DAMO-YOLO مقابل PP-YOLOE+#
في المشهد شديد التنافسية للرؤية الحاسوبية في الزمن الحقيقي، يُعد اختيار البنية المثلى لاحتياجات النشر المحددة أمرًا بالغ الأهمية. يقدم هذا الدليل مقارنة تقنية شاملة بين DAMO-YOLO وPP-YOLOE+، ويتعمق في تصميماتهما المعمارية ومنهجيات التدريب ومقاييس الأداء. كما سندرس مدى منافسة هذين النموذجين للحلول المتطورة مثل Ultralytics YOLO26 الذي أُطلق حديثًا.
نظرة عامة على النماذج#
ظهر كلا الإطارين في عام 2022 بوصفهما بديلين قويين للتطبيقات الصناعية، مستفيدين من تقنيات متطورة لدفع حدود 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.
- المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun
- الجهة: مجموعة Alibaba
- التاريخ: 2022-11-23
- Arxiv: DAMO-YOLO: تقرير عن تصميم كشف الأجسام في الزمن الحقيقي
- GitHub: tinyvision/DAMO-YOLO
- الوثائق: ملف README الخاص بـDAMO-YOLO
يستخدم DAMO-YOLO البحث عن البنى العصبية بأقصى إنتروبيا (MAE-NAS) لتصميم عمود فقري محسّن لكفاءة الأجهزة تلقائيًا. كما يتضمن RepGFPN فعالًا (شبكة هرمية معممة للميزات، معادَة المعلمات) لدمج الميزات في العنق، وتصميم "ZeroHead" خفيف الوزن. علاوة على ذلك، يعتمد اعتمادًا كبيرًا على تقنيات التقطير أثناء التدريب لتعزيز قدرة النموذج الطالب على تمثيل البيانات.
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.
- المؤلفون: مؤلفو PaddlePaddle
- الجهة: Baidu
- التاريخ: 2022-04-02
- Arxiv: PP-YOLOE: نسخة مطوّرة من YOLO
- GitHub: PaddlePaddle/PaddleDetection
- الوثائق: إعدادات PP-YOLOE+
يستخدم PP-YOLOE+ عمودًا فقريًا من نوع CSPRepResNet ورأس ET-head (رأس متوافق مع المهام بكفاءة). ويقدم إصدار "plus" استراتيجية قوية للتدريب المسبق على مجموعة بيانات Objects365، ما يعزز قدرته بدرجة كبيرة على التعميم على بيئات واقعية متنوعة.
تعرّف على المزيد حول PP-YOLOE+
مقارنة البنى#
يؤثر الاختلاف في فلسفة التصميم بين هذين النموذجين بدرجة كبيرة في حالات الاستخدام المثلى والتوافق مع الأجهزة.
دمج الميزات والأعمدة الفقرية#
تُصمَّم الأعمدة الفقرية التي يولدها MAE-NAS في DAMO-YOLO خصيصًا للأجهزة الطرفية، وغالبًا ما توفر نسبة ملائمة بين السرعة وعدد المعلمات. لكن قد تكون هذه البنى المخصصة جامدة ومعقدة عند تكييفها مع مهام جديدة مثل تجزئة الكائنات. ويحسّن عنق RepGFPN دمج الميزات متعددة المقاييس، لكنه يزيد التعقيد أثناء مرحلة التصدير وإعادة المعلمات.
يعتمد PP-YOLOE+ على CSPRepResNet التقليدي، لكنه فعّال للغاية. ورغم أن هذا العمود الفقري يتطلب عددًا أكبر من المعلمات مقارنةً بـDAMO-YOLO لتحقيق دقة مماثلة، فإنه مستقر للغاية أثناء التدريب وأسهل في الدمج ضمن مسارات العمل الحالية. ويتولى رأس ET-head التصنيف والانحدار بكفاءة، لكنه يظل يتطلب خطوات معالجة لاحقة مثل الكبت غير الأقصى (NMS).
يتطلب كل من DAMO-YOLO وPP-YOLOE+ استخدام NMS لمعالجة مربعات الإحاطة لاحقًا. إذا كان زمن استجابة الاستدلال بالغ الأهمية، ففكّر في استخدام Ultralytics YOLO26، الذي يتضمن تصميمًا شاملًا من البداية إلى النهاية بلا NMS عبر رأسه الاختياري أحادي المطابقة (nms=False). يلغي هذا النهج الرائد المعالجة اللاحقة باستخدام NMS، ليتيح 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.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | 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 |
يوضح الجدول أن DAMO-YOLO يحقق دقة أعلى في فئتي الأحجام الصغيرة جدًا (t) والصغيرة (s)، كما يسجل DAMO-YOLOt أقل زمن استجابة على T4 باستخدام TensorRT بين النماذج المعروضة، بفضل أعمدته الفقرية المحسّنة باستخدام NAS. لكن PP-YOLOE+ يتوسع بكفاءة كبيرة إلى فئتي الحجم المتوسط (m) والكبير (l)، محققًا درجات mAP أعلى، وإن كان ذلك على حساب انخفاض طفيف في 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. وهذا يزيد بدرجة كبيرة من متطلبات ذاكرة CUDA والميزانية الحاسوبية الإجمالية. يبسّط PP-YOLOE+ ذلك بالتدريب القياسي أحادي المرحلة، لكنه يظل مرتبطًا ارتباطًا وثيقًا بإطار عمل PaddlePaddle، ما قد يحد من مرونة الفرق المعتادة على PyTorch.
وعلى النقيض، يعالج نموذج Ultralytics YOLO26 الحديث هذه الاختناقات. فباستخدام محسّن MuSGD الجديد، وهو مزيج هجين من SGD وMuon مستوحى من ابتكارات التدريب في LLM، يحقق YOLO26 تقاربًا أسرع وتدريبًا مستقرًا للغاية من دون الحاجة إلى مسارات تقطير معقدة. إضافةً إلى ذلك، تتطلب نماذج YOLO عادةً ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بكواشف الأجسام القائمة على المحوّلات مثل RT-DETR.
التطبيقات الواقعية وحالات الاستخدام المثالية#
متى تستخدم DAMO-YOLO#
يُعد DAMO-YOLO مثاليًا للاستدلال الطرفي عالي الإنتاجية عندما يكون زمن الاستجابة هو العائق الأهم. وتتفوق إصداراته الصغيرة في بيئات مثل أنظمة إدارة حركة المرور أو المراقبة الأساسية بالطائرات المسيّرة، شريطة أن يمتلك فريقك الهندسي القدرة على إدارة عمليات التقطير وإعادة المعلمات المعقدة.
متى تستخدم PP-YOLOE+#
يتألق PP-YOLOE+ عندما تكون قد استثمرت بالفعل بصورة كبيرة في منظومة Baidu أو تدير عمليات نشر واسعة النطاق على الخوادم. وتجعل قيمة mAP المبهرة منه مناسبًا لتحليل الصور الطبية المعقدة أو الكشف عن عيوب التصنيع في البيئات كثيفة الإنتاج.
ميزة Ultralytics#
رغم أن DAMO-YOLO وPP-YOLOE+ يقدمان مزايا محددة في مجالات بعينها، يتجه المطورون الباحثون عن أقصى قدر من التنوع والسرعة وسهولة الاستخدام باستمرار إلى منصة Ultralytics.
عند ترقية مسار عمل الرؤية الحاسوبية لديك، يوفر Ultralytics YOLO26 تجربة تطوير لا مثيل لها:
- استدلال أسرع على CPU بنسبة تصل إلى 43%: بفضل الإزالة الكاملة لدالة خسارة البؤرة التوزيعية (DFL)، يتميز YOLO26 بسرعة كبيرة على وحدات CPU الطرفية وأجهزة إنترنت الأشياء منخفضة الطاقة.
- تحسين الكشف عن الأجسام الصغيرة: يحقق دمج دالتي الخسارة ProgLoss وSTAL تحسينات كبيرة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـالصور الجوية.
- تعدد استخدامات واسع: بخلاف PP-YOLOE+ الذي يركز حصريًا على الكشف، يتعامل YOLO26 بسلاسة مع تقدير الوضعية ومربعات الإحاطة الموجّهة (OBB) والتجزئة الدلالية، مع تحسينات معمارية خاصة بكل 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 الأمثل للمطورين الباحثين عن أفضل توازن بين السرعة والدقة وبساطة النشر. وتضمن بنيته الخالية من NMS وواجهة Python API القوية والتكامل السلس مع أدوات مثل Weights & Biases وTensorRT انتقال مشاريعك بسلاسة من النموذج الأولي إلى الإنتاج.
هل أنت مستعد للبدء؟ اطّلع على دليل البدء السريع من Ultralytics أو قارن المزيد من النماذج في نظرتنا العامة إلى YOLO11 مقابل DAMO-YOLO.