابات بنسبة 1.2%.

النموذج المقترح بإعادة تحديد معلمات مخطط لها

للتحقق من عمومية النموذج المقترح، يطبقه YOLOv7 على نماذج قائمة على الاتصالات المتبقية وأخرى قائمة على الوصل. ويستخدم في التحقق ELAN بثلاث كتل مكدسة للنموذج القائم على الوصل، وCSPDarknet للنموذج القائم على الاتصالات المتبقية.

في نموذج الوصل، تُستبدل طبقات الالتفاف 3×3 في ELAN ذي الكتل الثلاث بـRepConv. ويعرض الشكل التالي التكوين المفصل لـPlanned RepConv ولهذه النسخة من ELAN.

أما النموذج القائم على الاتصالات المتبقية، فيستخدم كتلة dark معكوسة لأن الكتلة الأصلية لا تحتوي كتلة التفاف 3×3. ويوضح الشكل التالي Reversed CSPDarknet التي تعكس موضعي طبقتي الالتفاف 3×3 و1×1.

الخسارة المساعدة المقترحة للرأس المساعد

يقارن YOLOv7، بالنسبة لهذه الخسارة، الإسناد المستقل للتسميات في طريقتي الرأس المساعد والرأس الرئيسي.

يعرض الشكل السابق نتائج دراسة الرأس المساعد المقترح. يزداد الأداء العام مع الخسارة المساعدة. كذلك يتفوق إسناد التسميات الموجه بالرأس الرئيسي على استراتيجيات الإسناد المستقلة.

نتائج YOLOv7

بناءً على التجارب السابقة، فيما يلي أداء YOLOv7 مقارنةً بخوارزميات كشف الأجسام الأخرى.

يقارن الشكل السابق YOLOv7 بالخوارزميات الأخرى ويبين تفوقه في العلاقة بين متوسط الدقة (AP) والاستدلال بالدفعات.

يقارن الشكل التالي أداء YOLOv7 بخوارزميات الكشف الأخرى في الزمن الحقيقي. ومرة أخرى يتفوق من حيث الأداء العام والدقة والكفاءة.

توجد ملاحظات إضافية على النتائج والأداء:

  1. YOLOv7-Tiny أصغر نموذج في العائلة، ويحتوي أكثر من ستة ملايين معلمة. ويحقق متوسط دقة 35.2%، متفوقًا على نماذج YOLOv4-Tiny ذات أعداد المعلمات المماثلة.
  2. يحتوي YOLOv7 أكثر من 37 مليون معلمة ويتفوق على نماذج ذات معلمات أكثر، مثل YOLOv4.
  3. يحقق YOLOv7 أعلى قيم mAP وFPS ضمن نطاق 5 إلى 160 إطارًا في الثانية.

الخلاصة

YOLO، أو You Only Look Once، نموذج متقدم لكشف الأجسام في الرؤية الحاسوبية الحديثة. ويشتهر بالدقة والكفاءة، لذلك يستخدم على نطاق واسع في الكشف في الزمن الحقيقي. ومنذ تقديمه عام 2016، أتاحت التجارب للمطورين تحسينه باستمرار.

YOLOv7 أحدث إضافة إلى عائلة YOLO وأقوى خوارزمياتها في الفترة التي يصفها هذا المقال. وقد تناولنا أساسياته وحاولنا توضيح ما يجعله فعالًا إلى هذا الحد.

كونال كيجريوال مهندس برمجيات للأنظمة الخلفية، متخصص في Python وPostgreSQL وRedis والبنية التحتية السحابية على GCP وAWS. لديه ثلاث سنوات من الخبرة في بناء الأنظمة البرمجية المستخدمة فعليًا وتوسيع نطاقها، ويكتب عن البنية التحتية للذكاء الاصطناعي والأنظمة الموزعة والبنية المعمارية لنشر أعباء عمل التعلم الآلي.