مقارنة YOLO11 وDAMO-YOLO#

يُعد اختيار البنية المثلى خطوةً حاسمةً في أي مشروع من مشاريع الرؤية الحاسوبية. يقدم هذا الدليل التقني مقارنةً شاملةً بين نموذجين قويين لكشف الأجسام: Ultralytics YOLO11 وDAMO-YOLO. سنتعمق في ابتكاراتهما المعمارية، ونُهج التدريب، وقابليتهما للتطبيق في العالم الحقيقي، لمساعدتك على اختيار الأداة الأنسب لاحتياجات النشر لديك.

نظرة عامة على النماذج#

Ultralytics YOLO11#

طوّر فريق Ultralytics نموذج YOLO11، الذي يمثل إصدارًا محسنًا بدرجة كبيرة ضمن عائلة YOLO، مع تحسين مكثف 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
• المنظمة: Ultralytics
• التاريخ: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• التوثيق: https://docs.ultralytics.com/models/yolo11

تتألق YOLO11 في تعدد استخداماتها. وفي حين تركز العديد من النماذج التقليدية فقط على مربعات الإحاطة، تدعم YOLO11 بشكل أصلي اكتشاف الكائنات، وتجزئة المثيلات، وتصنيف الصور، وتقدير الوضعية. تتيح هذه القدرة متعددة المهام للمطورين دمج خطوط أنابيب الرؤية الحاسوبية الذكية الخاصة بهم ضمن إطار عمل واحد ومصان جيدًا.

DAMO-YOLO#

طوّر باحثون في Alibaba Group نموذج DAMO-YOLO. ويستفيد النموذج من البحث الآلي عن البنية العصبية (NAS) لاكتشاف شبكات أساسية عالية الكفاءة، مصممة للاستدلال في الوقت الفعلي على وحدات GPU وغيرها من المسرّعات.

• المؤلفون: Xianzhe Xu، وYiqi Jiang، وWeihua Chen، وYilun Huang، وYuan Zhang، وXiuyu Sun
• الجهة: 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

تعرف على المزيد حول DAMO-YOLO

تدور الفلسفة الأساسية لنموذج DAMO-YOLO حول إعادة المعلمات والبحث الآلي. ومن خلال الاستفادة من MAE-NAS (بحث بنية الشبكة العصبية ذو الإنتروبيا القصوى)، صمم المؤلفون هيكلًا أساسيًا مخصصًا يعزز بشكل كبير سرعات الاستدلال على الأجهزة المتخصصة. كما يتضمن هيكلًا محسنًا بشكل كبير يُسمى Efficient RepGFPN وبنية ZeroHead مبسطة لتقليل زمن الانتقال.

مقارنة الأداء والبنية#

يُعد فهم المفاضلات المتعلقة بالأداء أمرًا بالغ الأهمية عند نشر تطبيقات الذكاء الاصطناعي الطرفي. يوضح الجدول أدناه المقاييس الرئيسية مثل متوسط الدقة (mAP)، وزمن الاستجابة، والحجم الحسابي.

تحليل معماري متعمق#

يعتمد YOLO11 على شبكة أساسية فعالة للغاية ومصممة خصيصًا، وتحقق توازنًا مثاليًا بين عدد المعاملات والقدرة التمثيلية. وقد حُسّن للعمل بكفاءة عبر مجموعة متنوعة من الأجهزة، مع تفوق أصلي في استخدام الحد الأدنى من ذاكرة CUDA أثناء التدريب والاستدلال على حد سواء. وهذا يجعله خيارًا ممتازًا للأجهزة الاستهلاكية القياسية أو أجهزة إنترنت الأشياء محدودة الموارد.

وعلى العكس من ذلك، فإن الهياكل الأساسية لنموذج DAMO-YOLO المُولدة بواسطة تقنية MAE-NAS مُهداة بدقة لبيئات وحدات معالجة الرسوميات عالية الإنتاجية. يدمج هيكل Efficient RepGFPN (شبكة هرم الميزات المعممة) مقاييس متعددة بقوة. ومع ذلك، في حين أن إعادة المعلمات تسرع عملية الاستدلال، إلا أنها قد تعقد عملية النشر إذا كانت حزمة الأجهزة لديك لا تدعم هذه العمليات صراحةً بشكل جيد.

سهولة الاستخدام وكفاءة التدريب#

عند احتساب وقت التطوير، تصبح سهولة استخدام النموذج مهمة بقدر أهمية معاييره الأولية.

بُني YOLO11 بدرجة كبيرة على مبدأ إتاحة الاستخدام للمطورين. وتجرّد حزمة ultralytics عملية تحليل مجموعات البيانات، وزيادة البيانات، وضبط المعاملات الفائقة من تعقيداتها الأساسية. ولا يتطلب تصدير النماذج إلى صيغ الإنتاج مثل ONNX، وTensorRT، وOpenVINO سوى أمر واحد.

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)

أما DAMO-YOLO، المنحدر من خلفية أكاديمية وبحثية مكثفة، فيقدم منحنى تعلم أكثر حدة. وغالبًا ما يتطلب تحقيق أعلى دقة له مسارات معقدة لتقطير المعرفة، ما يعني أنه يتعين عليك أولًا تدريب شبكة «معلّم» ضخمة قبل نقل تلك المعرفة إلى شبكة «طالب» أصغر. ويؤدي ذلك إلى زيادة كبيرة في النفقات الحسابية المطلوبة على GPU والمدة الإجمالية للتدريب مقارنةً بحلقات التدريب الخفيفة لنماذج Ultralytics.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO11 وDAMO-YOLO على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلاتك المتعلقة بالمنظومة.

متى تختار YOLO11#

يُعد YOLO11 خيارًا قويًا لـ:

• النشر الطرفي في بيئات الإنتاج: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson، حيث تمثل الموثوقية والصيانة النشطة أولوية قصوى.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتقسيم، وتقدير الوضعيات، وOBB ضمن إطار عمل موحد واحد.
• إنشاء النماذج الأولية والنشر بسرعة: الفرق التي تحتاج إلى الانتقال سريعًا من جمع البيانات إلى الإنتاج باستخدام واجهة Ultralytics Python البرمجية المبسطة.

متى تختار DAMO-YOLO#

يوصى باستخدام DAMO-YOLO في الحالات التالية:

• تحليلات الفيديو عالية الإنتاجية: معالجة تدفقات فيديو عالية FPS على بنية تحتية ثابتة من NVIDIA GPU، حيث تكون الإنتاجية عند حجم الدفعة 1 هي المقياس الأساسي.
• خطوط التصنيع الصناعية: السيناريوهات ذات القيود الصارمة على زمن استجابة GPU ضمن عتاد مخصص، مثل فحص الجودة في الوقت الفعلي على خطوط التجميع.
• أبحاث البحث عن البنية العصبية: دراسة تأثيرات البحث الآلي عن البنية (MAE-NAS) والشبكات الأساسية المعاد تمثيلها بكفاءة على أداء الاكتشاف.

متى تختار Ultralytics (YOLO26)#

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

• النشر الطرفي الخالي من NMS: التطبيقات التي تتطلب استدلالًا متسقًا منخفض زمن الانتقال دون تعقيد المعالجة اللاحقة لكبت القيم غير العظمى.
• البيئات المعتمدة على CPU فقط: الأجهزة التي لا تتضمن تسريع GPU مخصصًا، حيث يوفر استدلال YOLO26 الأسرع على CPU بنسبة تصل إلى 43% ميزة حاسمة.
• اكتشاف الأجسام الصغيرة: السيناريوهات الصعبة مثل الصور الجوية الملتقطة بالطائرات المسيّرة أو تحليل مستشعرات إنترنت الأشياء، حيث يعزّز ProgLoss وSTAL الدقة بدرجة كبيرة عند التعامل مع الأجسام الصغيرة جدًا.

التطبيقات وحالات الاستخدام في العالم الحقيقي#

الأنظمة الذاتية والطائرات المسيّرة#

بالنسبة إلى الصور الجوية وعمليات النشر على الطائرات المسيّرة غير المأهولة (UAV)، يوفر YOLO11 توازنًا ملائمًا للغاية للأداء. يمثل كشف الأجسام الصغيرة تحديًا كبيرًا في تحليلات الطائرات المسيّرة، لكن YOLO11 يتعامل أصليًا مع المقاييس المتباينة مباشرةً. بالإضافة إلى ذلك، تتيح متطلبات الذاكرة المنخفضة تشغيل نسختَي 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 أمرًا بالغ الأهمية. وعلى الرغم من أن DAMO-YOLO يوفر سرعات استدلال قوية على وحدات GPU ثقيلة مخصصة للخوادم بفضل عنق RepGFPN، فقد يكون تكامله الصارم مبالغًا فيه. وغالبًا ما يعمل YOLO11 بديلًا أفضل لمراقبة الجودة الآلية بفضل واجهات برمجة تطبيقات التتبع البسيطة، وقدرته على الانتقال بسلاسة من الكشف الخالص إلى مهام الصناديق المحيطة الموجّهة (OBB) إذا كانت العيوب تتطلب تحديد حدود مائلة.

الرعاية الصحية الذكية والتصوير الطبي#

غالبًا ما تكون مجموعات بيانات التصوير الطبي صغيرة نسبيًا، ويشكل تجنب فرط التكيّف تحديًا. وتساعد تقنيات زيادة البيانات النشطة، إلى جانب مسارات التعلم بالنقل القياسية التي توفرها منظومة Ultralytics جيدة الصيانة، الأطباء والمطورين على نشر نماذج دقيقة لـكشف الأورام بشكل موثوق. كما يضمن الدعم الواسع من المجتمع حل المشكلات في المجالات المعقدة مثل الرعاية الصحية بسرعة.

في النهاية، بينما يظل نموذج DAMO-YOLO عرضًا قويًا لبحث بنية الشبكة العصبية، تظل YOLO11 وعائلة Ultralytics الموسعة التوصية النهائية لمهام الرؤية الحاسوبية في العالم الحقيقي، مع إعطاء الأولوية للنشر السريع، وسهولة المطورين، والأداء فائق المستوى متعدد المهام.