DAMO-YOLO مقابل YOLO11#

عند اختيار بنية لاكتشاف الأشياء في الوقت الفعلي لمشروعك القادم في مجال رؤية الكمبيوتر، يعد فهم الفروق الدقيقة بين النماذج الرائدة أمراً بالغ الأهمية. يوفر هذا الدليل الشامل تحليلاً فنياً متعمقاً يقارن بين DAMO-YOLO وUltralytics YOLO11، ويستعرض بنيتهما، ومقاييس الأداء، ومنهجيات التدريب، وسيناريوهات النشر الواقعية المثالية.

تفاصيل DAMO-YOLO:
المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, و Xiuyu Sun
المؤسسة: Alibaba Group
التاريخ: 2022-11-23
Arxiv: 2211.15444v2
GitHub: tinyvision/DAMO-YOLO
المستندات: DAMO-YOLO Documentation

تفاصيل YOLO11:
المؤلفون: Glenn Jocher و Jing Qiu
المؤسسة: Ultralytics
التاريخ: 2024-09-27
GitHub: ultralytics/ultralytics
المستندات: YOLO11 Documentation

فلسفة التصميم المعماري#

تحدد البنية الأساسية لنموذج اكتشاف الأشياء سرعة الاستدلال، والدقة، والقدرة على التكيف عبر بيئات الأجهزة المختلفة.

يقدم DAMO-YOLO العديد من الابتكارات الأكاديمية، معتمداً بشكل كبير على البحث في البنية العصبية (NAS) لتصميم هيكله الأساسي تلقائياً. وهو يستخدم شبكة RepGFPN (شبكة هرمية للميزات المعممة والمعاد برمجتها) فعالة لتعزيز دمج الميزات، وتصميماً يعتمد على ZeroHead يقلل بشكل كبير من رأس التنبؤ الثقيل الذي غالباً ما يوجد في البنى السابقة. وعلى الرغم من أن هذا النهج القائم على NAS يسمح لـ DAMO-YOLO بتحقيق كفاءات محددة على وحدات معالجة رسوميات (GPUs) مختارة، إلا أن البنى الناتجة يمكن أن تفتقر أحياناً إلى المرونة اللازمة للتعميم بسلاسة عبر أجهزة الحافة المتنوعة.

في المقابل، تعتمد YOLO11 على سنوات من الأبحاث الأساسية لتوفير معمّارية مُحسّنة للغاية ومصممة بدقة. وهي تركز على هيكل أساسي مبسط وعنق عالي الكفاءة يقلل من العمليات الحسابية الزائدة. تتمثل إحدى الميزات الأساسية لـ YOLO11 في كفاءة المعلمات المُطورة لديها؛ فهي تحقق تمثيلًا عاليًا للسمات دون متطلبات ذاكرة VRAM العالية التي تشتهر بها النماذج المستندة إلى Transformer مثل RT-DETR. وهذا يجعل YOLO11 متعددة الاستخدامات بشكل استثنائي، وقادرة على العمل بسلاسة على وحدات معالجة الرسوميات (GPUs) الاستهلاكية، والأجهزة المحمولة، ومسارعات الحافة المخصصة.

الأداء والمقاييس#

يتطلب تقييم الأداء النظر إلى ما هو أبعد من الدقة الإجمالية لمراعاة التوازن بين السرعة، وحجم النموذج، والحمل الحسابي (FLOPs).

النموذج	الحجم ^(بكسل)	mAP^val 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

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

كما يوضح الجدول، تحقق YOLO11 توازنًا ملائمًا للغاية في الأداء. على سبيل المثال، يتفوق المتغير YOLO11s على DAMO-YOLOs في الدقة مع الحفاظ على بصمة معلمات أصغر بكثير. يترجم هذا الانخفاض في متطلبات الذاكرة بشكل مباشر إلى انخفاض تكاليف النشر وأداء أكثر مرونة على أجهزة الحافة.

تعرف على المزيد حول YOLO11

منهجيات التدريب وسهولة الاستخدام#

مسار التدريب هو المكان الذي يقضي فيه المطورون معظم وقتهم، مما يجعل كفاءة التدريب مصدر قلق بالغ الأهمية.

تستخدم DAMO-YOLO عملية تدريب متعددة المراحل تعتمد بشكل كبير على تقطير المعرفة (Knowledge Distillation). وهي تستخدم AlignedOTA (Optimal Transport Assignment) لتخصيص التسميات وغالبًا ما تتطلب تدريب نموذج "معلم" أكبر لتقطير المعرفة إلى نماذج "طالب" أصغر. تزيد هذه المنهجية بشكل كبير من بصمة ذاكرة CUDA ووقت الحساب الإجمالي المطلوبة لتحقيق التقارب الأمثل.

على العكس من ذلك، يعمل نظام Ultralytics على إخفاء تعقيد تدريب النموذج. تم تصميم YOLO11 لسهولة الاستخدام الاستثنائية، وتتميز بواجهة برمجية بايثون مبسطة وواجهات CLI شاملة تتيح للمهندسين بدء التدريب على مجموعات بيانات مخصصة بأمر واحد. خط أنابيب التدريب ذو كفاءة متأصلة في استهلاك الموارد، مما يقلل من ارتفاعات الذاكرة بحيث يمكن تدريب حتى النماذج الأكبر حجمًا على الأجهزة القياسية.

تدريب مبسط مع Ultralytics

يتطلب تدريب نموذج Ultralytics صفراً من التعليمات البرمجية المتكررة (boilerplate code). تم تحسين مسارات تحميل البيانات، والزيادة (augmentation)، وحساب الخسارة المدمجة بالكامل بشكل جاهز للاستخدام.

فيما يلي مثال سريع على مدى بساطة تدريب ونشر نموذج Ultralytics:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the trained model to ONNX for seamless deployment
model.export(format="onnx")

تعرف على المزيد حول YOLO11

التطبيقات الواقعية وتعدد الاستخدامات#

غالباً ما يعتمد الاختيار بين هذه البنى على اتساع المهام المطلوبة من قبل بيئة النشر الخاصة بك.

أين يتناسب DAMO-YOLO#

يعد DAMO-YOLO إطار عمل لاكتشاف الأشياء بشكل صارم. وهو يتفوق في بيئات البحث الأكاديمي حيث تستكشف الفرق إعادة برمجة المعاملات (rep-parameterization) أو إعادة إنتاج تجارب معينة للبحث في البنية العصبية. يمكن أيضاً نشره في البيئات الصناعية المقيدة للغاية حيث يتطابق مسرع GPU محدد جداً تماماً مع الهيكل الأساسي الذي تم إنشاؤه بواسطة NAS.

ميزة Ultralytics#

تتألق نماذج Ultralytics، بما في ذلك YOLO11، في التطبيقات التجارية الواقعية نظرًا لتعدد استخداماتها التي لا مثيل لها ونظامها البيئي المُدار جيدًا. على عكس DAMO-YOLO، يدعم إطار عمل Ultralytics مهام الوسائط المتعددة بشكل أصلي. بدءًا من تجزئة المثيلات في التصوير الطبي وحتى تقدير الوضعية للتحليل الميكانيكي الحيوي في الرياضة، يتعامل قاعدة رمزية واحدة موحدة مع كل ذلك.

تشمل الصناعات التي تستفيد من YOLO11 ما يلي:

الزراعة الذكية: استخدام اكتشاف الأشياء لمراقبة صحة المحاصيل وأتمتة آلات الحصاد.
تحليلات التجزئة: تنفيذ المراقبة الذكية لتحليل حركة مرور العملاء وأتمتة إدارة المخزون.
اللوجستيات وسلسلة التوريد: اكتشاف الرموز الشريطية والحزم عالية السرعة باستخدام صناديق الإحاطة الموجهة (OBB) على سيور النقل سريعة الحركة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين DAMO-YOLO وYOLO11 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار DAMO-YOLO#

يعد DAMO-YOLO خياراً قوياً لما يلي:

تحليلات الفيديو ذات الإنتاجية العالية: معالجة تدفقات الفيديو ذات معدل الإطارات العالي على بنية تحتية ثابتة لوحدات GPU من NVIDIA حيث يكون إنتاجية الدفعة-1 هو المقياس الأساسي.
خطوط التصنيع الصناعية: السيناريوهات ذات قيود زمن انتقال GPU صارمة على أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
أبحاث البحث في البنية العصبية: دراسة تأثيرات البحث الآلي في البنية (MAE-NAS) والهياكل الأساسية المعاد برمجتها بكفاءة على أداء الاكتشاف.

متى تختار YOLO11#

يوصى بـ YOLO11 لـ:

نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.

متى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين:

نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

الجيل القادم: تقديم YOLO26#

بينما تظل YOLO11 خيارًا قويًا وموثوقًا، فإن مجال رؤية الكمبيوتر يتحرك بسرعة. بالنسبة للمطورين الذين يبدؤون مشاريع جديدة، يمثل أحدث نموذج YOLO26 أحدث ما توصلت إليه التكنولوجيا.

تم إصداره في يناير 2026، ويقدم YOLO26 العديد من التطورات الرائدة:

تصميم من طرف إلى طرف بدون NMS: من خلال القضاء على معالجة ما بعد الكبت غير الأقصى (Non-Maximum Suppression)، يضمن YOLO26 أوقات استدلال أسرع وحتمية ويبسط بشكل كبير مسارات النشر.
استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU): من خلال إزالة خسارة التركيز التوزيعي (DFL)، يعد النموذج مناسباً تماماً لأجهزة الحافة والأجهزة منخفضة الطاقة التي تفتقر إلى وحدات GPU مخصصة.
مُحسن MuSGD: بدمج ابتكارات تدريب النماذج اللغوية الكبيرة (المستوحاة من Moonshot AI)، يضمن هذا المُحسن الهجين تقارباً مستقراً وسريعاً أثناء التدريب.
دوال خسارة متقدمة: باستخدام ProgLoss + STAL، يظهر YOLO26 تحسينات ملحوظة في التعرف على الأشياء الصغيرة، وهو أمر حيوي للصور الجوية والروبوتات.

تعرف على المزيد حول YOLO26

الخلاصة#

لقد ساهم كل من DAMO-YOLO وYOLO11 بشكل كبير في تقدم رؤية الكمبيوتر السريعة والدقيقة. بينما توفر DAMO-YOLO رؤى أكاديمية شيقة حول البحث المعماري والتقطير، فإن Ultralytics YOLO11 (وYOLO26 الرائد) توفر تجربة مطور فائقة.

مع متطلبات ذاكرة أقل، وتوثيق شامل، وقدرات متعددة المهام، والتكامل مع منصة Ultralytics القوية، تظل نماذج Ultralytics هي التوصية الأولى للباحثين ومهندسي المؤسسات الذين يتطلعون إلى بناء حلول ذكاء اصطناعي قوية وقابلة للتوسعة. بالنسبة لأولئك الذين يستكشفون بنيات متقدمة أخرى، فإن مقارنة YOLO26 ضد RT-DETR توفر رؤى إضافية حول البدائل القائمة على Transformer.

المساهمون

GLglenn-jocher¹⁶ PDpderrenger¹

تم الإنشاء 27 يناير 2025تم التحديث قبل أسبوعين