DAMO-YOLO في مواجهة YOLOv5: تحليل متعمق لاكتشاف الكائنات في الوقت الفعلي

تميز تطور رؤية الكمبيوتر بابتكار مستمر في مجال اكتشاف الكائنات في الوقت الفعلي. اليوم، يواجه المطورون والباحثون عدداً لا يحصى من الخيارات المعمارية عند تصميم خطوط أنابيب الرؤية. تستكشف هذه المقارنة الفنية الشاملة الفروق الدقيقة بين DAMO-YOLO وUltralytics YOLOv5، مع تسليط الضوء على معمارياتها، ومنهجيات التدريب، ومقاييس الأداء، وسيناريوهات النشر المثالية.

مقدمة عن DAMO-YOLO

أطلقت مجموعة علي بابا (Alibaba Group) نموذج DAMO-YOLO، والذي قدم العديد من التقنيات الجديدة التي تهدف إلى تجاوز حدود سرعة ودقة الاكتشاف.

• المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, و Xiuyu Sun
• المنظمة: Alibaba Group
• التاريخ: 23 نوفمبر 2022
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• التوثيق: README.md

تعرف على المزيد حول DAMO-YOLO

الابتكارات المعمارية

بُني DAMO-YOLO على أساس البحث عن البنية العصبية (NAS). استخدم المؤلفون MAE-NAS لتصميم هياكل أساسية تلقائياً توازن بين وقت الاستجابة والدقة. يقدم النموذج بنية RepGFPN (شبكة هرم ميزات معممة ومعاد تشكيلها) فعالة تعمل على تحسين دمج الميزات عبر مقاييس مختلفة. علاوة على ذلك، يشتمل DAMO-YOLO على تصميم "ZeroHead"، متخلصاً من رؤوس التنبؤ المعقدة متعددة الفروع لصالح بنية أبسط وأكثر كفاءة تعتمد بشكل كبير على إعادة التشكيل أثناء الاستدلال.

لتحسين التدريب، يستخدم النموذج AlignedOTA لتعيين التصنيفات وعملية تعزيز تقطير ثقيلة، حيث يقوم نموذج "معلم" أكبر بتوجيه نموذج "طالب" أصغر لتحقيق دقة أعلى.

مقدمة عن Ultralytics YOLOv5

يعد Ultralytics YOLOv5 أحد أكثر معماريات الرؤية اعتماداً في العالم، وهو مشهور باستقراره وسهولة استخدامه ونظام النشر البيئي الواسع الخاص به.

• المؤلفون: Glenn Jocher
• المنظمة: Ultralytics
• التاريخ: 26 يونيو 2020
• GitHub: ultralytics/yolov5
• المستندات: YOLOv5 Documentation

اعرف المزيد حول YOLOv5

معيار النظام البيئي

أعاد YOLOv5 تعريف معيار الصناعة من حيث سهولة الاستخدام. بُني أصلياً في PyTorch، ويستخدم هيكل CSPNet عالي التحسين وعنق PANet لتجميع الميزات بشكل قوي. وبينما سبق اتجاه النماذج التي لا تعتمد على المراسي (anchor-free) الموجود في النماذج اللاحقة، فإن نهجه القائم على المراسي (anchor-based) والمصقول للغاية، جنباً إلى جنب مع التعلم التلقائي للمراسي، يضمن أداءً ممتازاً بمجرد الاستخدام.

تكمن القوة الحقيقية لـ YOLOv5 في نظامه البيئي المدار جيداً. فهو يتكامل بسلاسة مع أدوات التتبع مثل Comet و Weights & Biases، ويدعم التصدير بنقرة واحدة إلى تنسيقات مثل ONNX، و TensorRT، و CoreML.

مقارنة الأداء والمقاييس

عند مقارنة هذه النماذج، من الضروري النظر في التوازن بين متوسط دقة الاكتشاف (mAP)، وسرعة الاستدلال، وعدد المعلمات.

تحليل المفاضلات

يحقق DAMO-YOLO نتائج mAP مبهرة بالنسبة لأحجام معلماته، مستفيداً بشكل كبير من مرحلة تدريب التقطير. ومع ذلك، يأتي هذا على حساب كفاءة التدريب. تتطلب عملية التقطير متعددة المراحل تدريب نموذج معلم ثقيل أولاً، مما يزيد بشكل كبير من وقت حوسبة GPU وذاكرة VRAM اللازمة.

في المقابل، يوفر YOLOv5 متطلبات ذاكرة ممتازة. تشتهر نماذج Ultralytics YOLO باستهلاك أقل للذاكرة أثناء التدريب والاستدلال مقارنة بخطوط أنابيب التقطير المعقدة أو النماذج القائمة على المحولات (transformer-based) مثل RT-DETR. وهذا يسمح بتدريب YOLOv5 بكفاءة على أجهزة المستهلك أو بيئات السحاب المتاحة مثل Google Colab.

التطبيقات الواقعية وتعدد الاستخدامات

يعتمد اختيار البنية الصحيحة غالباً على بيئة النشر.

أين يتفوق DAMO-YOLO

يعتبر DAMO-YOLO نموذجاً مخصصاً حصرياً لـ اكتشاف الكائنات. وهو خيار ممتاز للبحث الأكاديمي، وخاصة للفرق التي تدرس البحث عن البنية العصبية أو أولئك الذين يهدفون إلى إعادة إنتاج تقنيات إعادة التشكيل المفصلة في الورقة البحثية. إذا كان لدى المشروع موارد حوسبة واسعة النطاق لتنفيذ مرحلة تدريب التقطير وكان يركز فقط على استخلاص آخر جزء من الدقة لصناديق الإحاطة ثنائية الأبعاد (2D BBox)، فإن DAMO-YOLO يعد منافساً قوياً.

ميزة Ultralytics

بالنسبة للإنتاج في العالم الحقيقي، فإن سهولة الاستخدام و تعدد الاستخدامات لنماذج Ultralytics تجعلها الخيار المفضل. في حين يظل YOLOv5 عنصراً أساسياً للاكتشاف و تصنيف الصور، فإن نظام Ultralytics البيئي الأوسع يسمح للمطورين بالتبديل بين المهام دون عناء.

على سبيل المثال، تدعم التكرارات الأحدث في عائلة Ultralytics أصلياً تجزئة المثيلات، و تقدير الوضعية، و اكتشاف صناديق الإحاطة الموجهة (OBB). تضمن هذه القدرة على أداء مهام متعددة أن الفرق يمكنها استخدام واجهة برمجة تطبيقات Python واحدة وموحدة لخطوط الأنابيب المعقدة، مثل الجمع بين التعرف الآلي على لوحات الأرقام وتجزئة المركبات.

حالات الاستخدام والتوصيات

يعتمد الاختيار بين DAMO-YOLO و YOLOv5 على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار DAMO-YOLO

يعد DAMO-YOLO خياراً قوياً لـ:

• تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات الفيديو عالية معدل الإطارات على بنية تحتية ثابتة لـ NVIDIA GPU حيث تعد إنتاجية الدفعة 1 المقياس الأساسي.
• خطوط التصنيع الصناعية: سيناريوهات ذات قيود زمن انتقال صارمة لوحدة معالجة الرسومات على أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
• أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث المؤتمت عن البنية (MAE-NAS) والهياكل الأساسية المعاد معلمات ذات الكفاءة على أداء الكشف.

متى تختار YOLOv5

يُوصى باستخدام YOLOv5 في الحالات التالية:

• أنظمة الإنتاج المثبتة: عمليات النشر الحالية التي يتم فيها تقدير سجل YOLOv5 الطويل من الاستقرار، والتوثيق المكثف، والدعم المجتمعي الهائل.
• التدريب بموارد محدودة: البيئات ذات موارد GPU المحدودة حيث يكون خط أنابيب التدريب الفعال ومتطلبات الذاكرة الأقل لـ YOLOv5 ميزة كبيرة.
• دعم واسع لتنسيقات التصدير: المشاريع التي تتطلب النشر عبر العديد من التنسيقات بما في ذلك ONNX، و TensorRT، و CoreML، و TFLite.

متى تختار Ultralytics (YOLO26)

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

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استدلالاً ثابتاً ومنخفض التأخير دون تعقيد المعالجة اللاحقة لـ Non-Maximum Suppression.
• بيئات تعتمد فقط على CPU: الأجهزة التي لا تحتوي على تسريع GPU مخصص، حيث توفر سرعة استدلال YOLO26 الأسرع بنسبة تصل إلى 43% على CPU ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات إنترنت الأشياء حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

المستقبل: الانتقال إلى YOLO26

بينما يعتبر YOLOv5 أسطورياً ويوفر DAMO-YOLO رؤى أكاديمية مثيرة للاهتمام، فقد تطورت أحدث التقنيات. يمثل Ultralytics YOLO26، الذي أُطلق في يناير 2026، قفزة هائلة إلى الأمام لمجتمع الرؤية.

اعرف المزيد عن YOLO26

يعالج YOLO26 الاختناقات التقليدية لنشر الحافة وعدم استقرار التدريب:

• End-to-End NMS-Free Design: YOLO26 natively eliminates Non-Maximum Suppression post-processing. This breakthrough simplifies deployment logic and drastically reduces latency variability, making it ideal for high-speed robotics and autonomous systems.
• مُحسِّن MuSGD: مستوحى من ابتكارات تدريب LLM (مثل Kimi K2 من Moonshot AI)، يستخدم YOLO26 مُحسِّن MuSGD (هجين بين SGD و Muon). يضمن هذا دورات تدريب مستقرة للغاية وتقارباً أسرع بشكل ملحوظ.
• استدلال أسرع بنسبة تصل إلى 43% على CPU: من خلال إزالة Distribution Focal Loss (DFL) استراتيجياً، يحقق YOLO26 سرعات فائقة على وحدات المعالجة المركزية (CPUs) وأجهزة الحافة مقارنة بأسلافه مثل YOLO11 و YOLOv8.
• ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لتحليل صور الطائرات بدون طيار وخلاصات مستشعرات إنترنت الأشياء (IoT).

مثال على الكود: البساطة في العمل

تسمح لك حزمة Ultralytics بتدريب ونشر النماذج ببضعة أسطر فقط من التعليمات البرمجية. سواء كنت تستخدم YOLOv5 أو تقوم بالترقية إلى YOLO26 الموصى به، تظل الواجهة متسقة وبديهية.

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 small model
model = YOLO("yolo26s.pt")

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

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

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

خاتمة

ساهم كل من DAMO-YOLO و YOLOv5 بشكل كبير في مشهد رؤية الكمبيوتر. يعرض DAMO-YOLO قوة البحث عن البنية العصبية والتقطير، مما يجعله دراسة مثيرة للاهتمام للباحثين. ومع ذلك، يظل YOLOv5 قوة عملية بفضل توازن الأداء، ومتطلبات الذاكرة المنخفضة، وسهولة الاستخدام التي لا تضاهى.

بالنسبة للمطورين الذين يبدأون مشاريع جديدة اليوم، التوصية هي الاستفادة من منصة Ultralytics واعتماد YOLO26. فهو يجمع بين النظام البيئي سهل الاستخدام المحبوب لـ YOLOv5 والتقدم المعماري الرائد، مما يضمن دقة عالية المستوى واستدلالاً سريعاً للغاية لكل من تطبيقات السحابة والحافة AI. قد يرغب المطورون أيضاً في استكشاف نماذج فعالة أخرى مثل YOLOv6 أو YOLOX اعتماداً على قيود الأجهزة القديمة المحددة.