مقارنة DAMO-YOLO وPP-YOLOE+#
في المشهد شديد التنافسية للرؤية الحاسوبية في الوقت الفعلي، يُعد اختيار البنية المثلى لتلبية احتياجات النشر الخاصة بك أمرًا بالغ الأهمية. يقدم هذا الدليل مقارنة تقنية شاملة بين DAMO-YOLO وPP-YOLOE+، مع التعمق في تصميماتهما المعمارية ومنهجيات التدريب ومقاييس الأداء. وسنفحص أيضًا كيفية مقارنة هذه النماذج بالحلول المتقدمة مثل Ultralytics YOLO26 المُصدر حديثًا.
نظرة عامة على النماذج#
ظهر كلا الإطارين في عام 2022 بوصفهما بديلين قويين للتطبيقات الصناعية، مستفيدين من تقنيات متطورة لتوسيع حدود الدقة وسرعة الاستدلال.
DAMO-YOLO#
طوّرت Alibaba Group نموذج DAMO-YOLO، الذي قدّم عدة تقنيات مبتكرة لتحسين المفاضلة بين زمن الاستجابة والدقة، مع الاعتماد بدرجة كبيرة على تقنيات البحث الآلي ودمج السمات المتقدم.
- المؤلفون: Xianzhe Xu، وYiqi Jiang، وWeihua Chen، وYilun Huang، وYuan Zhang، وXiuyu Sun
- المنظمة: Alibaba Group
- التاريخ: 2022-11-23
- أرشيف: DAMO-YOLO: A Report on Real-Time Object Detection Design
- GitHub: tinyvision/DAMO-YOLO
- المستندات: DAMO-YOLO README
يستخدم نموذج DAMO-YOLO بحث الهندسة العصبية للإنتروبيا القصوى (MAE-NAS) لتصميم الهياكل الأساسية تلقائياً بما يتوافق مع كفاءة الأجهزة. كما يتميز بهيكل RepGFPN (شبكة هرم الميزات المعممة المُعاد معاملتها) الفعال لدمج ميزات العنق وتصميم خفيف الوزن "ZeroHead". علاوة على ذلك، يعتمد بشكل كبير على تقنيات التقطير أثناء التدريب لتعزيز قوة تمثيل نموذج الطالب.
PP-YOLOE+#
من فريق PaddlePaddle التابع لـ Baidu، يُعد PP-YOLOE+ ترقية تدريجية لبنية PP-YOLOE. ويركز على التدريب المسبق واسع النطاق ودوال الخسارة المحسّنة لتقديم قيمة mAP مرتفعة، ولا سيما ضمن إطار التعلم العميق الأصلي الخاص به.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- أرشيف: PP-YOLOE: An evolved version of YOLO
- GitHub: PaddlePaddle/PaddleDetection
- المستندات: PP-YOLOE+ Configs
يستخدم PP-YOLOE+ شبكة أساسية من نوع CSPRepResNet ورأس ET-head (رأس فعال متوافق مع المهمة). ويقدم الإصدار "plus" استراتيجية تدريب مسبق قوية على مجموعة بيانات Objects365، ما يعزز بدرجة كبيرة قدرته على التعميم عبر بيئات متنوعة من العالم الحقيقي.
مقارنة البنى المعمارية#
يؤثر الاختلاف في فلسفة التصميم بين هذين النموذجين تأثيرًا كبيرًا في حالات الاستخدام المثلى وتوافق العتاد لكل منهما.
دمج السمات والشبكات الأساسية#
تتميز الشبكات الأساسية التي يولدها MAE-NAS في DAMO-YOLO بملاءمتها العالية للأجهزة الطرفية، وغالبًا ما توفر نسبة مفضلة بين السرعة وعدد المعلمات. ومع ذلك، قد تكون هذه البنى المخصصة جامدة ومعقدة عند تكييفها لمهام جديدة مثل تجزئة المثيلات. يحسن عنق RepGFPN دمج السمات متعددة المقاييس، لكنه يضيف تعقيدًا أثناء مرحلة تصدير إعادة المعلمات.
يعتمد PP-YOLOE+ على CSPRepResNet التقليدية نسبيًا، لكنها فعالة للغاية. ورغم أن هذه الشبكة الأساسية تتطلب عددًا أكبر من المعلمات مقارنةً بـ DAMO-YOLO لتحقيق دقة مماثلة، فإن تدريبها مستقر للغاية ودمجها في مسارات المعالجة الحالية أسهل. ويتولى ET-head التصنيف والانحدار بكفاءة، لكنه لا يزال يتطلب خطوات معالجة لاحقة مثل الكبت غير الأقصى (NMS).
يتطلب كل من DAMO-YOLO وPP-YOLOE+ استخدام NMS للمعالجة اللاحقة للصناديق المحيطة. إذا كان زمن استجابة الاستدلال بالغ الأهمية، فننصح باستخدام Ultralytics YOLO26، الذي يتميز بتصميم أصلي شامل من البداية إلى النهاية وخالٍ من NMS. يلغي هذا النهج الرائد المعالجة اللاحقة باستخدام NMS، ما يوفر مسار نشر أسرع وأبسط.
تحليل الأداء والمقاييس#
عند تقييم هذه النماذج للاستخدام في الإنتاج، تُعد الموازنة بين الدقة (mAP) وسرعة الاستدلال وحجم المعلمات أمرًا بالغ الأهمية. فيما يلي مقارنة مباشرة بين إصداراتها الأساسية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
كما يوضح الجدول، يحقق DAMO-YOLO عمومًا زمن استجابة أقل عند المقاييس الصغيرة (s) والمتناهية الصغر (t)، بفضل شبكاته الأساسية المحسّنة باستخدام NAS. إلا أن PP-YOLOE+ يتوسع بكفاءة كبيرة ضمن الفئتين المتوسطة (m) والكبيرة (l)، محققًا درجات mAP أعلى بكثير، وإن كان ذلك على حساب طفيف من سرعة TensorRT على T4.
متطلبات الذاكرة وكفاءة التدريب#
يعني اعتماد DAMO-YOLO على التقطير أنك تحتاج غالبًا إلى تدريب نموذج معلّم أكبر بكثير قبل تدريب نموذج الطالب الأصغر. ويزيد ذلك بدرجة كبيرة من متطلبات ذاكرة CUDA والميزانية الحاسوبية الإجمالية. ويبسط PP-YOLOE+ هذه العملية من خلال التدريب القياسي أحادي المرحلة، لكنه يظل مرتبطًا ارتباطًا وثيقًا بإطار PaddlePaddle، ما قد يحد من المرونة لدى الفرق المعتادة على PyTorch.
وعلى النقيض، يعالج نموذج Ultralytics YOLO26 الحديث هذه الاختناقات. فمن خلال استخدام محسّن MuSGD الجديد، وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب LLM، يحقق YOLO26 تقاربًا أسرع وتدريبًا مستقرًا للغاية من دون الحاجة إلى مسارات تقطير معقدة. بالإضافة إلى ذلك، تتطلب نماذج YOLO عادةً ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالكواشف القائمة على Transformer مثل RT-DETR.
التطبيقات الواقعية وحالات الاستخدام المثالية#
متى تستخدم DAMO-YOLO#
يُعد DAMO-YOLO مثاليًا للاستدلال الطرفي عالي الإنتاجية، حيث يمثل زمن الاستجابة عنق الزجاجة الأساسي. وتتألق إصداراته الصغيرة في بيئات مثل أنظمة إدارة المرور أو المراقبة الأساسية باستخدام الطائرات المسيّرة، شريطة أن يمتلك فريقك الهندسي الموارد الكافية لإدارة عمليات التقطير وإعادة المعلمات المعقدة.
متى تستخدم PP-YOLOE+#
يتألق PP-YOLOE+ عندما تكون مستثمرًا بالفعل بدرجة كبيرة في منظومة Baidu أو تدير عمليات نشر خادمية واسعة النطاق. وتجعل قيمة mAP المميزة له مناسبًا لـتحليل الصور الطبية المعقد أو اكتشاف عيوب التصنيع الكثيفة.
ميزة Ultralytics#
مع أن كلاً من DAMO-YOLO وPP-YOLOE+ يقدمان مزايا محددة في مجالات معينة، فإن المطورين الذين يسعون إلى أقصى قدر من التنوع والسرعة وسهولة الاستخدام يتجهون باستمرار إلى Ultralytics Platform.
عند ترقية مسار معالجة الرؤية الحاسوبية لديك، يوفر Ultralytics YOLO26 تجربة مطور لا مثيل لها:
- استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل الإزالة الكاملة لـ Distribution Focal Loss (DFL)، يتميز YOLO26 بسرعة ملحوظة على وحدات CPU الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
- تحسين اكتشاف الأجسام الصغيرة: يوفر دمج دالتي الخسارة ProgLoss وSTAL تحسينات كبيرة في التعرف على الأجسام الصغيرة، وهو أمر حيوي لـالصور الجوية.
- تنوع واسع: بخلاف PP-YOLOE+ الذي يركز حصريًا على الاكتشاف، يتعامل YOLO26 بسلاسة مع تقدير الوضعيات، والصناديق المحيطة الموجّهة (OBB)، والتجزئة الدلالية، مع تحسينات معمارية خاصة بكل مهمة.
الخلاصة#
يمثل DAMO-YOLO وPP-YOLOE+ محطتين مهمتين في تطور اكتشاف الأجسام الخالي من المراسي. فقد دفع DAMO-YOLO حدود البحث في البنى العصبية لخفض زمن الاستجابة على الأجهزة الطرفية، بينما أثبت PP-YOLOE+ قوة التدريب المسبق واسع النطاق.
ومع ذلك، بالنسبة إلى المطورين الذين يسعون إلى أفضل توازن بين السرعة والدقة وبساطة النشر، يُعد نموذج Ultralytics YOLO26 الخيار الحاسم. تضمن بنيته الخالية من NMS، وواجهة Python API القوية، وتكامله السلس مع أدوات مثل Weights & Biases وTensorRT انتقال مشاريعك بسلاسة من النموذج الأولي إلى الإنتاج.
هل أنت مستعد للبدء؟ استكشف دليل البدء السريع لـ Ultralytics أو قارن مزيدًا من النماذج في نظرة عامة على YOLO11 مقابل DAMO-YOLO.