DAMO-YOLO في مقابل YOLO26#

يشهد مجال الرؤية الحاسوبية تطوراً مستمراً، مدفوعاً بالحاجة إلى بنيات توازن بين الدقة العالية والاستدلال منخفض التأخير. تتعمق هذه المقارنة في التفاصيل التقنية لـ DAMO-YOLO و Ultralytics YOLO26، وتستكشف ابتكاراتهما المعمارية ومنهجيات التدريب وحالات الاستخدام المثالية.

سواء كنت تقوم بنشر نماذج الرؤية على أجهزة الحافة (edge devices) أو تبني خطوط معالجة سحابية ذات إنتاجية عالية، فإن فهم الفروق الدقيقة بين هذه النماذج أمر بالغ الأهمية لاتخاذ قرارات معمارية مستنيرة في تطوير الذكاء الاصطناعي الحديث.

DAMO-YOLO: البحث في البنية العصبية على نطاق واسع#

DAMO-YOLO، الذي تم تطويره بواسطة Alibaba Group، تم إصداره في 23 نوفمبر 2022. تم تصميم النموذج بواسطة Xianzhe Xu، وYiqi Jiang، وWeihua Chen، وYilun Huang، وYuan Zhang، وXiuyu Sun، ويركز النموذج بشكل كبير على الاكتشاف التلقائي للهندسات الفعالة باستخدام بحث الهندسة العصبية (NAS).

يمكنك مراجعة البحث الأصلي في ArXiv paper الخاص بهم أو استكشاف الشفرة المصدرية على DAMO-YOLO GitHub repository.

الميزات المعمارية الرئيسية#

يقدم DAMO-YOLO العديد من الابتكارات التقنية المصممة لدفع حدود الكشف عن الأجسام في الوقت الفعلي:

• بنيات MAE-NAS: يستخدم DAMO-YOLO بحثاً تطورياً متعدد الأهداف للعثور على البنيات الأساسية (backbones) المثلى. يكتشف نهج NAS هذا البنيات التي توازن بدقة بين دقة الكشف وسرعة الاستدلال على أجهزة محددة.
• Efficient RepGFPN: تصميم عنق ثقيل يحسن دمج الميزات بشكل كبير، وهو مفيد للغاية عند تحليل المشاهد المعقدة مثل تلك الموجودة في aerial imagery.
• تصميم ZeroHead: رأس كشف مبسط للغاية يقلل من التعقيد الحسابي لطبقات التنبؤ النهائية.
• AlignedOTA والتقطير: يستخدم DAMO-YOLO تعيين النقل الأمثل المحاذي (AlignedOTA) لحل غموض تعيين التسميات، مقترناً باستراتيجية قوية لتعزيز تقطير المعرفة لزيادة دقة نماذج الطلاب الأصغر باستخدام شبكات معلمين أكبر.

تعرف على المزيد حول DAMO-YOLO

ميزة Ultralytics: YOLO26#

تم إصداره في 14 يناير 2026 بواسطة Glenn Jocher وJing Qiu في Ultralytics، يمثل YOLO26 ذروة الذكاء الاصطناعي للرؤية عالي الأداء وسهل الوصول إليه. بناءً على إرث YOLO11 وYOLOv10، تم تصميم YOLO26 من الصفر للنشر الموجه نحو الحافة، والتعددية الوسائط، وسهولة الاستخدام التي لا مثيل لها.

ابتكارات YOLO26#

يقدم Ultralytics YOLO26 العديد من الميزات الرائدة التي تجعله الخيار النهائي لتطبيقات الرؤية الحاسوبية الحديثة:

• تصميم شامل (End-to-End) خالٍ من NMS: يلغي YOLO26 محلياً معالجة ما بعد الكشف غير الأقصى (NMS). هذا النهج الشامل، الذي تم ريادته في YOLOv10، يبسط خطوط معالجة النشر بشكل جذري ويضمن استدلالاً حتمياً ومنخفض التأخير.
• استدلال وحدة معالجة مركبة أسرع بنسبة تصل إلى 43%: محسن هندسياً للحوسبة المتطورة، يوفر YOLO26 سرعة استثنائية على أجهزة الحافة وCPUs القياسية، مما يجعله مثاليًا لأجهزة إنترنت الأشياء التي تعمل بالبطارية.
• مُحسِّن MuSGD: مستوحى من تدريب النماذج اللغوية الكبيرة (مثل Kimi K2 من Moonshot AI)، يدمج YOLO26 مزيجاً من SGD و Muon. يجلب هذا استقرار تدريب النماذج اللغوية الكبيرة إلى الرؤية الحاسوبية، مما يؤدي إلى تقارب أسرع وأكثر موثوقية.
• إزالة DFL: من خلال إزالة خسارة بؤرة التوزيع، يتم تبسيط رسم البيان للنموذج، مما يتيح التصدير السلس إلى تنسيقات مثل ONNX وTensorRT.
• ProgLoss + STAL: توفر هذه الدوال المتقدمة للخسارة تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهي ميزة حاسمة لـ drone operations وagriculture.

تعرف على المزيد حول YOLO26

مقارنة الأداء#

عند تقييم هذه النماذج، يُعد التوازن بين الدقة (mAP) والكفاءة الحسابية (Speed/FLOPs) أمراً بالغ الأهمية. يسلط الجدول أدناه الضوء على كيفية مقارنة هذه النماذج باستخدام COCO dataset القياسي في الصناعة.

كما رأينا أعلاه، يوفر YOLO26 باستمرار دقة أعلى مع عدد أقل بكثير من المعلمات و FLOPs، مما يؤدي إلى بنية أكثر كفاءة بكثير لكل من التدريب والاستدلال.

كفاءة التدريب وسهولة الاستخدام#

تعقيدات DAMO-YOLO#

بينما يحقق DAMO-YOLO دقة تنافسية، فإن منهجية تدريبه معقدة للغاية. إن الاعتماد على بحث البنية العصبية (NAS) وتقطير المعرفة الثقيل يعني أن تدريب نموذج مخصص يتطلب غالباً موارد GPU كبيرة ومعرفة متخصصة. يمكن لهذه العملية متعددة المراحل—تدريب نموذج معلم ضخم للتقطير في نموذج طالب أصغر—أن تعيق فرق الهندسة الرشيقة التي تحاول التكرار بسرعة على مجموعات البيانات المخصصة.

تجربة Ultralytics المبسطة#

في المقابل، تم تصميم Ultralytics YOLO26 لسهولة الاستخدام "من الصفر إلى الاحتراف". يتم تلخيص دورة حياة التدريب والتحقق والنشر بالكامل خلف واجهة برمجة تطبيقات Python وCLI موحدة ونظيفة. علاوة على ذلك، يتطلب YOLO26 ذاكرة CUDA أقل بكثير أثناء التدريب مقارنة بالنماذج المستندة إلى المحولات مثل RT-DETR، مما يسمح للباحثين بتدريب أحدث النماذج على الأجهزة الاستهلاكية.

فيما يلي مثال على مدى بساطة تدريب وتقييم وتصدير نموذج YOLO26 باستخدام Ultralytics SDK:

from ultralytics import YOLO

# Load the latest YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Evaluate the model's performance on the validation set
metrics = model.val()

# Run inference on a sample image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

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

بالنسبة للفرق التي تفضل بيئة بدون تعليمات برمجية، توفر Ultralytics Platform واجهة بديهية لتعليقات مجموعات البيانات، والتدريب السحابي، والنشر السلس.

تطبيقات العالم الحقيقي#

يعتمد اختيار البنية الصحيحة بشكل كبير على بيئة النشر المستهدفة وقيود الأجهزة.

مراقبة الجودة الصناعية#

لأتمتة manufacturing automation عالية السرعة، يمكن لـ DAMO-YOLO أن يعمل بشكل جيد على أجهزة GPU مخصصة. ومع ذلك، يُعد YOLO26 الخيار المفضل لخطوط التجميع الحديثة. يضمن تصميمه End-to-End NMS-Free زمن انتقال حتمي وخالٍ من التشويش، وهو أمر أساسي عند مزامنة البيانات المرئية مع المحركات الروبوتية في الوقت الفعلي.

ذكاء الحافة والأجهزة المحمولة#

يتطلب نشر رؤية الكمبيوتر على الأجهزة التي تعمل بالبطاريات كفاءة قصوى. وبينما يعتمد DAMO-YOLO على رقاب RepGFPN محددة، فإن YOLO26n (Nano) محسّن خصيصًا للحوسبة المتطورة. إن إزالة DFL والاستدلال على وحدة المعالجة المركزية أسرع بنسبة 43% يجعله الحل الأمثل للكاميرات الذكية وتطبيقات الجوال وsecurity alarm systems.

متطلبات المشاريع متعددة الوسائط#

إذا كان المشروع يتطلب أكثر من مجرد اكتشاف الكائنات - مثل تحليل ميكانيكا اللاعب في sports باستخدام تقدير الوضع، أو استخراج حدود البكسل الدقيقة باستخدام تجزئة المثيل - فإن YOLO26 يوفر دعمًا أصليًا عبر كل هذه المهام ضمن قاعدة تعليمات برمجية واحدة وموحدة. يقتصر DAMO-YOLO بشكل صارم على اكتشاف مربع الإحداثيات.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين DAMO-YOLO و YOLO26 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 YOLO26#

يوصى بـ YOLO26 لـ:

• 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.

الخلاصة#

تمثل كلتا البنيتين إنجازات مهمة في مجال التعلم العميق. يقدم DAMO-YOLO لمحة رائعة عن قوة بحث البنية العصبية وتقنيات التقطير المصممة لمعايير الأجهزة المحددة.

ومع ذلك، بالنسبة للمطورين والباحثين والشركات التي تبحث عن حل جاهز للإنتاج، يبرز Ultralytics YOLO26 كخيار متفوق. إن مزيجه من التصميم الشامل الخالي من NMS، ومكاسب استدلال CPU الهائلة، وتعدد الوسائط، والتكامل في نظام Ultralytics البيئي الذي يتم صيانته جيداً يجعله الأداة الأكثر قوة وعملية لحل تحديات الرؤية الحاسوبية في العالم الحقيقي اليوم.

للمستخدمين المهتمين باستكشاف نماذج أخرى داخل نظام Ultralytics البيئي، تتوفر وثائق شاملة لـ YOLO11، وYOLOv8، وRT-DETR المستند إلى المحولات.