YOLO11 مقابل DAMO-YOLO#
يُعد اختيار البنية المناسبة خطوة حاسمة في أي مشروع للرؤية الحاسوبية. يقارن هذا الدليل بين نموذجي كشف الأجسام Ultralytics YOLO11 وDAMO-YOLO، ويستعرض بنيتيهما ومساري التدريب ومدى ملاءمتهما للتطبيق العملي، لمساعدتك على اختيار الأداة الأنسب لاحتياجات النشر لديك.
نظرة عامة على النماذج#
Ultralytics YOLO11#
حسّنت Ultralytics عائلة YOLO في YOLO11 لتحقيق الدقة والكفاءة معًا. وصُمم النموذج للباحثين والمهندسين الذين يحتاجون إلى 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
تتمثل القوة الأساسية لـ YOLO11 في تعدد استخداماته. فبينما تركز نماذج كثيرة على مربعات الإحاطة وحدها، يدعم YOLO11 أصليًا الكشف عن الأجسام وتجزئة المثيلات وتصنيف الصور وتقدير الوضعيات والكشف عن مربعات الإحاطة الموجّهة (OBB). وهذا يتيح للمطورين دمج مسارات الذكاء الاصطناعي للرؤية ضمن إطار عمل واحد تتم صيانته جيدًا.
DAMO-YOLO#
طوّر باحثون في Alibaba Group نموذج DAMO-YOLO. ويستخدم البحث عن البنى العصبية (NAS) لاكتشاف أعمدة فقرية فعّالة مصممة للاستدلال في الوقت الفعلي على وحدات GPU ومسرّعات أخرى.
- 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
يرتكز DAMO-YOLO على إعادة المعلمة والبحث الآلي. وصمّم المؤلفون عمودًا فقريًا مخصصًا باستخدام MAE-NAS (البحث عن البنى العصبية بأقصى إنتروبيا) لتحسين سرعة الاستدلال على الأجهزة المتخصصة. كما أضافوا عنقًا محسّنًا يُسمى Efficient RepGFPN ورأسًا خفيفًا يُسمى ZeroHead لتقليل زمن الاستجابة.
أثناء مقارنة YOLO11 وDAMO-YOLO، يجدر بك الاطلاع على Ultralytics YOLO26 الأحدث. فهو يضيف استدلالًا اختياريًا شاملًا وخاليًا من NMS (nms=False)، ويعمل YOLO26n على CPU بسرعة تفوق YOLO11n بنسبة تصل إلى 43%. ويمكنك أيضًا استكشاف مقارنات YOLOX وDAMO-YOLO وYOLOv8 وDAMO-YOLO.
مقارنة الأداء والبنية#
تكتسب مفاضلات الأداء أهمية عند نشر تطبيقات الذكاء الاصطناعي الطرفي. يعرض الجدول أدناه متوسط الدقة (mAP) وزمن الاستجابة وحجم النموذج على مجموعة بيانات COCO. عند الأحجام المتقاربة، يكون YOLO11 أدق وأسرع على GPU من طراز T4: يحقق YOLO11s دقة 47.0 mAP في 2.5 ms مقابل 46.0 mAP في 3.45 ms لـ DAMO-YOLOs، ويحقق YOLO11l دقة 53.4 mAP في 6.2 ms مقابل 50.8 mAP في 7.18 ms لـ DAMO-YOLOl. ويقع DAMO-YOLOt (42.0 mAP، و8.5M من المعلمات) بين YOLO11n وYOLO11s من حيث الحجم والدقة.
| 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#
يستخدم YOLO11 بنيةً أساسيةً مصممة خصيصًا لتحقيق توازن بين عدد المعلمات والقدرة التمثيلية. ويعمل بكفاءة على مجموعة متنوعة من الأجهزة، مع الحفاظ على انخفاض استهلاك ذاكرة CUDA أثناء التدريب والاستدلال، ما يجعله خيارًا مناسبًا للأجهزة الاستهلاكية وأجهزة إنترنت الأشياء محدودة الموارد.
صُممت الأعمدة الفقرية MAE-NAS في DAMO-YOLO لتناسب بيئات GPU عالية الإنتاجية. ويدمج Efficient RepGFPN، أي شبكة هرم السمات المعممة، السمات عبر مقاييس متعددة. وتسرّع إعادة المعلمة الاستدلال، لكنها قد تعقّد النشر إذا لم تكن حزمة أجهزتك تدعم هذه العمليات جيدًا.
سهولة الاستخدام وكفاءة التدريب#
عندما يكون وقت التطوير مهمًا، لا تقل سهولة استخدام النموذج أهمية عن نتائجه المعيارية الخام.
صُمم YOLO11 ليكون سهل الاستخدام للمطورين. تتولى حزمة ultralytics تحليل مجموعات البيانات وزيادة البيانات وضبط المعلمات الفائقة، ولا يتطلب التصدير 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 بحثية، لذا يتطلب تعلمه جهدًا أكبر. وتعتمد دقته المعلنة على مسار تقطير المعرفة: إذ تبدأ بتدريب شبكة «معلّم» أكبر، ثم تنقل معرفتها إلى شبكة «طالب» أصغر. وهذا يتطلب حوسبة GPU ووقت تدريب إضافيين مقارنةً بحلقة تدريب Ultralytics القياسية.
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: مشاريع تتطلب الكشف والتجزئة وتقدير الوضعيات وOBB ضمن إطار عمل موحد واحد.
- النمذجة الأولية والنشر السريعان: فرق تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics البرمجية لـ Python.
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)#
يوفر Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطورين لمعظم المشاريع الجديدة:
- النشر الطرفي الخالي من NMS: تطبيقات تتطلب استدلالًا ثابتًا منخفض زمن الاستجابة، دون تعقيد المعالجة اللاحقة الخاصة بـ الكبح غير الأقصى (NMS).
- البيئات التي تعتمد على CPU فقط: الأجهزة التي لا تتضمن تسريعًا مخصصًا لوحدات GPU، حيث تمنح سرعة الاستدلال على CPU في YOLO26، الأعلى بنسبة تصل إلى 43% (YOLO26n مقابل YOLO11n)، ميزة حاسمة.
- اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث تحسن ProgLoss وSTAL الدقة عند التعامل مع الكائنات الصغيرة.
التطبيقات وحالات الاستخدام في العالم الحقيقي#
الأنظمة الذاتية والطائرات المسيّرة#
يوفر YOLO11 توازنًا ملائمًا بين السرعة والدقة للصور الجوية وعمليات النشر على الطائرات المسيّرة. ويُعد الكشف عن الأجسام الصغيرة تحديًا كبيرًا في تحليلات الطائرات المسيّرة، ويساعد دمج السمات متعددة المقاييس في YOLO11 على التعامل مع أجسام بأحجام مختلفة. كما تتيح متطلباته المنخفضة للذاكرة تشغيل إصداري YOLO11 Nano وSmall مباشرةً على وحدات CPU طرفية خفيفة أو وحدات NPU مثبتة على الطائرة المسيّرة.
الأتمتة الصناعية ومراقبة الجودة#
في المصانع الذكية، يُعد زمن الاستجابة عاملًا حاسمًا. يوفّر DAMO-YOLO استدلالًا سريعًا على وحدات GPU من فئة الخوادم، لكن بنيته المتخصصة قد تجعل دمجه أكثر صعوبة. وغالبًا ما يكون YOLO11 الخيار الأكثر عملية لمراقبة الجودة آليًا، بفضل واجهة API للتتبع البسيطة وإمكانية التحول من الكشف إلى مهام OBB عندما تتطلب العيوب مربعات إحاطة مائلة.
الرعاية الصحية الذكية والتصوير الطبي#
غالبًا ما تكون مجموعات بيانات التصوير الطبي صغيرة، ما يجعل فرط التكيّف صعب التجنب. وتساعد مسارات زيادة البيانات والتعلّم بالنقل المدمجة في منظومة Ultralytics الأطباء والمطورين على بناء نماذج دقيقة لـكشف الأورام. كما يسهم مجتمع Ultralytics الكبير في حل المشكلات ضمن المجالات المتخصصة مثل الرعاية الصحية.
إذا كنت تطوّر تطبيقًا جديدًا من الصفر، ففكّر في YOLO26. صدر النموذج في يناير 2026، ويستخدم مُحسِّن MuSGD وProgLoss وSTAL لتحسين الدقة في الأجسام الصغيرة، كما يوفّر وضع استدلال اختياريًا شاملًا وخاليًا من NMS (nms=False).
لا يزال DAMO-YOLO مثالًا قويًا على البحث عن البنى العصبية، لكن YOLO11 وعائلة Ultralytics الأوسع، التي يتصدرها YOLO26، هما الخيار العملي أكثر لمهام الرؤية الحاسوبية الواقعية، بفضل سرعة النشر وسهولة الاستخدام ودعم المهام المتعددة.