YOLO11 مقابل DAMO-YOLO#
يُعد اختيار البنية المثلى خطوة حاسمة في أي مشروع للرؤية الحاسوبية. يقدم هذا الدليل التقني مقارنة شاملة بين نموذجي كشف الأجسام القويين Ultralytics YOLO11 وDAMO-YOLO. سنتناول ابتكاراتهما المعمارية ونُهج التدريب ومدى ملاءمتهما للتطبيقات الواقعية لمساعدتك على اختيار الأداة الأفضل لاحتياجات النشر لديك.
نظرة عامة على النماذج#
Ultralytics YOLO11#
يمثّل YOLO11، الذي طوّره فريق Ultralytics، إصدارًا بالغ التحسين ضمن عائلة YOLO، مع تحسين كبير لكل من الدقة والكفاءة. وقد صُمم للباحثين والمهندسين الذين يبحثون عن منظومة موحدة وجاهزة للإنتاج، تمتد من إدارة مجموعات البيانات إلى النشر على الأجهزة الطرفية.
- المؤلفان: Glenn Jocher وJing Qiu
- الجهة: Ultralytics
- التاريخ: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- الوثائق: https://docs.ultralytics.com/models/yolo11
يتألق YOLO11 بفضل تعدد استخداماته. فبينما تركز نماذج تقليدية كثيرة على مربعات الإحاطة وحدها، يدعم YOLO11 أصليًا كشف الأجسام وتجزئة المثيلات وتصنيف الصور وتقدير الوضعيات. وتتيح هذه القدرة متعددة المهام للمطورين توحيد خطوط معالجة الذكاء الاصطناعي للرؤية ضمن إطار عمل واحد يحظى بصيانة جيدة.
DAMO-YOLO#
طوّر باحثون في Alibaba Group نموذج DAMO-YOLO. ويستفيد النموذج من البحث عن البنية العصبية (NAS) لاكتشاف أعمدة فقارية عالية الكفاءة، مصممة خصيصًا للاستدلال الآني على وحدات GPU وغيرها من المسرّعات.
- المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun
- المؤسسة: Alibaba Group
- التاريخ: 2022-11-23
- Arxiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
- الوثائق: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md
اطّلع على مزيد من المعلومات حول DAMO-YOLO
تتمحور الفلسفة الأساسية لـDAMO-YOLO حول إعادة المعلمة والبحث الآلي. وباستخدام MAE-NAS (البحث عن البنية العصبية بأقصى إنتروبيا)، صمّم المؤلفون عمودًا فقريًا مخصصًا يعزز سرعات الاستدلال بدرجة كبيرة على الأجهزة المتخصصة. كما يتضمن النموذج عنقًا محسّنًا بدرجة كبيرة يُسمى Efficient RepGFPN وبنية ZeroHead مبسطة لتقليل زمن الاستجابة.
أثناء مقارنة YOLO11 وDAMO-YOLO، فكّر في الاطلاع على Ultralytics YOLO26 الأحدث. فهو يقدّم استدلالًا أصليًا شاملًا من البداية إلى النهاية بلا NMS، ويحقق سرعات CPU أعلى بنسبة تصل إلى 43%. كما يمكنك استكشاف مقارنات تشمل YOLOX أو YOLOv8.
مقارنة الأداء والبنية#
يُعد فهم مفاضلات الأداء أمرًا ضروريًا عند نشر تطبيقات الذكاء الاصطناعي الطرفي. يوضّح الجدول أدناه المقاييس الرئيسية، مثل متوسط الدقة المتوسطة (mAP) وزمن الاستجابة والحجم الحسابي.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| 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 |
تحليل معمّق للبنية#
يعتمد YOLO11 على عمود فقري فعّال للغاية ومصمم خصيصًا لتحقيق توازن مثالي بين عدد المعلمات والقدرة التمثيلية. وقد حُسّن ليعمل بكفاءة على مجموعة متنوعة من الأجهزة، ويتفوق بطبيعته مع استخدام قدر ضئيل من ذاكرة CUDA أثناء التدريب والاستدلال. وهذا ما يجعله خيارًا ممتازًا للأجهزة الاستهلاكية القياسية أو أجهزة إنترنت الأشياء محدودة الموارد.
في المقابل، ضُبطت الأعمدة الفقرية التي أنشأها MAE-NAS في DAMO-YOLO بدقة لبيئات GPU عالية الإنتاجية. وتدمج بنية Efficient RepGFPN (شبكة هرم السمات المعممة) مستويات متعددة بكثافة. لكن، على الرغم من تسريع إعادة المعلمة للاستدلال، قد تعقّد عملية النشر إذا لم تدعم حزمة أجهزتك هذه العمليات دعمًا جيدًا وصريحًا.
سهولة الاستخدام وكفاءة التدريب#
عند احتساب وقت التطوير، تصبح سهولة الاستخدام في النموذج بأهمية معاييره المعيارية الخام.
يرتكز YOLO11 بدرجة كبيرة على مبدأ سهولة استخدام المطورين. وتخفي حزمة ultralytics الشاملة تعقيدات تحليل مجموعات البيانات وزيادتها وضبط المعلمات الفائقة. ولا يتطلب تصدير النماذج إلى تنسيقات الإنتاج مثل ONNX وTensorRT وOpenVINO سوى أمر واحد.
from ultralytics import YOLO
# تهيئة نموذج YOLO11 لكشف الأجسام
model = YOLO("yolo11s.pt")
# تدريب النموذج بدقة مختلطة على COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تصدير النموذج المدرّب إلى TensorRT للنشر على الأجهزة الطرفية
model.export(format="engine", device=0)ينتمي DAMO-YOLO إلى خلفية أكاديمية وبحثية مكثفة، ولذلك يتطلب منحنى تعلم أكثر حدة. وغالبًا ما يتطلب بلوغ أعلى دقة فيه خطوط معالجة معقدة لتقطير المعرفة؛ أي عليك أولًا تدريب شبكة «معلّم» ضخمة قبل نقل تلك المعرفة إلى شبكة «متعلّم» أصغر. وهذا يزيد بدرجة كبيرة أعباء الحوسبة على GPU المطلوبة والمدة الإجمالية للتدريب مقارنةً بحلقات التدريب الخفيفة لنماذج Ultralytics.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO11 وDAMO-YOLO على متطلبات مشروعك المحددة وقيود النشر وتفضيلات المنظومة.
متى تختار YOLO11#
يُعد YOLO11 خيارًا قويًا في الحالات التالية:
- النشر الإنتاجي على الأجهزة الطرفية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تُعد الموثوقية والصيانة النشطة أمرين أساسيين.
- تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف والتقسيم وتقدير الوضعية وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام واجهة Python البرمجية المبسطة من Ultralytics.
متى تختار DAMO-YOLO#
يوصى باستخدام DAMO-YOLO 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 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 تتضمن تسريعاً مخصصاً بواسطة GPU، حيث يمنح الاستدلال الأسرع على CPU بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
- 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.
التطبيقات وحالات الاستخدام في العالم الحقيقي#
الأنظمة الذاتية والطائرات المسيّرة#
توفر YOLO11 توازنًا مفضّلًا للغاية بين الأداء في الصور الجوية وعمليات النشر على الطائرات المسيّرة. ويشكّل كشف الأجسام الصغيرة تحديًا كبيرًا في تحليلات الطائرات المسيّرة، لكن YOLO11 يتعامل مباشرةً مع المقاييس المتفاوتة. إضافةً إلى ذلك، تتيح متطلبات الذاكرة المنخفضة تشغيل نسختي YOLO11 Nano وSmall مباشرةً على وحدات CPU طرفية أو وحدات NPU خفيفة الوزن مثبتة على الطائرة المسيّرة.
الأتمتة الصناعية ومراقبة الجودة#
في المصانع الذكية، يُعد زمن الاستجابة بالغ الأهمية. وعلى الرغم من أن DAMO-YOLO يوفّر سرعات استدلال قوية على وحدات GPU ضخمة بمستوى الخوادم بفضل عنق RepGFPN، فقد يكون تكامله الصارم مبالغًا فيه. وغالبًا ما يكون YOLO11 بديلًا أفضل لمراقبة الجودة المؤتمتة، بفضل واجهات API للتتبع البسيطة وإمكانية الانتقال بسلاسة من الكشف وحده إلى مهام مربعات الإحاطة الموجّهة (OBB) عند الحاجة إلى التعرّف على حدود العيوب المائلة.
الرعاية الصحية الذكية والتصوير الطبي#
غالبًا ما تكون مجموعات بيانات التصوير الطبي صغيرة نسبيًا، ويصعب تجنب فرط التكيّف. وتساعد تقنيات الزيادة النشطة، إلى جانب خطوط معالجة التعلّم بالنقل القياسية التي توفرها المنظومة جيدة الصيانة لدى Ultralytics، الأطباء والمطورين على نشر نماذج دقيقة لـكشف الأورام بموثوقية. كما يضمن الدعم الواسع من المجتمع حل المشكلات في المجالات المعقدة، مثل الرعاية الصحية، بسرعة.
إذا كنت تطوّر تطبيقًا جديدًا من الصفر، ففكّر في استكشاف YOLO26. وقد صدر في أوائل عام 2026، ويستخدم محسّن MuSGD ودوال ProgLoss، ما يحقق دقة استثنائية للأجسام الصغيرة جدًا ويوفر نمط استدلال أصليًا شاملًا من البداية إلى النهاية بلا NMS (nms=False).
في نهاية المطاف، ورغم أن DAMO-YOLO يظل عرضًا قويًا لإمكانات البحث عن البنية العصبية، يبقى YOLO11 وعائلة Ultralytics الأوسع الخيار الموصى به لمهام الرؤية الحاسوبية في العالم الحقيقي، مع إعطاء الأولوية للنشر السريع وسهولة التطوير والأداء المتقدم متعدد المهام.