ابدأ

DAMO-YOLO مقابل YOLOv6-3.0

أنتجت أبحاث الرؤية الحاسوبية بنى متخصصة مصممة للتطبيقات الصناعية. ويبرز نموذجان لتركيزهما على الأداء في الزمن الحقيقي وكفاءة النشر: DAMO-YOLO وYOLOv6-3.0. تقدم هذه الصفحة مقارنة تقنية بين بنيتيهما ومقاييس الأداء وأساليب التدريب لمساعدتك على الاختيار بينهما.

DAMO-YOLO: يجمع بين البحث عن البنى العصبية وكشف الأجسام#

طوّر باحثون في مجموعة Alibaba نموذج DAMO-YOLO، الذي يقدم نهجًا مبتكرًا لعائلة YOLO من خلال دمج البحث عن البنية العصبية (NAS) في تصميم العمود الفقري.

ابتكارات البنية#

يستخدم DAMO-YOLO عمودًا فقريًا محسّنًا عبر NAS يُسمى MAE-NAS، يبحث تلقائيًا عن بُنى شبكية فعالة ضمن قيود محددة لزمن الاستجابة. وهذا يضمن قابلية التوسع الفعالة للنموذج عبر ملفات تعريف الأجهزة المختلفة. ولتحسين دمج السمات، تستخدم البنية شبكة RepGFPN فعالة (شبكة هرم السمات المعممة ذات إعادة المعلمة)، ما يعزز تمثيل السمات متعددة المقاييس بدرجة كبيرة.

يقدم النموذج أيضًا تصميم «ZeroHead». فمن خلال إزالة البنى المعقدة متعددة الفروع من رأس الكشف، يحافظ على المعلومات المكانية بفعالية أكبر ويقلل في الوقت نفسه الحمل الحسابي. ويستخدم التدريب أيضًا AlignedOTA (إسناد النقل الأمثل المحاذي) وتقطير المعرفة، ما يسمح للنماذج الطلابية الأصغر بالتعلم من الشبكات المعلمة الأثقل التي تؤدي دور المعلم.

اطّلع على مزيد من المعلومات حول DAMO-YOLO

تعقيد التقطير

يساعد تقطير المعرفة DAMO-YOLO على تحقيق دقة عالية، لكنه يتطلب مسار تدريب متعدد المراحل. وهذا يزيد بدرجة كبيرة من الحوسبة على GPU اللازمة مقارنة بتدريب النماذج القياسية ذات المرحلة الواحدة.

YOLOv6-3.0: تعظيم معدل الإنتاجية الصناعية#

طوّره قسم Vision AI في Meituan، ويُقدَّم YOLOv6-3.0 صراحةً بوصفه كاشف أجسام صناعيًا صُمم لتعظيم معدل الإنتاجية على أجهزة NVIDIA.

  • المؤلفون: Chuyi Li وLulu Li وYifei Geng وHongliang Jiang وMeng Cheng وBo Zhang وZaidan Ke وXiaoming Xu وXiangxiang Chu
  • المؤسسة: Meituan
  • التاريخ: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6

الميزات والتحسينات الرئيسية#

بُني YOLOv6-3.0 على العمود الفقري EfficientRep المتوافق مع الأجهزة، ما يجعله سريعًا جدًا عند استخدام تحسينات مثل TensorRT على وحدات GPU الحديثة. وفي الإصدار v3.0، تدمج الشبكة وحدة BiC (الدمج ثنائي الاتجاه) لتحسين تحديد مواقع الأجسام ذات الأحجام المختلفة.

ومن الميزات البارزة الأخرى استراتيجية التدريب بمساعدة المراسي (AAT). تجمع AAT بين استقرار كواشف الأجسام المعتمدة على المراسي أثناء التدريب وسرعة الاستدلال التي يوفرها التصميم الخالي من المراسي. يتقارب هذا النهج الهجين جيدًا من دون التضحية بزمن استجابة النشر، ما يجعله خيارًا قويًا لمعالجة كميات كبيرة من الفيديو في تحليلات المدن الذكية وأنظمة الدفع الآلي.

تعرّف على المزيد حول YOLOv6

مقارنة الأداء#

عند تقييم هذه النماذج من أجل الاستدلال في الزمن الحقيقي، من الضروري تحقيق توازن بين عدد المعلمات وFLOPs ودقة mAP. يقارن الجدول أدناه أداءها.

النموذجالحجم
(بكسل)
‏mAPval50-95السرعة
CPU ONNX
(مللي ثانية)
السرعة
T4 TensorRT10
(ms)
المعاملات
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

يتقدم DAMO-YOLO قليلًا في فئة النماذج الصغيرة (46.0 mAP مقابل 45.0 mAP)، لكن YOLOv6-3.0 يتوسع على نحو أفضل، متصدرًا الفئتين المتوسطة والكبيرة مع الحفاظ على أقل عدد من المعلمات في إعداد nano.

الاختيار بين النموذجين

إذا كانت بيئة الأجهزة لديك تسمح بإجراء عمليات بحث آلية مكثفة لتخصيص العمود الفقري، فإن نهج NAS في DAMO-YOLO فعال. أما إذا كنت تعتمد كليًا على تسريع GPU المعياري (مثل T4 أو A100)، فغالبًا ما تحقق بُنى EfficientRep في YOLOv6 معدل FPS خامًا أعلى.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين DAMO-YOLO وYOLOv6 على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.

متى تختار DAMO-YOLO#

يُعد DAMO-YOLO خيارًا قويًا في الحالات التالية:

  • تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو ذات معدل إطارات مرتفع على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند batch-1 المقياس الأساسي.
  • خطوط التصنيع الصناعي: السيناريوهات ذات قيود زمن استجابة صارمة على GPU ضمن أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
  • أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والعمود الفقري الفعال المعاد تحديد معلماته على أداء الكشف.

متى تختار YOLOv6#

يُنصح بـ YOLOv6 في الحالات التالية:

  • النشر الملائم لعتاد الصناعة: الحالات التي يوفر فيها التصميم المراعي للعتاد وإعادة المعلمة الفعّالة للنموذج أداءً محسّنًا على عتاد مستهدف محدد.
  • الكشف السريع أحادي المرحلة: التطبيقات التي تعطي الأولوية لسرعة الاستدلال الخام على GPU لمعالجة الفيديو في الوقت الفعلي ضمن بيئات خاضعة للتحكم.
  • التكامل مع منظومة Meituan: الفرق التي تعمل بالفعل ضمن حزمة تقنيات Meituan وبنية النشر التحتية.

متى تختار Ultralytics (YOLO26)#

بالنسبة إلى معظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

  • النشر الطرفي دون NMS: التطبيقات التي تتطلب استدلالاً ثابتاً بزمن استجابة منخفض، من دون تعقيد المعالجة اللاحقة للكبت غير الأقصى.
  • البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تحتوي على تسريع مخصص بواسطة GPU، حيث يمنح الاستدلال على CPU في YOLO26، الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n)، أفضلية واضحة.
  • اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل صور الطائرات المسيّرة الجوية أو تحليل مستشعرات إنترنت الأشياء، حيث يعزز ProgLoss وSTAL دقة اكتشاف الأجسام الدقيقة بدرجة كبيرة.

ميزة Ultralytics: تقديم YOLO26#

يتميز كل من DAMO-YOLO وYOLOv6-3.0 بالقدرة، لكن منظومتيهما مجزأتان، وإمكاناتهما محدودة بمهمة واحدة، ومسارات النشر فيهما معقدة. أما الفرق الهندسية الحديثة، فتحصل مع نماذج Ultralytics على تجربة مطور أفضل بكثير، وأحدثها YOLO26.

صُمم YOLO26، الصادر في يناير 2026، للنشر على الأجهزة الطرفية والسحابة معًا، مع تحسين متطلبات الذاكرة والكفاءة الحسابية.

لماذا تختار YOLO26؟#

  1. تصميم شامل من دون NMS: استنادًا إلى مفاهيم YOLOv10، يدعم YOLO26 الاستدلال الشامل الأصلي، الذي يتجاوز المعالجة اللاحقة لـكبح غير الأقصى (NMS) عبر رأس اختياري أحادي المطابقة (nms=False). وهذا يبسط شيفرة النشر ويقلل تفاوت زمن الاستدلال بين الأجهزة الطرفية.
  2. تحسين مُعزّز: يستخدم YOLO26 مُحسِّن MuSGD، وهو مزيج من SGD وMuon (مستوحى من تدريب النماذج اللغوية الكبيرة)، ما ينتج عنه تدريب مستقر وتقارب أسرع.
  3. توافق مع مختلف الأجهزة: يؤدي إزالة DFL (خسارة البؤرة التوزيعية) إلى تبسيط رؤوس الإخراج وتحسين التوافق مع الأجهزة الطرفية. ويحقق YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعله أنسب من YOLOv6 للهواتف المحمولة أو بيئات إنترنت الأشياء الطرفية.
  4. دقة محسّنة: يحسّن YOLO26، بفضل ProgLoss + STAL، كشف الأجسام الصغيرة، ما يجعله خيارًا قويًا لـالصور الجوية وفحص العيوب.
  5. تعدد المهام: على خلاف النماذج الصناعية التي لا تتنبأ إلا بمربعات الإحاطة، تدعم عائلة YOLO26 مهام متعددة، منها تجزئة المثيلات وتصنيف الصور وتقدير الوضعية ومربعات الإحاطة الموجّهة (OBB).

تجربة النظام البيئي#

تغطي منصة Ultralytics دورة حياة التعلم الآلي بأكملها. ولا يتطلب تدريب النموذج مسار تقطير متعدد المراحل. وبفضل زيادة البيانات التلقائية وضبط المعلمات الفائقة الموحد والتصدير بنقرة واحدة إلى تنسيقات مثل ONNX وOpenVINO وCoreML، يمكنك الانتقال سريعًا من مجموعة البيانات إلى الإنتاج.

تشتهر نماذج Ultralytics أيضًا بـكفاءة استخدام الذاكرة، إذ تتجنب متطلبات VRAM الكبيرة التي تحتاجها بُنى Transformer مثل RT-DETR.

مثال سريع على الشفرة#

من السهل تدريب نموذج Ultralytics مثل YOLO26 وتشغيل الاستدلال به. يوضح نص Python التالي كيفية التدريب وتشغيل الاستدلال والتصدير باستخدام بضعة أسطر من الشيفرة:

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO26 النانوي عالي الكفاءة⁩
model = YOLO("yolo26n.pt")

# ⁨درّب النموذج على مجموعة البيانات المخصصة⁩
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# ⁨إجراء الاستدلال على صورة نموذجية⁩
prediction = model("https://ultralytics.com/images/bus.jpg")

# ⁨تصدير إلى TensorRT لتحقيق أقصى معدل إنتاجية لـGPU⁩
model.export(format="engine", dynamic=True)

الخلاصة#

يمثل كل من DAMO-YOLO وYOLOv6-3.0 عملًا هندسيًا مثيرًا للإعجاب أسهم في تطوير كشف الأجسام الصناعي. لكنهما أداتان متخصصتان تتطلبان غالبًا إعدادات دقيقة وقيودًا صارمة على الأجهزة.

للمطورين والباحثين الذين يحتاجون إلى توازن أداء قوي وإمكانات متعددة المهام ومنظومة تحظى بصيانة جيدة، يُوصى باستخدام Ultralytics YOLO26. فمن خلال الجمع بين مُحسِّن مستوحى من النماذج اللغوية الكبيرة وبنية واضحة تدعم الاستدلال من دون NMS، يبسط YOLO26 نشر الذكاء الاصطناعي مع تقديم دقة عالية في البيئات الطرفية والسحابية.

إذا كنت تقيّم نماذج لمشروع جديد في الرؤية الحاسوبية، فابدأ باستكشاف إمكانات منظومة Ultralytics YOLO. وقد يفيدك أيضًا مقارنتها ببنى أخرى مثل EfficientDet أو بمحطات سابقة مثل YOLO11 لفهم تطور الذكاء الاصطناعي للرؤية في الزمن الحقيقي فهمًا كاملًا.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.