DAMO-YOLO مقابل EfficientDet#

أدى تطور الرؤية الحاسوبية إلى إنتاج مجموعة من البنى القوية المصممة لتلبية متطلبات متنوعة في العالم الحقيقي. فبينما تعطي بعض الأطر الأولوية لقابلية التوسع الهائلة، تركز أطر أخرى بدرجة كبيرة على سرعة الاستدلال في الوقت الفعلي. في هذه المقارنة التقنية، نستكشف DAMO-YOLO وEfficientDet، وهما نموذجان مؤثران للغاية يقدمان نهجين متميزين لحل مشكلة اكتشاف الأجسام. سنحلل بنيتهما، ونقارن أداءهما في الاختبارات المعيارية، ونستكشف في النهاية سبب كون Ultralytics YOLO26 المطروح حديثًا الخيار الأمثل لعمليات النشر الحديثة في بيئات الإنتاج.

نظرة عامة على البنية#

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

DAMO-YOLO: السرعة عبر البحث عن البنية العصبية#

طُوّر DAMO-YOLO لتوسيع حدود الاكتشاف في الوقت الفعلي، ويستفيد من تقنيات البحث الآلي لبناء شبكات عالية الكفاءة مصممة خصيصًا للبيئات منخفضة زمن الاستجابة.

تفاصيل DAMO-YOLO:

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

يعتمد DAMO-YOLO على هيكل أساسي قائم على البحث عن البنية العصبية (NAS)، ويعمل على تحسين السرعة والدقة معًا. ويقدم RepGFPN (شبكة هرمية عامة معادَة المعلمات للميزات)، ما يعزز دمج الميزات مع الحفاظ على سرعات استدلال عالية. علاوة على ذلك، يقلل تصميم ZeroHead النفقات الحسابية الإضافية المرتبطة عادةً برؤوس الكشف. ويستفيد النموذج أيضًا من AlignedOTA (تعيين النقل الأمثل المحاذى) وتعزيز التقطير، ما يضمن أن تتعلم حتى أصغر المتغيرات تمثيلات غنية من النماذج الأكبر.

تعرف على المزيد حول DAMO-YOLO

EfficientDet: قابلية التوسع عبر التوسع المركب#

وعلى النقيض من النهج الذي يضع السرعة أولًا، يركز EfficientDet على قابلية التوسع المنهجية عبر مختلف ميزانيات القدرة الحاسوبية.

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

يقدم EfficientDet تقنية 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 عشوائيًا، يستخدم EfficientDet أسلوب التوسع المركب الذي يوسّع دقة البنية الأساسية وشبكة الميزات وشبكات التنبؤ بالفئات والصناديق، إلى جانب عمقها وعرضها، بصورة موحدة وفي الوقت نفسه. ويتيح له ذلك تحقيق دقة متقدمة على الأجهزة عالية الأداء، مع توفير متغيرات أصغر للبيئات محدودة الموارد.

اعرف المزيد عن EfficientDet

مقارنة الأداء والمقاييس#

عند مقارنة هذين النموذجين جنبًا إلى جنب، تصبح المفاضلة بين الدقة العالية المجردة وسرعة الاستدلال واضحة. يوضح الجدول أدناه مقاييس الأداء الرئيسية، مسلطًا الضوء على كيفية مقارنة قدرات استدلال DAMO-YOLO بـعائلة نماذج EfficientDet.

كما يتضح أعلاه، يحقق EfficientDet-d7 أعلى دقة إجمالية، ما يجعله مناسبًا للتطبيقات السحابية الصارمة. وعلى العكس، توفر سلسلة DAMO-YOLO دقة تنافسية للغاية مع زمن استجابة أقل بكثير على الأجهزة المزودة بوحدات GPU، ما يجعلها مرشحًا أقوى لعمليات النشر الطرفية في الوقت الفعلي.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين DAMO-YOLO وEfficientDet على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

متى تختار DAMO-YOLO#

يُعد DAMO-YOLO خيارًا قويًا من أجل:

• تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو عالية FPS على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند حجم الدفعة 1 هي المقياس الأساسي.
• خطوط التصنيع الصناعية: السيناريوهات ذات القيود الصارمة على زمن استجابة GPU ضمن عتاد مخصص، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
• أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والشبكات الأساسية المعاد تمثيلها بكفاءة على أداء الاكتشاف.

متى تختار EfficientDet#

يوصى باستخدام EfficientDet في الحالات التالية:

• مسارات Google Cloud وTPU: الأنظمة المدمجة بعمق مع واجهات Google Cloud Vision API أو البنية التحتية لـTPU، حيث يتمتع EfficientDet بتحسين أصلي.
• أبحاث التحجيم المركّب: المقارنات الأكاديمية التي تركز على دراسة تأثيرات تحجيم عمق الشبكة وعرضها ودقتها بصورة متوازنة.
• النشر على الأجهزة المحمولة عبر TFLite: المشروعات التي تتطلب تحديدًا تصدير TensorFlow Lite إلى أجهزة 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: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

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.

أُطلق YOLO26 في يناير 2026، وهو يبني على إرث أسلافه، بما في ذلك Ultralytics YOLO11 وYOLOv8، ويقدم تحولًا جذريًا في طريقة تعاملنا مع اكتشاف الأجسام.

أداء وتعدد استخدامات لا مثيل لهما#

لا يقتصر YOLO26 على تحسين السرعة؛ بل يعيد تعريف استقرار التدريب ودقته. فهو يقدم مُحسِّن MuSGD، وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب LLM، ما يؤدي إلى معدلات تقارب أسرع بكثير وكفاءة تدريب فائقة. وعلى خلاف البدائل الثقيلة القائمة على Transformer مثل RT-DETR، يحافظ YOLO26 على متطلبات ذاكرة منخفضة للغاية، ما يضمن إمكانية تدريبه على أجهزة بمواصفات استهلاكية.

علاوة على ذلك، يدمج YOLO26 تقنيتي ProgLoss + STAL، ما يحسن بدرجة كبيرة التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لحالات استخدام مثل الصور الجوية الملتقطة بواسطة الطائرات المسيّرة والروبوتات. ولتحسين الأداء على الأجهزة منخفضة الاستهلاك للطاقة، أزال YOLO26 تقنية Distribution Focal Loss (DFL)، ما أدى إلى استدلال أسرع على CPU بنسبة تصل إلى 43% مقارنة بالأجيال السابقة.

المنظومة وسهولة الاستخدام#

تتمثل إحدى أكبر العقبات في النماذج مثل EfficientDet في عملية التكامل المعقدة. وعلى النقيض، توفر منصة Ultralytics منظومة متكاملة ومُصانة جيدًا من البداية إلى النهاية. وباستخدام API موحد، يمكن للمستخدمين الانتقال بسهولة بين الكشف وتقسيم المثيلات وتقدير الوضعيات وتصنيف الصور والصناديق المحيطة الموجهة (OBB).

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

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run ultra-fast NMS-free inference
predictions = model.predict("image.jpg")

الخلاصة#

يوفر استكشاف DAMO-YOLO مقابل EfficientDet رؤى ممتازة حول المفاضلات بين البحث عن البنية العصبية والتوسع المركب، إلا أن المطورين المعاصرين يحتاجون إلى أدوات تسد الفجوة بين البحث الأكاديمي وواقع الإنتاج.

بالنسبة إلى المطورين الذين يعطون الأولوية لسهولة الاستخدام، ومجتمع مفتوح المصدر نشط، وتوازن لا هوادة فيه بين السرعة والدقة، فإن Ultralytics YOLO26 هو الخيار الحاسم. فبنيته الخالية من NMS، وانخفاض النفقات العامة للتدريب، وتكامله السلس مع منظومة Ultralytics الشاملة، تجعله الإطار الأمثل لمشروعك المقبل في مجال الرؤية الحاسوبية.