ابدأ

DAMO-YOLO مقابل PP-YOLOE+

يُعد اختيار البنية المناسبة للنشر قرارًا أساسيًا في الرؤية الحاسوبية في الزمن الحقيقي. يقدم هذا الدليل مقارنة تقنية بين DAMO-YOLO وPP-YOLOE+، تشمل تصميميهما المعماريين وأساليب التدريب ومقاييس الأداء. كما يدرس مقارنة النموذجين بـUltralytics YOLO26، الصادر في يناير 2026.

نظرة عامة على النماذج#

ظهر كلا الإطارين في عام 2022 بوصفهما بديلين للتطبيقات الصناعية، مستخدمين تقنيات مختلفة لتحسين الدقة وسرعة الاستدلال.

DAMO-YOLO#

طوّر مجموعة Alibaba نموذج DAMO-YOLO، وقدم عدة تقنيات جديدة لتحسين المفاضلة بين زمن الاستجابة والدقة، مع اعتماد كبير على تقنيات البحث الآلي ودمج الميزات المتقدم.

يستخدم DAMO-YOLO البحث عن البنية العصبية بأقصى إنتروبيا (MAE-NAS) لتصميم أعمدة فقارية تلقائيًا ومحسّنة لكفاءة الأجهزة. ويضم أيضًا RepGFPN فعالة (شبكة هرم السمات المعممة ذات إعادة المعلمة) لدمج سمات العنق، وتصميم ZeroHead خفيف الوزن. كما يعتمد على تقطير المعرفة أثناء التدريب لتعزيز قدرة النموذج الطالب على تمثيل السمات.

اطّلع على مزيد من المعلومات حول DAMO-YOLO

PP-YOLOE+#

طوّر فريق PaddlePaddle التابع لـBaidu نموذج PP-YOLOE+ بوصفه ترقية تدريجية لبنية PP-YOLOE. ويركز على التدريب المسبق واسع النطاق ودوال الخسارة المحسّنة لتقديم mAP مرتفع، لا سيما ضمن إطار التعلم العميق الأصلي الخاص به.

يستخدم PP-YOLOE+ العمود الفقري CSPRepResNet ورأس ET (رأس متوافق مع المهام وفعّال). ويضيف إصدار «plus» تدريبًا مسبقًا على مجموعة بيانات Objects365، ما يحسّن قدرته على التعميم عبر بيئات العالم الحقيقي المتنوعة.

تعرّف على المزيد حول PP-YOLOE+

مقارنة البنى#

تحدد فلسفتا التصميم المختلفتان لهذين النموذجين أفضل حالات استخدامهما وتوافقهما مع الأجهزة.

دمج الميزات والأعمدة الفقرية#

صُممت الأعمدة الفقارية التي يولدها MAE-NAS في DAMO-YOLO للأجهزة الطرفية، وغالبًا ما توفر نسبة ملائمة بين السرعة وعدد المعلمات. لكن هذه البنى المخصصة قد تكون جامدة ومعقدة التكييف مع المهام الجديدة مثل تجزئة المثيلات. ويحسن عنق RepGFPN دمج السمات متعددة المقاييس، لكنه يزيد التعقيد أثناء مرحلة التصدير وإعادة المعلمة.

يعتمد PP-YOLOE+ على CSPRepResNet الأكثر تقليدية، لكنها فعالة. ورغم أن هذا العمود الفقري يتطلب عدد معلمات أكبر من DAMO-YOLO لتحقيق دقة مماثلة، فإنه مستقر أثناء التدريب وأسهل دمجًا في مسارات العمل الحالية. ويتعامل رأس ET بكفاءة مع التصنيف والانحدار، لكنه يظل بحاجة إلى خطوات معالجة لاحقة مثل كبح غير الأقصى (NMS).

التخلص من تأخيرات المعالجة اللاحقة

يتطلب كل من DAMO-YOLO وPP-YOLOE+ استخدام NMS لمعالجة مربعات الإحاطة لاحقًا. وإذا كان زمن استجابة الاستدلال بالغ الأهمية، ففكر في استخدام Ultralytics YOLO26، الذي يتميز بـتصميم أصلي شامل من دون NMS عبر رأسه الاختياري أحادي المطابقة (nms=False). يلغي هذا النهج المعالجة اللاحقة لـNMS، ما يوفر مسار نشر أسرع وأبسط.

تحليل الأداء والمقاييس#

عند تقييم هذه النماذج للاستخدام في الإنتاج، يُعد التوازن بين الدقة (mAP) وسرعة الاستدلال وحجم النموذج من حيث عدد المعلمات أمرًا بالغ الأهمية. فيما يلي مقارنة مباشرة بين الإصدارات الأساسية منها.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

كما يوضح الجدول، يحقق DAMO-YOLO دقة أعلى في فئتي tiny (t) وsmall (s)، ويسجل DAMO-YOLOt أقل زمن استجابة على T4 باستخدام TensorRT بين النماذج هنا، بفضل أعمدته الفقارية المحسّنة عبر NAS. لكن PP-YOLOE+ يتوسع جيدًا إلى الفئتين المتوسطة (m) والكبيرة (l)، محققًا درجات mAP أعلى مقابل انخفاض طفيف في السرعة على T4 باستخدام TensorRT.

متطلبات الذاكرة وكفاءة التدريب#

يعني اعتماد DAMO-YOLO على التقطير أنك غالبًا ما تحتاج إلى تدريب نموذج معلّم أكبر بكثير قبل تدريب النموذج الطالب الأصغر. وهذا يزيد بدرجة كبيرة متطلبات ذاكرة CUDA والميزانية الحسابية الإجمالية. ويبسّط PP-YOLOE+ ذلك باستخدام التدريب القياسي ذي المرحلة الواحدة، لكنه يظل مرتبطًا ارتباطًا وثيقًا بإطار PaddlePaddle، ما قد يحد من مرونته للفرق المعتادة على PyTorch.

على النقيض، يتجنب نموذج Ultralytics YOLO26 الحديث هذه الاختناقات. وباستخدام مُحسِّن MuSGD الجديد، وهو مزيج من SGD وMuon مستوحى من تدريب النماذج اللغوية الكبيرة، يحقق YOLO26 تقاربًا أسرع وتدريبًا مستقرًا من دون مسارات تقطير معقدة. بالإضافة إلى ذلك، تتطلب نماذج YOLO عادةً ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بكواشف Transformer مثل RT-DETR.

التطبيقات الواقعية وحالات الاستخدام المثالية#

متى تستخدم DAMO-YOLO#

يناسب DAMO-YOLO الاستدلال الطرفي عالي الإنتاجية عندما يكون الكمون هو عنق الزجاجة الرئيسي. وتتفوّق إصداراته الصغيرة في بيئات مثل أنظمة إدارة حركة المرور أو المراقبة الأساسية بالطائرات المسيّرة، شريطة أن يمتلك فريقك الهندسي الوقت والموارد اللازمين لإدارة عمليتي التقطير المعقدة وإعادة تهيئة المعلمات.

متى تستخدم PP-YOLOE+#

يُعد PP-YOLOE+ خيارًا مناسبًا إذا كنت قد استثمرت بالفعل في منظومة Baidu أو تشغّل عمليات نشر خادمية واسعة النطاق. وتجعله قيمة mAP المرتفعة ملائمًا لتحليل الصور الطبية المعقدة أو الكشف الكثيف عن عيوب التصنيع.

ميزة Ultralytics#

على الرغم من أن DAMO-YOLO وPP-YOLOE+ يقدمان مزايا محددة، يستطيع المطورون الباحثون عن تعدد الاستخدامات والسرعة وسهولة الاستخدام تدريب النماذج ونشرها على منصة Ultralytics.

عند ترقية مسار عمل الرؤية الحاسوبية لديك، يوفّر Ultralytics YOLO26 تجربة تطوير مبسطة:

  • استدلال أسرع على CPU بنسبة تصل إلى 43%: بعد الإزالة الكاملة لخسارة البؤرة التوزيعية (DFL)، يعمل YOLO26n على CPU بسرعة أعلى بنسبة تصل إلى 43% من YOLO11n، مما يجعله مناسبًا لوحدات CPU الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
  • تحسين اكتشاف الأجسام الصغيرة: تحسّن دالة الهدف ProgLoss وإسناد التسميات STAL التعرّف على الأجسام الصغيرة، وهو أمر حيوي في الصور الجوية.
  • تعدد استخدامات واسع: بخلاف PP-YOLOE+ الذي يركّز حصرًا على الكشف، يتعامل YOLO26 أيضًا مع تقدير الوضعيات ومربعات الإحاطة الموجّهة (OBB) والتجزئة الدلالية، مع تحسينات معمارية مخصصة لكل مهمة.

الخلاصة#

يمثل DAMO-YOLO وPP-YOLOE+ محطتين مهمتين في تطور الكشف عن الأجسام من دون مراسي. فقد دفع DAMO-YOLO حدود البحث عن البنى العصبية لتحسين زمن الاستجابة على الأجهزة الطرفية، بينما أظهر PP-YOLOE+ قوة التدريب المسبق واسع النطاق.

ومع ذلك، يُعد نموذج Ultralytics YOLO26 الخيار الموصى به للمطورين الذين يبحثون عن أفضل توازن بين السرعة والدقة وسهولة النشر. وتضمن بنيته الخالية من NMS، وواجهة Python API المتينة، وتكامله مع أدوات مثل Weights & Biases وTensorRT انتقال مشاريعك بسلاسة من النموذج الأولي إلى الإنتاج.

هل أنت مستعد للبدء؟ استكشف دليل البدء السريع من Ultralytics أو قارن مزيدًا من النماذج في نظرة عامة YOLO11 مقابل DAMO-YOLO.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.