مقارنة بين PP-YOLOE+ وDAMO-YOLO#
أدى التطور المستمر في مجال الرؤية الحاسوبية إلى ظهور مجموعة من البنى المتخصصة للغاية لاكتشاف الأجسام في الوقت الفعلي. وعند تقييم النماذج لتطبيقات الصناعة والبحث، غالبًا ما يبرز إطاران بارزان من عام 2022 في النقاش: PP-YOLOE+ من Baidu وDAMO-YOLO من Alibaba Group. دفع كلا النموذجين حدود الاكتشاف الخالي من المراسي من خلال تقديم شبكات أساسية مبتكرة، واستراتيجيات متقدمة لإسناد التسميات، وتقنيات متخصصة لدمج السمات.
يقدم هذا الدليل تحليلًا تقنيًا مفصلًا لـ PP-YOLOE+ وDAMO-YOLO، مع استكشاف بنيتهما ومنهجيات تدريبهما ونقاط قوتهما في النشر. وسنفحص أيضًا كيفية مقارنة هذين الإطارين بالحلول الحديثة مثل Ultralytics YOLO26 لمساعدتك على اختيار الأداة المناسبة لقيود النشر الخاصة بك.
PP-YOLOE+: اكتشاف الأجسام الصناعي المحسّن#
طُوّر PP-YOLOE+ ضمن منظومة Baidu، وهو تحسين تكراري على PP-YOLOE الأصلي، وقد حُسّن بدرجة كبيرة لإطار التعلم العميق PaddlePaddle. وصُمم لتعظيم الدقة وسرعة الاستدلال على العتاد المخصص للخوادم، ما يجعله خيارًا قويًا للفحص الصناعي وتطبيقات التجزئة الذكية.
الابتكارات المعمارية#
يقدم PP-YOLOE+ عدة تحسينات معمارية للتفوق على كاشفات الأجسام السابقة الخالية من المراسي:
- الشبكة الأساسية CSPRepResNet: تستخدم هذه الشبكة الأساسية بنية بأسلوب RepVGG مقترنة باتصالات التجزئة الجزئية عبر المراحل (CSP)، ما يوفر توازنًا قويًا بين قدرة استخراج السمات وزمن استجابة الاستدلال.
- تعلم مواءمة المهام (TAL): يستخدم PP-YOLOE+ استراتيجية متقدمة وديناميكية لإسناد التسميات، تعمل على مواءمة مهمتي التصنيف والانحدار أثناء التدريب، ما يقلل الفجوة بين أداء التدريب والاستدلال.
- رأس المهام المتوائم الفعّال (ET-head): رأس كشف مبسّط مصمم لمعالجة السمات بسرعة من دون التضحية بالدقة المكانية، وهو مفيد للغاية للحفاظ على مقاييس mAP المرتفعة.
تفاصيل PP-YOLOE+:
- المؤلفون: مؤلفو PaddlePaddle
- المنظمة: Baidu
- التاريخ: 2022-04-02
- Arxiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- الوثائق: وثائق PP-YOLOE+
DAMO-YOLO: البحث عن البنية العصبية على الحافة#
أنشأته أكاديمية DAMO التابعة لـ Alibaba، ويتبع DAMO-YOLO نهجًا مختلفًا بوضوح. فبدلًا من تصميم الشبكة الأساسية يدويًا، استخدم فريق البحث البحثَ عن البنية العصبية (NAS) لاكتشاف طوبولوجيات شبكية عالية الكفاءة ومهيأة لقيود زمن الاستجابة الصارمة.
الميزات الرئيسية وخط أنابيب التدريب#
يركز DAMO-YOLO على انخفاض زمن الاستجابة وارتفاع الدقة من خلال منهجية آلية تعتمد بدرجة كبيرة على التقطير:
- الركائز الأساسية بنظام MAE-NAS: من خلال استخدام بحث بنية الشبكة العصبية ذي الإنتروبيا القصوى، تبني DAMO-YOLO ركائز أساسية مُحسَّنة خصيصًا للمفاضلة بين المعلمات والدقة.
- RepGFPN الفعّال: تتيح شبكة هرم السمات المعمّمة المُعاد تحديد معلماتها دمجًا متينًا للسمات متعددة المقاييس، ما يساعد النموذج على اكتشاف أجسام ذات أحجام مختلفة جدًا في الإطار الواحد.
- تصميم ZeroHead: رأس كشف مبسّط للغاية يخفض بدرجة كبيرة العبء الحسابي أثناء مرحلة الاستدلال.
- تحسين التقطير: لتعزيز أداء المتغيرات الأصغر، يعتمد DAMO-YOLO بدرجة كبيرة على عملية معقدة لتقطير المعرفة، حيث يوجّه نموذج معلّم أكبر نموذجَ الطالب.
تفاصيل DAMO-YOLO:
- المؤلفون: Xianzhe Xu، وYiqi Jiang، وWeihua Chen، وYilun Huang، وYuan Zhang، وXiuyu Sun
- الجهة: Alibaba Group
- التاريخ: 2022-11-23
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
- الوثائق: وثائق DAMO-YOLO
مع أن PP-YOLOE+ وDAMO-YOLO يقدمان ابتكارات نظرية متينة، فإنهما مرتبطان ارتباطًا وثيقًا بإطاريهما المعنيين (PaddlePaddle وبيئات Alibaba محددة). وقد يسبب ذلك صعوبات عند محاولة نقل هذين النموذجين إلى عمليات نشر سحابية أو طرفية موحّدة.
تحليل الأداء#
عند تقييم هذين النموذجين، تحدد المفاضلة بين زمن الاستجابة والتعقيد الحسابي (FLOPs) ومتوسط الدقة (mAP) بيئة النشر المثالية لكل منهما.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
يحقق DAMO-YOLO عمومًا أزمنة استجابة أقل على TensorRT ضمن مقياسي nano وtiny، ما يجعله منافسًا قويًا لبث الفيديو عالي الإنتاجية. ومع ذلك، يتوسع PP-YOLOE+ بكفاءة كبيرة وصولًا إلى متغيره فائق الكبر (x)، محققًا دقة من المستوى الأعلى للصور المعقدة التي يكون فيها زمن الاستدلال عاملًا ثانويًا.
ميزة Ultralytics: تجاوز بُنى عام 2022#
مع أن PP-YOLOE+ وDAMO-YOLO شكّلا محطتين مهمتين، فإن التطوير الحديث يتطلب مرونة أكبر، وخطوط أنابيب تدريب أسهل، ومتطلبات ذاكرة أقل. تلبي منصة Ultralytics هذه الاحتياجات من خلال توفير تجربة سلسة بدرجة كبيرة تتفوق بفارق شاسع على عمليات التقطير المعقدة والإعدادات الخاصة بإطارات العمل التي تتطلبها النماذج الأقدم.
للمطورين الذين يسعون إلى تحقيق أفضل توازن للأداء اليوم، يوفر Ultralytics YOLO26 قفزة ثورية إلى الأمام في كفاءة النشر الواقعية.
لماذا يتصدر YOLO26 المجال#
أُطلق YOLO26 في أوائل عام 2026، ويبني على إرث YOLO11 من خلال تقديم تقنيات رائدة مصممة للإنتاج:
- تصميم شامل خالٍ من NMS: يلغي YOLO26 المعالجة اللاحقة لكبت غير الأعظمي (NMS). وينتج عن ذلك منطق نشر أبسط وأزمنة استدلال متسقة وقابلة للتنبؤ بدرجة عالية.
- محسّن MuSGD: مستلهمًا من تقنيات تدريب نماذج اللغة الكبيرة، يستخدم YOLO26 محسّن MuSGD هجينًا. ويضمن ذلك تدريبًا مستقرًا للغاية وتقاربًا سريعًا، مع توفير ساعات GPU ثمينة.
- استدلال متفوق على CPU: من خلال إزالة خسارة البؤرة التوزيعية (DFL) وتحسين مخطط الشبكة، يحقق YOLO26 استدلالًا على CPU أسرع بنسبة تصل إلى 43%، ما يجعله الخيار الأمثل لأجهزة الذكاء الاصطناعي الطرفية.
- ProgLoss + STAL: تحقق دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لعمليات الطائرات المسيّرة والاستشعار عن بُعد.
- مرونة لا مثيل لها: بخلاف PP-YOLOE+ الذي يركز بدقة على الاكتشاف، يدعم YOLO26 أصليًا تقدير الوضعية، وتجزئة المثيلات، وتصنيف الصور، ومربعات الإحاطة الموجّهة (OBB) بسلاسة.
سهولة الاستخدام وكفاءة التدريب#
يتطلب تدريب نموذج DAMO-YOLO إدارة خط أنابيب ثقيل لتقطير المعلّم والطالب. وعلى النقيض من ذلك، لا يتطلب تدريب نموذج Ultralytics سوى بضعة أسطر من Python، مع استخدام محدود لذاكرة CUDA مقارنة بالبنى المنافسة.
from ultralytics import YOLO
# Initialize the cutting-edge YOLO26 model
model = YOLO("yolo26n.pt")
# Train the model with native MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run an end-to-end NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")
# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")حالات الاستخدام والتوصيات المثالية#
يعتمد اختيار بنية الرؤية الحاسوبية المثلى بدرجة كبيرة على تكاملها مع منظومة فريقك وأهداف النشر.
- اختر PP-YOLOE+ إذا كان خط أنابيبك مدمجًا بعمق في منظومة Baidu PaddlePaddle بأكملها. ويظل خيارًا ممتازًا لتحليل الصور الثابتة على خوادم قوية، حيث يكون تعظيم الدقة هو الهدف الأساسي.
- اختر DAMO-YOLO إذا كنت تجري بحثًا محددًا في خوارزميات البحث عن البنية العصبية، أو إذا كانت لديك الموارد الهندسية اللازمة لصيانة خطوط أنابيب التقطير المعقدة لتحقيق أهداف صارمة لزمن الاستجابة على TensorRT.
- اختر Ultralytics YOLO26 لجميع سيناريوهات الإنتاج الحديثة تقريبًا. يوفر نظام Ultralytics البيئي توثيقًا لا مثيل له، ومتطلبات ذاكرة أقل، واجهة برمجة تطبيقات مبسطة. وسواء أكنت تبني أنظمة التحكم الآلي في الجودة أو تشغل تتبعًا في الوقت الفعلي على جهاز Raspberry Pi، فإن بنية YOLO26 الخالية من خوارزمية كمعالجة غير الحدية (NMS) تضمن نتائج سريعة ومستقرة وعالية الدقة مباشرة خارج الصندوق.
للمطورين الذين يستكشفون حلولًا أخرى متقدمة، توفر وثائق Ultralytics أيضًا موارد موسعة حول YOLOv8 واسع الاعتماد وYOLO11 المتين، بما يضمن امتلاكك النموذج المناسب لأي تحدٍ في الرؤية الحاسوبية.