Link to this sectionYOLO11 مقابل DAMO-YOLO#

يعد اختيار الهندسة المعمارية الأمثل خطوة حاسمة في أي مشروع رؤية حاسوبية. يوفر هذا الدليل التقني مقارنة شاملة بين نموذجين قويين لاكتشاف الكائنات: Ultralytics YOLO11 وDAMO-YOLO. سنغوص في ابتكاراتهما الهندسية، ونماذج التدريب، وقابلية التطبيق في العالم الحقيقي لمساعدتك في اختيار الأداة الأنسب لاحتياجات النشر الخاصة بك.

Link to this sectionنظرة عامة على النماذج#

Link to this sectionUltralytics YOLO11#

تم تطوير YOLO11 بواسطة فريق Ultralytics، ويمثل تكراراً محسناً للغاية في عائلة YOLO، حيث يعمل على تحسين الدقة والكفاءة بشكل كبير. إنه مصمم للباحثين والمهندسين الذين يبحثون عن نظام بيئي موحد وجاهز للإنتاج يمتد من إدارة مجموعات البيانات إلى النشر على الحافة (edge deployment).

• المؤلفون: Glenn Jocher و Jing Qiu
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• المستندات: https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

يتألق YOLO11 بتعدد استخداماته. فبينما تركز العديد من النماذج التقليدية فقط على الصناديق المحيطة، يدعم YOLO11 بشكل أصلي اكتشاف الكائنات، وتجزئة الحالات، وتصنيف الصور، وتقدير الوضعية. تسمح هذه القدرة متعددة الوسائط للمطورين بدمج خطوط أنابيب الرؤية بالذكاء الاصطناعي الخاصة بهم تحت إطار عمل واحد ومصان جيداً.

Link to this sectionDAMO-YOLO#

تم تطوير DAMO-YOLO بواسطة باحثين في مجموعة Alibaba. وهو يستفيد من البحث في هندسة الشبكات العصبية (NAS) لاكتشاف هياكل أساسية عالية الكفاءة مصممة خصيصاً للاستدلال في الوقت الفعلي على وحدات معالجة الرسومات (GPUs) والمسرعات الأخرى.

• المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, و Xiuyu Sun
• المؤسسة: Alibaba Group
• التاريخ: 2022-11-23
• Arxiv: https://arxiv.org/abs/2211.15444v2
• GitHub: https://github.com/tinyvision/DAMO-YOLO
• التوثيق: https://github.com/tinyvision/DAMO-YOLO/blob/master/README.md

اعرف المزيد عن DAMO-YOLO

تتمحور الفلسفة الأساسية لـ DAMO-YOLO حول إعادة تحديد المعلمات (rep-parameterization) والبحث الآلي. من خلال استخدام MAE-NAS (البحث التطوري متعدد الأهداف لهندسة الشبكات العصبية)، قام المؤلفون بهندسة هيكل أساسي مخصص يعزز بشكل كبير سرعات الاستدلال على الأجهزة المتخصصة. كما أنه يتضمن عنقاً مُحسناً بشدة يسمى Efficient RepGFPN وهيكل ZeroHead مبسط لتقليل زمن الاستجابة.

Link to this sectionمقارنة الأداء والهندسة المعمارية#

يعد فهم مقايضات الأداء أمراً حيوياً عند نشر تطبيقات ذكاء الحافة. يوضح الجدول أدناه المقاييس الرئيسية مثل متوسط الدقة (mAP)، وزمن الاستجابة، والحجم الحسابي.

Link to this sectionغوص معمق في البنية#

يعتمد YOLO11 على هيكل أساسي مخصص وعالي الكفاءة يوازن بشكل مثالي بين عدد المعلمات والقدرة التمثيلية. إنه مُحسّن للعمل بشكل رائع عبر مجموعة من الأجهزة، ويتفوق أصلياً مع الحد الأدنى من استهلاك ذاكرة CUDA أثناء التدريب والاستدلال. وهذا يجعله خياراً ممتازاً لأجهزة المستهلك القياسية أو أجهزة إنترنت الأشياء ذات الموارد المحدودة.

في المقابل، تم ضبط الهياكل الأساسية التي تم إنشاؤها بواسطة MAE-NAS في DAMO-YOLO بدقة لبيئات وحدات معالجة الرسومات (GPUs) ذات الإنتاجية العالية. يقوم عنق Efficient RepGFPN (شبكة هرم الميزات المعممة) الخاص به بدمج مقاييس متعددة بشكل مكثف. ومع ذلك، بينما تسرع إعادة تحديد المعلمات الاستدلال، يمكن أن يعقد عملية النشر إذا كانت حزمة الأجهزة الخاصة بك لا تدعم هذه العمليات بشكل جيد صراحةً.

Link to this sectionسهولة الاستخدام وكفاءة التدريب#

عند الأخذ في الاعتبار وقت التطوير، تصبح سهولة استخدام النموذج بنفس أهمية معايير أدائه الخام.

تم بناء YOLO11 بشكل كبير على مبدأ إمكانية وصول المطورين. تقوم حزمة ultralytics الشاملة بتجريد العمل الشاق المتعلق بتحليل مجموعات البيانات، والزيادة (augmentation)، وضبط المعلمات الفائقة. يتطلب تصدير النماذج إلى تنسيقات الإنتاج مثل ONNX وTensorRT وOpenVINO أمراً واحداً فقط.

from ultralytics import YOLO

# Initialize YOLO11 object detection model
model = YOLO("yolo11s.pt")

# Train the model with mixed precision on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for edge deployment
model.export(format="engine", device=0)

يقدم DAMO-YOLO، الذي ينبع من خلفية أكاديمية وبحثية مكثفة، منحنى تعلم أكثر حدة. غالباً ما يتضمن تحقيق ذروة دقته خطوط أنابيب معقدة لتقطير المعرفة (knowledge distillation) - مما يعني أنه يجب عليك أولاً تدريب شبكة "معلم" ضخمة قبل تمرير تلك المعرفة إلى شبكة "طالب" أصغر. هذا يضخم بشكل كبير من عبء حوسبة GPU المطلوب ومدة التدريب الإجمالية مقارنة بحلقات التدريب البسيطة لنماذج Ultralytics.

Link to this sectionحالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 وDAMO-YOLO على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

Link to this sectionمتى تختار YOLO11#

يعد YOLO11 خياراً قوياً لـ:

• نشر الإنتاج عند الحافة: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون الموثوقية والصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب اكتشافاً، وتجزئة، وتقدير وضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية السريعة والنشر: الفرق التي تحتاج إلى التحرك بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API الانسيابي.

Link to this sectionمتى تختار DAMO-YOLO#

يوصى باستخدام DAMO-YOLO من أجل:

• تحليلات الفيديو ذات الإنتاجية العالية: معالجة تدفقات الفيديو ذات معدل الإطارات العالي على بنية تحتية ثابتة لوحدات GPU من NVIDIA حيث يكون إنتاجية الدفعة-1 هو المقياس الأساسي.
• خطوط التصنيع الصناعية: السيناريوهات ذات قيود زمن انتقال GPU صارمة على أجهزة مخصصة، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
• أبحاث البحث في البنية العصبية: دراسة تأثيرات البحث الآلي في البنية (MAE-NAS) والهياكل الأساسية المعاد برمجتها بكفاءة على أداء الاكتشاف.

Link to this sectionمتى تختار Ultralytics (YOLO26)#

بالنسبة لمعظم المشاريع الجديدة، يقدم Ultralytics YOLO26 أفضل مزيج من الأداء وتجربة المطور:

• نشر الحافة الخالي من NMS: التطبيقات التي تتطلب استنتاجاً متسقاً ومنخفض زمن الانتقال دون تعقيدات معالجة ما بعد المعالجة باستخدام كبت غير الأقصى.
• بيئات وحدة المعالجة المركزية (CPU) فقط: الأجهزة التي لا تحتوي على تسريع مخصص بوحدة معالجة الرسوميات (GPU)، حيث توفر سرعة استنتاج CPU أسرع بنسبة تصل إلى 43% في YOLO26 ميزة حاسمة.
• اكتشاف الكائنات الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار أو تحليل مستشعرات IoT حيث تعزز ProgLoss و STAL الدقة بشكل كبير على الكائنات الصغيرة جداً.

Link to this sectionتطبيقات وحالات استخدام في العالم الحقيقي#

Link to this sectionالأنظمة المستقلة والطائرات بدون طيار#

بالنسبة للتصوير الجوي ونشر الطائرات بدون طيار، يوفر YOLO11 توازناً متميزاً في الأداء. يعد اكتشاف الأجسام الصغيرة عقبة كبيرة في تحليلات الطائرات بدون طيار، لكن YOLO11 يتعامل مع المقاييس المتغيرة أصلياً خارج الصندوق. بالإضافة إلى ذلك، تسمح متطلبات الذاكرة المنخفضة لمتغيرات YOLO11 Nano وSmall بالعمل مباشرة على وحدات معالجة مركزية (CPUs) أو وحدات معالجة عصبية (NPUs) خفيفة الوزن ومثبتة على الطائرة بدون طيار.

Link to this sectionالأتمتة الصناعية ومراقبة الجودة#

في المصانع الذكية، يعتبر زمن الاستجابة أمراً بالغ الأهمية. بينما يوفر DAMO-YOLO سرعات استدلال قوية على وحدات معالجة الرسومات القوية المخصصة للخوادم بسبب عنق RepGFPN، قد يكون التكامل الصلب أمراً مبالغاً فيه. غالباً ما يعمل YOLO11 كبديل متفوق لمراقبة الجودة الآلية بسبب واجهات برمجة تطبيقات التتبع البسيطة والقدرة على الانتقال بسلاسة من الاكتشاف البحت إلى مهام الصندوق المحيط الموجه (OBB) إذا كانت العيوب تتطلب التعرف على الحدود المائلة.

Link to this sectionالرعاية الصحية الذكية والتصوير الطبي#

Medical imaging datasets are often relatively small, and avoiding overfitting is challenging. The active augmentation techniques, combined with standard transfer learning pipelines provided by the Well-Maintained Ecosystem of Ultralytics, help clinicians and developers deploy accurate tumor detection models reliably. The vast community support ensures that issues in complex domains like healthcare are quickly resolved.

في نهاية المطاف، بينما يظل DAMO-YOLO عرضاً قوياً للبحث في هندسة الشبكات العصبية، يظل YOLO11 وعائلة Ultralytics الموسعة التوصية الحاسمة لمهام الرؤية الحاسوبية في العالم الحقيقي، مع إعطاء الأولوية للنشر السريع، وسهولة المطور، والأداء متعدد الوسائط من الدرجة الأولى.