ابدأ

DAMO-YOLO مقابل EfficientDet

أنتجت أبحاث الرؤية الحاسوبية بنى معمارية عديدة مصممة لتلبية متطلبات العالم الحقيقي المختلفة. وتعطي بعض الأطر الأولوية لقابلية التوسع، بينما تركز أخرى على سرعة الاستدلال في الزمن الحقيقي. تقارن هذه النظرة بين DAMO-YOLO وEfficientDet، وهما نموذجان مؤثران يتبعان نهجين مختلفين للكشف عن الأجسام. وتتناول بنيتيهما المعماريتين، وتقارن أداءهما في الاختبارات المعيارية، وتوضح لماذا يُعد Ultralytics YOLO26 خيارًا قويًا لنشر أنظمة الإنتاج الحديثة.

نظرة عامة على البنية#

صُمِّم كلا النموذجين لمعالجة المفاضلة بين الكفاءة والدقة، لكنهما يعتمدان على آليات مختلفة جوهريًا لتحقيق أهدافهما.

طُوِّر DAMO-YOLO لدفع حدود الكشف في الوقت الفعلي، ويستفيد من تقنيات البحث الآلي لبناء شبكات عالية الكفاءة ومهيأة لبيئات زمن الاستجابة المنخفض.

تفاصيل DAMO-YOLO:

يعتمد DAMO-YOLO على بنية أساسية تستخدم البحث عن البنى المعمارية العصبية (NAS) لتحسين السرعة والدقة معًا. ويقدّم RepGFPN (شبكة هرم السمات المعممة المعاد تشكيل معلماتها)، التي تعزز دمج السمات مع الحفاظ على سرعات استدلال عالية. كما يقلل تصميم ZeroHead النفقات الحسابية الإضافية المرتبطة عادةً برؤوس الكشف. ويستخدم النموذج أيضًا إسناد التسميات AlignedOTA (إسناد النقل الأمثل المحاذي) وتقطير المعرفة، بحيث تتعلم حتى أصغر إصداراته تمثيلات غنية من نماذج أكبر.

اطّلع على مزيد من المعلومات حول DAMO-YOLO

EfficientDet: قابلية التوسع عبر التوسيع المركب#

على النقيض من النهج الذي يعطي الأولوية للسرعة، يركز EfficientDet على قابلية التوسع المنهجية ضمن ميزانيات حوسبة متنوعة.

تفاصيل EfficientDet:

يقدّم EfficientDet بنية BiFPN (شبكة هرم السمات ثنائية الاتجاه)، التي تتيح دمج السمات متعددة المقاييس بسرعة. وبخلاف الأساليب التقليدية التي توسّع البنى المعمارية بإضافة طبقات أو قنوات عشوائيًا، يستخدم EfficientDet أسلوب تحجيم مركبًا يوسّع بالتساوي الدقة والعمق والعرض لكل من البنية الأساسية وشبكة السمات وشبكات التنبؤ بالمربعات والفئات في آنٍ واحد. وقد مكّنه ذلك من تحقيق دقة رائدة وقت إطلاقه على الأجهزة المتطورة، مع توفير إصدارات أصغر للبيئات محدودة الموارد.

تعرّف على المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

تتضح المفاضلة بين الدقة وسرعة الاستدلال عند المقارنة المباشرة. يوضح الجدول أدناه مقاييس الأداء الرئيسية، ويبيّن مستوى قدرات الاستدلال لدى DAMO-YOLO مقارنةً بـعائلة نماذج EfficientDet.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

يحقق EfficientDet-d7 أعلى دقة إجمالية، مما يجعله مناسبًا للتطبيقات السحابية الشاقة. وتوفّر سلسلة DAMO-YOLO دقة تنافسية مع كمون أقل بكثير على أجهزة GPU، مما يجعلها خيارًا أقوى لعمليات النشر الطرفية في الزمن الحقيقي.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين DAMO-YOLO وEfficientDet على متطلبات مشروعك المحددة وقيود النشر وتفضيلات منظومة الأدوات.

متى تختار DAMO-YOLO#

يُعد DAMO-YOLO خيارًا قويًا في الحالات التالية:

  • تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو ذات معدل إطارات مرتفع على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند batch-1 المقياس الأساسي.
  • خطوط التصنيع الصناعي: السيناريوهات ذات قيود زمن استجابة صارمة على GPU ضمن أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
  • أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والعمود الفقري الفعال المعاد تحديد معلماته على أداء الكشف.

متى تختار EfficientDet#

يوصى باستخدام EfficientDet في الحالات التالية:

  • مسارات Google Cloud وTPU: أنظمة مستندة إلى TensorFlow على بنية Google Cloud TPU، حيث يدعم التنفيذ المرجعي لـ EfficientDet التدريب على TPU.
  • أبحاث التحجيم المركب: المقارنات الأكاديمية التي تركز على دراسة آثار التوسيع المتوازن لعمق الشبكة وعرضها ودقتها.
  • النشر على الأجهزة المحمولة عبر LiteRT: المشاريع التي تتطلب تحديدًا التصدير باستخدام LiteRT (المعروف سابقًا باسم TensorFlow Lite) لأجهزة Android أو أجهزة Linux المضمنة.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26n، الأسرع بنسبة تصل إلى 43% من YOLO11n، أفضلية واضحة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

البديل الحديث: Ultralytics YOLO26#

على الرغم من أن DAMO-YOLO وEfficientDet يمثلان إنجازين أكاديميين بارزين، فإن النشر في العالم الحقيقي يتطلب غالبًا نهجًا أكثر توازنًا وثراءً بالميزات وملاءمةً للمطورين. وقد صُمم Ultralytics YOLO26 لهذا الغرض تحديدًا.

بُني YOLO26، الذي أُطلق في يناير 2026، على إرث أسلافه، بما في ذلك Ultralytics YOLO11 وYOLOv8، ويبسّط طريقة تدريب نماذج الكشف عن الأجسام ونشرها.

بساطة شاملة من البداية إلى النهاية

يتضمن YOLO26 تصميمًا أصليًا شاملًا خاليًا من NMS (nms=False). وبإزالة قمع غير الأعظميات (NMS) من المعالجة اللاحقة، وهو عنق زجاجة ظل يقيّد نشر كواشف الأجسام طويلًا، يوفّر YOLO26 مسار نشر أبسط وأسرع، لا سيما على الأجهزة الطرفية.

الأداء وتعدد الاستخدامات#

يحسّن YOLO26 استقرار التدريب ودقته، إلى جانب سرعته. ويقدّم مُحسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من تدريب LLM، لتحقيق تقارب أسرع وتدريب أكثر كفاءة. وعلى خلاف البدائل الأثقل القائمة على Transformer مثل RT-DETR، يحافظ YOLO26 على متطلبات ذاكرة منخفضة، مما يتيح تدريبه على أجهزة استهلاكية.

يضم YOLO26 أيضًا ProgLoss + STAL، اللذين يحسّنان التعرّف على الأجسام الصغيرة في حالات استخدام مثل الصور الجوية الملتقطة بالطائرات المسيّرة والروبوتات. ولتحسين الأداء على الأجهزة منخفضة الطاقة، أزال YOLO26 خسارة البؤرة التوزيعية (DFL)، ما أدى إلى استدلال أسرع على CPU بنسبة تصل إلى 43% في YOLO26n مقارنةً بـYOLO11n.

المنظومة وسهولة الاستخدام#

تتمثل إحدى أكبر العقبات في النماذج مثل EfficientDet في تعقيد عملية التكامل. أما منصة Ultralytics فتوفّر منظومة متكاملة تُصان جيدًا من البداية إلى النهاية. وبفضل واجهة API موحدة، يمكن للمستخدمين الانتقال بسهولة بين الكشف وتجزئة الكائنات وتصنيف الصور وتقدير الوضعيات ومربعات الإحاطة الموجّهة (OBB).

لا يتطلب تدريب YOLO26 وتشغيل الاستدلال به سوى بضعة أسطر باستخدام حزمة Python من Ultralytics:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano⁩
model = YOLO("yolo26n.pt")

# ⁨تدريب النموذج على مجموعة بياناتك المخصصة بأقل استهلاك للذاكرة⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# ⁨تشغيل استدلال فائق السرعة وخالٍ من NMS⁩
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

الخلاصة#

تُبرز مقارنة DAMO-YOLO وEfficientDet المفاضلات بين البحث عن البنى المعمارية العصبية والتحجيم المركب، لكن أعمال الإنتاج تتطلب أيضًا أدوات تسد الفجوة بين البحث الأكاديمي والنشر.

للمطورين الذين يضعون سهولة الاستخدام ومجتمع المصدر المفتوح النشط والتوازن القوي بين السرعة والدقة في مقدمة أولوياتهم، يُوصى باستخدام Ultralytics YOLO26. وتجعل بنيته الخالية من NMS، وانخفاض الأعباء الإضافية للتدريب، وتكامله مع منظومة Ultralytics منه أساسًا عمليًا لمشروعك التالي في الرؤية الحاسوبية.

المساهمون

التعليقات2

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. UltralyticsAssistantGitHubUltralytics

    👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.

    If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.

    If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.

    Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.

    Upgrade

    Please upgrade to the latest ultralytics package and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:

    pip install -U ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.

    This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊

    1. Glenn JocherUltralytics(تم التعديل)

      Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.

      The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.

      If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.