PP-YOLOE+ مقابل DAMO-YOLO#

أدى التطور المستمر في الرؤية الحاسوبية إلى إنتاج مجموعة من البنيات المتخصصة للغاية لاكتشاف الأجسام في الوقت الفعلي. عند تقييم النماذج للتطبيقات الصناعية والبحثية، يبرز إطاران من عام 2022 غالبًا في المناقشات: PP-YOLOE+ من Baidu و DAMO-YOLO من Alibaba Group. دفع كلا النموذجين حدود الاكتشاف الخالي من نقاط الارتكاز (anchor-free) من خلال تقديم بنيات أساسية مبتكرة، واستراتيجيات متقدمة لتعيين التسميات، وتقنيات متخصصة لدمج الميزات.

يقدم هذا الدليل تحليلاً تقنياً مفصلاً لـ PP-YOLOE+ و DAMO-YOLO، مع استكشاف هياكلها، ومنهجيات التدريب، ونقاط قوة النشر فيها. سندرس أيضاً كيف تقارن هذه الإطارات بالحلول الحديثة مثل Ultralytics YOLO26 لمساعدتك في اختيار الأداة المناسبة لقيود نشرك المحددة.

PP-YOLOE+: اكتشاف الأجسام الصناعي المحسّن#

تم تطوير PP-YOLOE+ داخل Baidu ecosystem، وهو تحسين تكراري على PP-YOLOE الأصلي، ومحسّن بشكل كبير لإطار عمل التعلم العميق PaddlePaddle. وقد تم تصميمه لتحقيق أقصى قدر من الدقة وسرعة الاستدلال على الأجهزة بمستوى الخوادم، مما يجعله مرشحاً قوياً للتفتيش الصناعي وتطبيقات smart retail.

الابتكارات المعمارية#

يقدم PP-YOLOE+ العديد من التحسينات المعمارية للارتقاء عن أجهزة الكشف السابقة الخالية من نقاط الارتكاز:

بنية CSPRepResNet الأساسية: تستخدم هذه البنية بنية على طراز RepVGG مدمجة مع اتصالات الجزء المرحلي المتقاطع (CSP)، مما يوفر توازنًا قويًا بين قدرة استخراج الميزات وزمن انتقال الاستدلال.
تعلم محاذاة المهام (TAL): يستخدم PP-YOLOE+ استراتيجية متقدمة لتعيين التسميات الديناميكية التي توازن بين مهام التصنيف والانحدار أثناء التدريب، مما يقلل الفجوة بين أداء التدريب وأداء الاستدلال.
رأس المهام المتوافق الفعال (ET-head): رأس اكتشاف مبسط مصمم لمعالجة الميزات بسرعة دون التضحية الدقة المكانية، وهو أمر مفيد للغاية للحفاظ على mAP metrics عالية.

تفاصيل PP-YOLOE+:

المؤلفون: مؤلفو PaddlePaddle
المنظمة: Baidu
التاريخ: 2022-04-02
Arxiv: 2203.16250
GitHub: PaddlePaddle/PaddleDetection
المستندات: وثائق PP-YOLOE+

تعرف على المزيد حول PP-YOLOE+

DAMO-YOLO: البحث عن البنية العصبية عند الحافة#

تم إنشاؤها بواسطة Alibaba DAMO Academy، وتتبنى DAMO-YOLO نهجاً مختلفاً تماماً. فبدلاً من تصميم العمود الفقري يدوياً، استخدم فريق البحث البحث عن بنية الشبكة (NAS) لضمان اكتشاف طوبولوجيات شبكية عالية الكفاءة مصممة خصيصاً لقيود زمن انتقال صارمة.

الميزات الرئيسية وخط أنابيب التدريب#

يؤكد DAMO-YOLO على زمن الانتقال المنخفض والدقة العالية من خلال منهجية آلية تعتمد بكثافة على التقطير (distillation):

العمود الفقري MAE-NAS: من خلال الاستفادة من طريقة أتمتة البحث عن بنية الشبكة العصبية الفعالة، تبني DAMO-YOLO أعمدة فقرية محسّنة خصيصاً من أجل trade-off between parameters and accuracy.
Efficient RepGFPN: شبكة هرمية للميزات عامة مُعاد تحديد معاملاتها (re-parameterized) تتيح دمجًا قويًا للميزات متعددة النطاقات، مما يساعد النموذج على اكتشاف الأجسام ذات الأحجام المتفاوتة بشكل كبير في إطار واحد.
تصميم ZeroHead: رأس كشف مبسط للغاية يقلل بشكل كبير من العبء الحسابي أثناء مرحلة الاستدلال.
تحسين التقطير: لتعزيز أداء المتغيرات الأصغر، يعتمد DAMO-YOLO بشكل كبير على عملية تقطير معرفية معقدة حيث يوجه نموذج معلّم أكبر نموذج الطالب.

تفاصيل DAMO-YOLO:

المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, و Xiuyu Sun
المنظمة: Alibaba Group
التاريخ: 2022-11-23
Arxiv: 2211.15444v2
GitHub: tinyvision/DAMO-YOLO
المستندات: DAMO-YOLO Documentation

اعرف المزيد عن DAMO-YOLO

الارتباط بإطار العمل (Framework Lock-in)

بينما يقدم كل من PP-YOLOE+ و DAMO-YOLO ابتكارات نظرية قوية، إلا أنهما مرتبطان ارتباطًا وثيقًا بأطرهما الخاصة (PaddlePaddle وبيئات Alibaba المحددة). يمكن أن يؤدي هذا إلى احتكاك عند محاولة نقل هذه النماذج إلى عمليات نشر سحابية أو طرفية قياسية.

تحليل الأداء#

عند تقييم هذه النماذج، تحدد المقايضة بين زمن الانتقال، والتعقيد الحسابي (FLOPs)، ومتوسط الدقة (mAP) بيئة النشر المثالية لها.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(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

تحقق DAMO-YOLO عموماً زمن انتقال TensorRT أقل بمقاييس النانو والصغير، مما يجعلها تنافسية للغاية لتدفقات الفيديو ذات الإنتاجية العالية. ومع ذلك، تتدرج PP-YOLOE+ بشكل مذهل في متغيرها الكبير جداً (x)، لتتحقق دقة من الطراز الأول للصور المعقدة حيث يكون وقت الاستدلال اعتباراً ثانوياً.

ميزة Ultralytics: تجاوز بنيات عام 2022#

في حين أن PP-YOLOE+ و DAMO-YOLO مثلاً محطات مهمة، إلا أن التطوير الحديث يتطلب مرونة أكبر، ومسارات تدريب أسهل، ومتطلبات ذاكرة أقل. تعالج Ultralytics Platform هذه الاحتياجات من خلال توفير تجربة خالية من الاحتكاك تتفوق بشكل كبير على عمليات التقطير المعقدة وإعدادات إطار العمل المحددة التي تتطلبها النماذج الأقدم.

للمطورين الذين يتطلعون إلى تحقيق أفضل توازن للأداء اليوم، تقدم Ultralytics YOLO26 قفزة ثورية للأمام في كفاءة النشر في العالم الحقيقي.

لماذا يقود YOLO26 الصناعة#

تم إصدار YOLO26 في أوائل عام 2026، وهي تبني على إرث YOLO11 من خلال تقديم تقنيات رائدة مخصصة للإنتاج:

تصميم بدون NMS من البداية إلى النهاية: يلغي YOLO26 معالجة ما بعد الكشف غير القصوى (NMS). وهذا يترجم إلى منطق نشر أبسط وأزمنة استدلال متسقة وقابلة للتنبؤ بدرجة عالية.
مُحسّن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة، يستخدم YOLO26 مُحسّن MuSGD هجين. وهذا يضمن تدريبًا مستقرًا للغاية وتقاربًا سريعًا، مما يوفر ساعات GPU ثمينة.
استدلال وحدة المعالجة المركزية (CPU) المتفوق: من خلال إزالة خسارة بؤرية التوزيع (DFL) وتحسين رسم الشبكة، تحقق YOLO26 استدلالاً أسرع لوحدة المعالجة المركزية (CPU) بنسبة تصل إلى 43%، مما يجعلها الخيار الأبرز لـ edge AI devices.
ProgLoss + STAL: تقدم وظائف الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لـ drone operations والاستشعار عن بعد.
مرونة لا مثيل لها: على عكس PP-YOLOE+ التي تركز حصرياً على الاكتشاف، تدعم YOLO26 أصلياً pose estimation، وinstance segmentation، وimage classification، وoriented bounding boxes (OBB) بسلاسة.

سهولة الاستخدام وكفاءة التدريب#

يتطلب تدريب نموذج DAMO-YOLO إدارة خط أنابيب تقطير ثقيل من المعلم والطالب. في المقابل، يتطلب تدريب نموذج Ultralytics بضعة أسطر فقط من Python، مع الحد الأدنى من استخدام ذاكرة CUDA مقارنة بالبنيات 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")

تعرف على المزيد حول YOLO26

حالات الاستخدام المثالية والتوصيات#

يعتمد اختيار بنية الرؤية الحاسوبية المثلى بشكل كبير على تكامل النظام البيئي لفريقك وأهداف النشر.

اختر PP-YOLOE+ إذا كان خط أنابيب عملك بأكمله مدمجًا بعمق في نظام Baidu PaddlePaddle البيئي. يظل 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 كان لديك الموارد الهندسية لصيانة خطوط أنابيب تقطير معقدة لتحقيق أهداف زمن انتقال صارمة باستخدام TensorRT.
اختر Ultralytics YOLO26 لجميع سيناريوهات الإنتاج الحديثة تقريباً. يوفر Ultralytics ecosystem وثائق لا مثيل لها، ومتطلبات ذاكرة أقل، وواجهة برمجة تطبيقات مبسطة. وسواء كنت تبني أنظمة automated quality control أو تشغل تتبعاً في الوقت الفعلي على Raspberry Pi، فإن هندسة YOLO26 الخالية من NMS تضمن نتائج سريعة ومستقرة وعالية الدقة بمجرد إخراجها من الصندوق.

للمطورين الذين يستكشفون حلولاً أخرى متطورة، توفر وثائق Ultralytics أيضاً موارد مكثفة حول YOLOv8 المعتمد على نطاق واسع وYOLO11 القوي، مما يضمن حصولك على النموذج المناسب لأي تحدٍ في رؤية الكمبيوتر.

المساهمون

GLglenn-jocher¹⁶

تم الإنشاء 27 يناير 2025تم التحديث قبل 4 أيام