DAMO-YOLO في مقابل PP-YOLOE+#
في المشهد شديد التنافسية للرؤية الحاسوبية في الوقت الفعلي، يعد اختيار البنية المثلى لاحتياجات النشر الخاصة بك أمراً حاسماً. يقدم هذا الدليل مقارنة تقنية شاملة بين DAMO-YOLO و PP-YOLOE+، مع الغوص في تصاميم معماريتها ومنهجيات التدريب ومقاييس الأداء. سنقوم أيضاً بفحص مدى كفاءة هذه النماذج مقارنة بالحلول الحديثة مثل نموذج Ultralytics YOLO26 الذي تم إصداره مؤخراً.
نظرة عامة على النماذج#
ظهر كلا الإطارين في عام 2022 كبدائل قوية للتطبيقات الصناعية، حيث استخدما تقنيات متطورة لدفع حدود الدقة وسرعة الاستدلال.
DAMO-YOLO#
قدمت DAMO-YOLO، التي طورتها Alibaba Group، عدة تقنيات مبتكرة لتحسين المفاضلة بين زمن الانتقال والدقة، مع الاعتماد بشكل كبير على تقنيات البحث الآلي ودمج الميزات المتقدمة.
- المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, و Xiuyu Sun
- المنظمة: Alibaba Group
- التاريخ: 2022-11-23
- Arxiv: DAMO-YOLO: A Report on Real-Time Object Detection Design
- GitHub: tinyvision/DAMO-YOLO
- Docs: DAMO-YOLO README
تستخدم DAMO-YOLO بحثاً معمارياً متعدد المقاييس (MAE-NAS) لتصميم هياكل أساسية (backbones) محسنة تلقائياً لكفاءة الأجهزة. كما تتميز بـ RepGFPN (شبكة هرمية للميزات المعممة المعاد معاييرتها) فعالة لدمج ميزات الرقبة وتصميم "ZeroHead" خفيف الوزن. علاوة على ذلك، فهي تعتمد بشكل كبير على تقنيات التقطير (distillation) أثناء التدريب لتعزيز قوة تمثيل نموذج الطالب.
PP-YOLOE+#
من فريق PaddlePaddle التابع لشركة Baidu، تُعد PP-YOLOE+ ترقية تدريجية لمعمارية PP-YOLOE. وهي تركز على التدريب المسبق واسع النطاق ووالدوال الخسارة المكررة لتحقيق ماب (mAP) عالي، لا سيما داخل إطار عمل التعلم العميق الأصلي الخاص بها.
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: PP-YOLOE: An evolved version of YOLO
- GitHub: PaddlePaddle/PaddleDetection
- Docs: PP-YOLOE+ Configs
يستخدم PP-YOLOE+ هيكلاً أساسياً من نوع CSPRepResNet ورأس ET-head (رأس فعال متوافق مع المهام). تقدم نسخة "plus" استراتيجية تدريب مسبق قوية على مجموعة بيانات Objects365، مما يعزز قدرتها بشكل كبير على التعميم عبر بيئات العالم الحقيقي المتنوعة.
مقارنة معمارية#
يؤثر الاختلاف في فلسفة التصميم بين هذين النموذجين بشكل كبير على حالات الاستخدام المثالية وتوافق الأجهزة.
دمج الميزات والهياكل الأساسية (Backbones)#
تعتبر القواعد الأساسية المُولدة بواسطة MAE-NAS في DAMO-YOLO مخصصة للغاية للأجهزة الطرفية، وغالباً ما توفر نسبة مواتية بين السرعة والمعلمات. ومع ذلك، يمكن أن تكون هذه البنى المخصصة صلبة ومعقدة للتكيف مع المهام الجديدة مثل instance segmentation. يعمل عنق الإصدار RepGFPN على تحسين دمج الميزات متعددة المقاييس ولكنه يضيف تعقيداً أثناء مرحلة تصدير إعادة المعلمات.
يعتمد PP-YOLOE+ على بنية CSPRepResNet الأكثر تقليدية وفعالية في نفس الوقت. بينما يتطلب هذا الهيكل مساحة معاملات أكبر من DAMO-YOLO لتحقيق دقة مماثلة، إلا أنه مستقر للغاية في التدريب وأسهل في الدمج ضمن مسارات العمل الحالية. يتعامل رأس ET-head الخاص به بكفاءة مع التصنيف والانحدار، ولكنه لا يزال يتطلب خطوات معالجة لاحقة مثل كبت القيم غير القصوى (NMS).
تتطلب كل من DAMO-YOLO وPP-YOLOE+ استخدام NMS لمعالجة مربعات الإحاطة (bounding boxes) لاحقاً. إذا كان زمن انتقال الاستدلال أمراً بالغ الأهمية، ففكر في استخدام Ultralytics YOLO26، والتي تتميز بتصميم أصلي End-to-End NMS-Free Design. يلغي هذا النهج الرائد معالجة NMS اللاحقة للحصول على خط أنابيب نشر أسرع وأبسط.
تحليل الأداء والمقاييس#
عند تقييم هذه النماذج للإنتاج، يعد التوازن بين الدقة (mAP)، وسرعة الاستدلال، وحجم المعاملات أمراً بالغ الأهمية. فيما يلي مقارنة مباشرة بين متغيراتها الأساسية.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (ms) | السرعة T4 TensorRT10 (ms) | المعلمات (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، تحقق DAMO-YOLO عموماً زمن وصول أقل على المقاييس الصغيرة (s) والدقيقة جداً (t)، بفضل هياكلها الأساسية المحسنة بواسطة NAS. ومع ذلك، يتوسع PP-YOLOE+ بشكل ممتاز في الفئات المتوسطة (m) والكبيرة (l)، حيث يتميز بنقاط mAP أعلى بشكل ملحوظ، وإن كان ذلك بتكلفة طفيفة على سرعة T4 TensorRT.
متطلبات الذاكرة وكفاءة التدريب#
يعني اعتماد DAMO-YOLO على التقطير أنك غالباً ما تحتاج إلى تدريب نموذج معلم أكبر بكثير قبل تدريب نموذج الطالب الأصغر. وهذا يزياد بشكل كبير من CUDA memory requirements وميزانية الحساب الإجمالية. تُبسط PP-YOLOE+ هذا الأمر من خلال التدريب القياسي أحادي المرحلة ولكنها تظل مرتبطة بإحكام بإطار عمل PaddlePaddle، مما قد يحد من المرونة للفرق المعتادة على PyTorch.
في المقابل، يحل نموذج Ultralytics YOLO26 الحديث هذه الاختناقات. باستخدام مُحسِّن MuSGD Optimizer الجديد - وهو مزيج من SGD وMuon مستوحى من ابتكارات تدريب نماذج اللغات الكبيرة (LLM) - يحقق YOLO26 تقارباً أسرع وتدريباً مستقراً للغاية دون الحاجة إلى خطوط أنابيب تقطير معقدة. بالإضافة إلى ذلك، تتطلب نماذج YOLO عادةً ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالكاشفات القائمة على المحولات (transformers) مثل RT-DETR.
تطبيقات العالم الحقيقي وحالات الاستخدام المثالية#
متى تستخدم DAMO-YOLO#
تُعد DAMO-YOLO مثالية للاستدلال على الحافة ذات الإنتاجية العالية حيث يكون زمن الانتقال هو الاختناق النهائي. تتفوق متغيراتها الصغيرة في بيئات مثل traffic management systems أو مراقبة الطائرات بدون طيار الأساسية، شريطة أن تمتلك فريقتك الهندسية القدرة على إدارة عمليات التقطير وإعادة المعلمات المعقدة.
متى تستخدم PP-YOLOE+#
تتألق PP-YOLOE+ عندما تكون مستثمراً بعمق بالفعل في نظام Baidu البيئي أو تقوم بتشغيل عمليات نشر خادم واسعة النطاق. يجعلها ماب (mAP) المذهل مناسبة لـ medical image analysis المعقدة أو manufacturing defect detection المكثفة.
ميزة Ultralytics#
بينما توفر كل من DAMO-YOLO وPP-YOLOE+ مزايا محلية محددة، فإن المطورين الذين يسعون للحصول على أقصى قدر من التنوع والسرعة وسهولة الاستخدام يلجأون باستمرار إلى Ultralytics Platform.
عند ترقية مسار عمل الرؤية الحاسوبية الخاص بك، يوفر Ultralytics YOLO26 تجربة مطور لا مثيل لها:
- استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): مع الإزالة الكاملة لخسارة التوزيع البؤري (DFL)، يعد YOLO26 سريعاً بشكل ملحوظ على وحدات المعالجة المركزية الطرفية وأجهزة إنترنت الأشياء ذات الطاقة المنخفضة.
- تحسين اكتشاف الأجسام الصغيرة: يوفر دمج دالتي الخسارة ProgLoss وSTAL تحسينات كبيرة في التعرف على الأجسام الصغيرة، وهو أمر حيوي لـ aerial imagery.
- تنوع واسع: على عكس PP-YOLOE+ التي تركز حصرياً على الاكتشاف، يتعامل YOLO26 بسلاسة مع pose estimation وoriented bounding boxes (OBB) والتجزئة الدلالية مع تحسينات معمارية خاصة بالمهمة.
الخلاصة#
يمثل DAMO-YOLO و PP-YOLOE+ معالم مهمة في تطور كشف الكائنات بدون نقاط ارتكاز (anchor-free). دفع DAMO-YOLO حدود البحث في البنية العصبية لزمن وصول الحافة، بينما أظهر PP-YOLOE+ قوة التدريب المسبق واسع النطاق.
ومع ذلك، بالنسبة للمطورين الذين يبحثون عن أفضل توازن بين السرعة والدقة وبساطة النشر، يُعد نموذج Ultralytics YOLO26 الخيار النهائي. تضمن بنيته الخالية من NMS، واجهة برمجة تطبيقات Python القوية، والتكامل السلس مع أدوات مثل Weights & Biases وTensorRT انتقال مشاريعك بسلاسة من النموذج الأولي إلى الإنتاج.
هل أنت مستعد للبدء؟ استكشف Ultralytics Quickstart Guide أو قارن بين المزيد من النماذج في نظرتنا العامة YOLO11 vs DAMO-YOLO.