DAMO-YOLO مقابل YOLO26#

يتطور مجال الرؤية الحاسوبية باستمرار، مدفوعًا بالحاجة إلى بنى توازن بين الدقة العالية والاستدلال منخفض زمن الاستجابة. تتناول هذه المقارنة التفاصيل التقنية الدقيقة لكل من DAMO-YOLO وUltralytics YOLO26، مستكشفةً ابتكاراتهما المعمارية، ومنهجيات التدريب، وحالات الاستخدام المثالية لهما.

سواء كنت تنشر نماذج الرؤية على أجهزة الحافة أو تبني مسارات معالجة سحابية عالية الإنتاجية، فإن فهم الفروق الدقيقة بين هذه النماذج أمر بالغ الأهمية لاتخاذ قرارات معمارية مستنيرة في تطوير الذكاء الاصطناعي الحديث.

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

تم إصدار DAMO-YOLO، الذي طوّرته مجموعة Alibaba، في 23 نوفمبر 2022. وقد صمّم النموذج كلٌّ من Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun، ويركز بدرجة كبيرة على الاكتشاف الآلي للبنى الفعّالة باستخدام البحث عن البنى العصبية (NAS).

يمكنك مراجعة البحث الأصلي في ورقة ArXiv أو استكشاف الشيفرة المصدرية في مستودع DAMO-YOLO على GitHub.

الميزات المعمارية الرئيسية#

يقدم DAMO-YOLO عدة ابتكارات تقنية مصممة لتوسيع حدود اكتشاف الأجسام في الزمن الحقيقي:

• الظهور الأساسية لـ MAE-NAS: يتيح DAMO-YOLO بحثاً موجهاً بالإنتروبيا القصوى للعثور على الظهور الأساسية المثلى. تكتشف طريقة البحث الآلي عن الشبكات المعمارية هذه بنيات توازن بدقة بين دقة الاكتشاف وسرعة الاستدلال على أجهزة محددة.
• RepGFPN الفعّال: تصميم عنق ثقيل يحسّن دمج السمات بدرجة كبيرة، وهو مفيد للغاية عند تحليل المشاهد المعقدة مثل تلك الموجودة في الصور الجوية.
• تصميم ZeroHead: رأس اكتشاف مبسّط بدرجة كبيرة يقلل التعقيد الحسابي لطبقات التنبؤ النهائية.
• AlignedOTA والتقطير: يستخدم DAMO-YOLO تعيين النقل الأمثل المتوافق (AlignedOTA) لمعالجة حالات الالتباس في تعيين التسميات، إلى جانب استراتيجية قوية لتحسين تقطير المعرفة بهدف رفع دقة النماذج الطلابية الأصغر باستخدام شبكات معلمة أكبر.

تعرف على المزيد حول DAMO-YOLO

ميزة Ultralytics: YOLO26#

تم إصدار YOLO26 في 14 يناير 2026 بواسطة جلين جوتشر وجينج تشيو في Ultralytics، وهو يمثل ذروة تقنية الذكاء الاصطناعي للرؤية القابلة للوصول وذات الأداء العالي. بناءً على إرث YOLO11 وYOLOv10، تم تصميم YOLO26 من الصفر لنشر الحوسبة الطرفية أولاً، وتعدد مهام متعددة، وسولة استخدام لا مثيل لها.

ابتكارات YOLO26#

يقدم Ultralytics YOLO26 عدة ميزات رائدة تجعل منه الخيار الحاسم لتطبيقات الرؤية الحاسوبية الحديثة:

• تصميم شامل من دون NMS: يلغي YOLO26 أصلاً المعالجة اللاحقة للكبت غير الأقصى (NMS). وقد ظهر هذا النهج الشامل أولًا في YOLOv10، وهو يبسّط مسارات النشر بدرجة كبيرة ويضمن استدلالًا حتميًا منخفض زمن الاستجابة.
• استدلال على CPU أسرع بنسبة تصل إلى 43%: جرى تحسين YOLO26 معماريًا للحوسبة الطرفية، وهو يوفر سرعة استثنائية على أجهزة الحافة وعلى وحدات CPU القياسية، ما يجعله مثاليًا لأجهزة إنترنت الأشياء التي تعمل بالبطاريات.
• مُحسِّن MuSGD: مستوحى من تدريب نماذج اللغة الكبيرة (مثل Kimi K2 من Moonshot AI)، يدمج YOLO26 بين SGD وMuon في نهج هجين. ويجلب ذلك استقرار تدريب نماذج اللغة الكبيرة إلى الرؤية الحاسوبية، ما يؤدي إلى تقارب أسرع وأكثر موثوقية.
• إزالة DFL: من خلال إزالة Distribution Focal Loss، تُبسّط بنية النموذج، ما يتيح التصدير السلس إلى تنسيقات مثل ONNX وTensorRT.
• ProgLoss + STAL: توفر دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهي ميزة حاسمة لـعمليات الطائرات المسيّرة والزراعة.

مقارنة الأداء#

عند تقييم هذه النماذج، يكون التوازن بين الدقة (mAP) والكفاءة الحسابية (السرعة/FLOPs) بالغ الأهمية. يوضح الجدول أدناه كيفية مقارنة هذه النماذج باستخدام مجموعة بيانات COCO المعيارية في المجال.

كما يتضح أعلاه، يحقق YOLO26 باستمرار دقة أعلى مع عدد أقل بكثير من المعاملات وFLOPs، ما ينتج عنه بنية أكثر كفاءة بكثير لكل من التدريب والاستدلال.

كفاءة التدريب وسهولة الاستخدام#

تعقيدات DAMO-YOLO#

على الرغم من أن DAMO-YOLO يحقق دقة تنافسية، فإن منهجية تدريبه معقدة للغاية. ويعني الاعتماد على البحث عن البنى العصبية (NAS) وتقطير المعرفة المكثف أن تدريب نموذج مخصص يتطلب غالبًا موارد GPU كبيرة ومعرفة متخصصة. وقد تؤدي هذه العملية متعددة المراحل—أي تدريب نموذج معلّم ضخم لتقطير معرفته في نموذج طالب أصغر—إلى إعاقة فرق الهندسة الرشيقة التي تحاول التكرار بسرعة على مجموعات بيانات مخصصة.

تجربة Ultralytics المبسّطة#

على العكس، صُمم Ultralytics YOLO26 لتوفير سهولة استخدام من «الصفر إلى الاحتراف». إذ تُجرى دورة حياة التدريب والتحقق والنشر بأكملها خلف واجهة Python API وCLI نظيفة وموحّدة. علاوةً على ذلك، يتطلب YOLO26 ذاكرة CUDA أقل بكثير أثناء التدريب مقارنةً بالنماذج القائمة على Transformer مثل RT-DETR، ما يتيح للباحثين تدريب نماذج متقدمة على أجهزة بمستوى الأجهزة الاستهلاكية.

فيما يلي مثال يوضح مدى سهولة تدريب نموذج YOLO26 وتقييمه وتصديره 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 إلى الفرق التي تفضل بيئة لا تتطلب كتابة شيفرة، توفر Ultralytics Platform واجهة سهلة الاستخدام لتعليق مجموعات البيانات، والتدريب السحابي، والنشر السلس.

التطبيقات الواقعية#

يعتمد اختيار البنية المناسبة بدرجة كبيرة على بيئة النشر المستهدفة وقيود الأجهزة.

مراقبة الجودة الصناعية#

بالنسبة إلى أتمتة التصنيع عالية السرعة، يمكن أن يحقق DAMO-YOLO أداءً جيدًا على أجهزة GPU مخصصة. إلا أن YOLO26 هو الخيار المفضل لخطوط التجميع الحديثة. إذ يضمن تصميمه الشامل من دون NMS زمن استجابة حتميًا خاليًا من التذبذب، وهو أمر ضروري عند مزامنة البيانات المرئية مع المشغلات الروبوتية في الوقت الفعلي.

الذكاء الاصطناعي الطرفي والأجهزة المحمولة#

يتطلب نشر الرؤية الحاسوبية على الأجهزة التي تعمل بالبطاريات كفاءة فائقة. وبينما يعتمد DAMO-YOLO على أعناق RepGFPN محددة، فإن YOLO26n (Nano) مُحسّن خصيصًا للحوسبة الطرفية. وتجعل إزالة DFL والاستدلال على CPU الأسرع بنسبة 43% منه الحل الأمثل للكاميرات الذكية، وتطبيقات الأجهزة المحمولة، وأنظمة إنذار الأمان.

متطلبات مشاريع المهام المتعددة#

إذا كان المشروع يتطلب أكثر من مجرد اكتشاف الأجسام—مثل تحليل حركات اللاعبين في الرياضات باستخدام تقدير الوضعية، أو استخراج حدود البكسلات الدقيقة باستخدام تجزئة المثيلات—فإن YOLO26 يوفر دعمًا أصليًا لجميع هذه المهام ضمن قاعدة شيفرة موحّدة واحدة. أما DAMO-YOLO فمحدود تمامًا باكتشاف الصناديق المحيطة.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين DAMO-YOLO وYOLO26 على متطلبات مشروعك الخاصة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار DAMO-YOLO#

يُعد DAMO-YOLO خيارًا قويًا من أجل:

• تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو عالية FPS على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند حجم الدفعة 1 هي المقياس الأساسي.
• خطوط التصنيع الصناعية: السيناريوهات ذات القيود الصارمة على زمن استجابة GPU ضمن عتاد مخصص، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
• أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والشبكات الأساسية المعاد تمثيلها بكفاءة على أداء الاكتشاف.

متى تختار YOLO26#

يوصى باستخدام YOLO26 من أجل:

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

الخلاصة#

تمثل كلتا البنيتين إنجازات مهمة في مجال التعلم العميق. ويوفر DAMO-YOLO لمحة رائعة عن قوة البحث عن البنى العصبية وتقنيات التقطير المصممة وفق معايير أجهزة محددة.

ومع ذلك، بالنسبة للمطورين والباحثين والمؤسسات التي تبحث عن حل جاهز للإنتاج، يبرز Ultralytics YOLO26 كخيار متفوق. إن دمجه لتصميم خالٍ من خوارزمية كمعالجة غير إخماد الحد الأقصى (NMS) من النهاية إلى النهاية، ومكاسب ضخمة في استدلال وحدة المعالجة المركزية، وتعدد المهام، والتكامل في نظام Ultralytics البيئي المُصان جيداً، يجعله الأداة الأكثر قوة وعملية لحل تحديات الرؤية الحاسوبية في العالم الحقيقي اليوم.

بالنسبة إلى المستخدمين المهتمين باستكشاف نماذج أخرى ضمن النظام البيئي لـUltralytics، تتوفر وثائق شاملة لـYOLO11 وYOLOv8 وRT-DETR القائم على Transformer.