DAMO-YOLO مقابل EfficientDet#

أنتج تطور الرؤية الحاسوبية مجموعة من البنى القوية المصممة لتلبية متطلبات العالم الواقعي المتباينة. فبينما تعطي بعض الأطر الأولوية لقابلية التوسع الهائلة، يركز بعضها الآخر بشدة على سرعة الاستدلال في الزمن الحقيقي. في هذه المقارنة التقنية، نستكشف DAMO-YOLO وEfficientDet، وهما نموذجان مؤثران للغاية يعرضان نهجين مختلفين لحل مشكلة الكشف عن الأجسام. سنحلل بنيتيهما، ونقارن أداءهما في الاختبارات المعيارية، ثم نستكشف أسباب كون Ultralytics YOLO26 الذي أُطلق حديثًا الخيار الأمثل لعمليات النشر الإنتاجية الحديثة.

نظرة عامة على البنية#

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

DAMO-YOLO: السرعة عبر البحث عن البنية العصبية#

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:

• المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun
• المؤسسة: Alibaba Group
• التاريخ: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO

يعتمد DAMO-YOLO على عمود فقري للبحث عن البنية العصبية (NAS) يعمل على تحسين السرعة والدقة معًا. ويقدّم RepGFPN (شبكة هرمية عامة للميزات معادَة المعلمات)، التي تحسّن دمج الميزات مع الحفاظ على سرعات استدلال عالية. إضافة إلى ذلك، يقلل تصميم ZeroHead النفقات الحسابية الزائدة المرتبطة عادةً برؤوس الكشف. ويستفيد النموذج أيضًا من AlignedOTA (تعيين النقل الأمثل المحاذي) وتعزيز التقطير، ما يضمن أن تتعلم حتى أصغر الإصدارات تمثيلات غنية من النماذج الأكبر.

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:

• المؤلفون: Mingxing Tan وRuoming Pang وQuoc V. Le
• الجهة: Google Brain
• التاريخ: 2019-11-20
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet

يقدّم EfficientDet بنية BiFPN (شبكة هرمية ثنائية الاتجاه للميزات)، التي تتيح دمج الميزات متعددة المقاييس بسهولة وسرعة. وعلى خلاف الأساليب التقليدية التي توسّع البنى بإضافة طبقات أو قنوات اعتباطيًا، يستخدم EfficientDet أسلوب التوسيع المركب الذي يوسّع بالتساوي الدقة والعمق والعرض لكل من العمود الفقري وشبكة الميزات وشبكتي التنبؤ بالصناديق والفئات في آنٍ واحد. ويتيح ذلك تحقيق دقة رائدة على الأجهزة المتطورة، مع توفير إصدارات أصغر للبيئات محدودة الموارد.

تعرّف على المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

عند مقارنة هذه النماذج جنبًا إلى جنب، تتضح المفاضلة بين الدقة القصوى وسرعة الاستدلال. يوضح الجدول أدناه مقاييس الأداء الرئيسية، مبرزًا كيف تقارن قدرات الاستدلال لدى DAMO-YOLO بـعائلة نماذج EfficientDet.

كما هو موضح أعلاه، يحقق EfficientDet-d7 أعلى دقة إجمالية، ما يجعله مناسبًا للتطبيقات السحابية الصارمة. في المقابل، توفر سلسلة DAMO-YOLO دقة تنافسية للغاية مع زمن استجابة أقل بكثير على أجهزة GPU، ما يجعلها خيارًا أقوى لعمليات النشر الطرفية في الوقت الفعلي.

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: الأنظمة المتكاملة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسينات أصلية.
• 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 دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
• البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• 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 مهمين، فإن النشر في العالم الحقيقي يتطلب غالبًا نهجًا أكثر توازنًا وغنى بالميزات وملاءمة للمطورين. وهنا تضع Ultralytics YOLO26 معيارًا صناعيًا جديدًا.

صدر YOLO26 في يناير 2026، مستندًا إلى إرث أسلافه، بما في ذلك Ultralytics YOLO11 وYOLOv8، ومحدثًا تحولًا جذريًا في كيفية تعاملنا مع اكتشاف الكائنات.

أداء وتعدد استخدامات لا مثيل لهما#

لا يقتصر YOLO26 على تحسين السرعة، بل يعيد تعريف استقرار التدريب ودقته. فهو يقدّم محسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب نماذج اللغة الكبيرة (LLM)، ما يؤدي إلى تقارب أسرع بكثير وكفاءة تدريب أعلى. وعلى خلاف البدائل الثقيلة القائمة على Transformer مثل RT-DETR، يحافظ YOLO26 على متطلبات ذاكرة منخفضة للغاية، ما يضمن إمكانية تدريبه على أجهزة متاحة للمستهلكين.

علاوة على ذلك، يدمج YOLO26 ProgLoss + STAL، ما يعزز بدرجة كبيرة التعرّف على الأجسام الصغيرة، وهو أمر حيوي لحالات استخدام مثل التصوير الجوي 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% مقارنة بالأجيال السابقة.

المنظومة وسهولة الاستخدام#

من أكبر العقبات التي تواجه نماذج مثل EfficientDet تعقيد عملية التكامل. في المقابل، توفر منصة Ultralytics منظومة متكاملة ومدارة جيدًا من البداية إلى النهاية. وباستخدام API موحد، يمكن للمستخدمين الانتقال بسهولة بين الكشف وتجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والصناديق المحيطة الموجّهة (OBB).

إليك مدى سهولة تدريب YOLO26 وتشغيل الاستدلال باستخدام حزمة Python من Ultralytics:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 nano المتطور⁩
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#

يوفر استكشاف DAMO-YOLO مقابل EfficientDet رؤى ممتازة حول المفاضلات بين البحث عن البنية العصبية والتوسيع المركب، لكن المطورين المعاصرين يحتاجون إلى أدوات تجسر الهوة بين البحث الأكاديمي وواقع الإنتاج.

للمطورين الذين يعطون الأولوية لسهولة الاستخدام ومجتمع نشط مفتوح المصدر وتوازن لا يساوم بين السرعة والدقة، تُعد Ultralytics YOLO26 الخيار الحاسم. فبنيته الخالية من NMS، وانخفاض النفقات الإضافية للتدريب، والتكامل السلس مع منظومة Ultralytics الشاملة تجعلها إطار العمل الأمثل لمشروعك التالي في الرؤية الحاسوبية.