ابدأ

DAMO-YOLO مقابل YOLOv8

تواصل الرؤية الحاسوبية في الزمن الحقيقي تطورها مع تحسين الباحثين والمهندسين للسرعة والدقة. ومن المحطات المهمة DAMO-YOLO وUltralytics YOLOv8. وعلى الرغم من أن كلا النموذجين يستهدف تحسين المفاضلة بين زمن الاستجابة ومتوسط الدقة المتوسط (mAP)، فإنهما يتبعان نهجين معماريين مختلفين جوهريًا في اكتشاف الأجسام.

تغطي هذه المقارنة التقنية التصميمات المعمارية الأساسية وأساليب التدريب وعمليات النشر العملية لكلا النموذجين، لمساعدتك في اختيار الأداة المناسبة لمشروع AI المقبل.

سلالة النماذج ومواصفاتها#

يوفر فهم أصول نماذج التعلم العميق هذه سياقًا قيّمًا لأهداف تصميمها ومنظومات نشرها.

تفاصيل DAMO-YOLO#

تعرّف على المزيد حول DAMO-YOLO

تفاصيل Ultralytics YOLOv8#

ابتكارات البنية#

تنبع خصائص أداء كلتا المعماريتين من خياراتهما البنيوية الفريدة.

يعتمد DAMO-YOLO بدرجة كبيرة على البحث عن البنى العصبية (NAS) لاكتشاف بنى شبكات فعالة تلقائيًا. ويقدم مفهومًا يسمى MAE-NAS، يبحث عن عموديات تحقق أداءً عاليًا مع زمن استجابة منخفض. كما يستخدم شبكة هرم ميزات معممة مُعادَة المعلمات (RepGFPN) فعالة لتعزيز دمج الميزات عبر المقاييس المكانية المختلفة.

أدخل فريق Alibaba تصميم ZeroHead وإسناد التسميات AlignedOTA لتحسين التدريب. ويعتمد الفريق أيضًا على عملية معقدة لتقطير المعرفة، حيث يوجه نموذج معلّم ثقيل نموذجًا متعلمًا خفيفًا لتحقيق دقة إضافية على المعايير الأكاديمية.

YOLOv8: مبسّط ومتعدد الاستخدامات#

اتبعت Ultralytics نهجًا يضع المطور أولًا مع YOLOv8. وانتقلت من التصميم المعتمد على المراسي في YOLOv5 إلى معمارية خالية من المراسي، ما قلّل عدد تنبؤات مربعات الإحاطة وسرّع الاستدلال بدرجة كبيرة. وأدى إدخال وحدة C2f (عنق الزجاجة الجزئي عبر المراحل مع التفافين) إلى تحسين تدفق التدرّج وتمثيل السمات دون إضافة عبء حسابي مفرط.

على خلاف النماذج التي تستهدف المربعات المحيطة حصرًا، صُمم YOLOv8 منذ البداية لدعم مهام متعددة. وتدعم قاعدة شيفرة موحدة قائمة على PyTorch تقسيم المثيلات وتصنيف الصور وتقدير الوضعية بشكل أصلي، ما يوفر على المهندسين عناء تجميع مستودعات منفصلة.

تدريب فعال

تتطلب نماذج Ultralytics ذاكرة أقل أثناء التدريب مقارنة بالتصميمات المعمارية الثقيلة القائمة على Transformer، ما يتيح تحقيق نتائج قوية على وحدات GPU الاستهلاكية القياسية.

مقارنة الأداء#

عند مقارنة المقاييس الخام، من الضروري تحليل كيفية ترجمة القدرات النظرية إلى أداء على العتاد. ويوضح الجدول أدناه المفاضلات بين أحجام النماذج.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

على الرغم من أن DAMO-YOLO يحقق نسبًا قوية بين المعلمات والدقة بفضل تقنيات التقطير، يقدم YOLOv8 نطاقًا أوسع من أحجام النماذج (من Nano إلى Extra-large). ونموذج YOLOv8n مُحسّن جيدًا للأجهزة الطرفية؛ إذ يستهلك موارد أقل مع الحفاظ على دقة عملية.

المنظومة وتجربة المطور#

المنظومة هي العامل الرئيسي الذي يميز الأوراق الأكاديمية عن الأنظمة الجاهزة للإنتاج.

قد يجعل اعتماد DAMO-YOLO على مسارات تقطير المعرفة الموسعة التدريب المخصص مرهقًا. فإنتاج نموذج معلّم ونقل المعرفة وضبط العموديات القائمة على NAS يتطلب ذاكرة CUDA كبيرة وإعدادات متقدمة، ما يبطئ غالبًا فرق الهندسة سريعة الحركة.

في المقابل، تعطي منظومة Ultralytics الأولوية لسهولة الاستخدام. فمن خلال منصة Ultralytics، يمكن للمطورين الوصول إلى واجهات API بسيطة ووثائق شاملة وتكاملات قوية لتتبع التجارب. ويسهّل إطار Python الموحد إنشاء مسارات عمل معقدة.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLOv8 nano مدرّب مسبقًا⁩
model = YOLO("yolov8n.pt")

# ⁨تدريب النموذج على مجموعة بيانات مخصصة باستخدام تحسينات البيانات المدمجة⁩
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# ⁨تصدير النموذج المدرّب إلى تنسيق ONNX لنشره⁩
model.export(format="onnx")

يوفر مسار العمل المبسط هذا، إلى جانب التصدير إلى OpenVINO وTensorRT، انتقالًا سلسًا من إنشاء النماذج الأولية محليًا إلى النشر السحابي أو الطرفي.

التطبيقات الواقعية وحالات الاستخدام المثالية#

غالبًا ما يتوقف الاختيار بين هذه المعماريات على القيود التشغيلية لبيئتك.

الحالات المناسبة لـDAMO-YOLO#

يُعد DAMO-YOLO خيارًا جيدًا للبيئات الأكاديمية التي تدرس البحث عن البنى العصبية أو للباحثين الذين يحاولون إعادة تنفيذ استراتيجيات إعادة المعلمات المعقدة. ويمكنه أيضًا الأداء جيدًا في التطبيقات الصناعية شديدة التحكم، مثل اكتشاف العيوب عالي السرعة على خطوط التصنيع، شريطة امتلاك الفريق موارد الحوسبة اللازمة للتعامل مع التدريب متعدد المراحل.

لماذا تتصدر Ultralytics مجال الإنتاج#

توفر نماذج Ultralytics توازنًا أفضل بين الأداء لمعظم المشاريع التجارية.

  • البيع بالتجزئة الذكي: استخدام قدرات YOLOv8 متعددة المهام لمعالجة اكتشاف مربعات الإحاطة للمخزون وتقدير الوضعية لتحليل سلوك العملاء.
  • الزراعة: استخدام تجزئة المثيلات لاكتشاف الحدود الدقيقة للنباتات والأعشاب الضارة في بثوث الجرارات الآنية.
  • الصور الجوية: الاستفادة من مربعات الإحاطة الموجّهة (OBB) لتتبّع المركبات والسفن الدوارة بدقة من الطائرات المسيّرة أو الأقمار الصناعية.
نماذج أخرى جديرة بالاهتمام

إذا كنت تستكشف المجال الأوسع، فقد ترغب أيضًا في مقارنة YOLOv10 أو YOLO11، اللذين يقدمان مزيدًا من التطورات في اكتشاف الأجسام الخالي من المراسي.

الاستعداد للمستقبل: ظهور YOLO26#

على الرغم من أن YOLOv8 يظل نموذجًا تأسيسيًا، فإن المجال واصل التقدم. ويوصى باستخدام YOLO26 لجميع التطويرات الجديدة. وقد صدر في يناير 2026، ممثلًا قفزة كبيرة إلى الأمام ضمن سلسلة Ultralytics.

يقدم YOLO26 تصميمًا أصليًا شاملًا من البداية إلى النهاية بلا NMS (nms=False) يزيل اختناق قمع غير الأقصى التقليدي عند تفعيله. وبالاقتران مع إزالة Distribution Focal Loss (DFL)، يمنح هذا التصميم YOLO26n استدلالًا على CPU أسرع بنسبة تصل إلى 43% من YOLO11n، ما يجعله ملائمًا للحوسبة الطرفية وعتاد إنترنت الأشياء.

يقدم YOLO26 أيضًا محسّن MuSGD، وهو محسّن هجين مستوحى من تقنيات تدريب نماذج اللغة الكبيرة (LLM)، ويوفر تقاربًا أسرع وتدريبًا مستقرًا. وبالاقتران مع استراتيجية التدريب الجديدة ProgLoss + STAL، يحسن YOLO26 التعرف على الأجسام الصغيرة، ما يتيح عمليات نشر سريعة ودقيقة في آن واحد.

المساهمون

التعليقات

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.