YOLO11 مقابل DAMO-YOLO#

يعد اختيار الهندسة المعمارية المثلى خطوة حاسمة في أي مشروع computer vision. يقدم هذا الدليل التقني مقارنة شاملة بين نموذجين قويين للكشف عن الكائنات: Ultralytics YOLO11 و DAMO-YOLO. سنغوص في ابتكاراتهما المعمارية، ونماذج التدريب، وقابليتها للتطبيق في العالم الحقيقي لمساعدتك في اختيار الأفضل لتلبية احتياجات نشرك.

نظرة عامة على النماذج#

Ultralytics 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
• التوثيق: https://docs.ultralytics.com/models/yolo11/

تعرف على المزيد حول YOLO11

يتألق YOLO11 في تنوعه. فبينما تركز العديد من النماذج التقليدية فقط على مربعات الإحاطة، يدعم YOLO11 بشكل أصلي object detection، و instance segmentation، و image classification، و pose estimation. تتيح هذه القدرة متعددة الوسائط للمطورين دمج مسارات vision AI الخاصة بهم تحت إطار عمل واحد ومصان جيداً.

DAMO-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
• المنظمة: Alibaba Group
• التاريخ: 2022-11-23
• أركسايف: https://arxiv.org/abs/2211.15444v2
• جيتهاب: https://github.com/tinyvision/DAMO-YOLO
• المستندات: 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.

مقارنة الأداء والهندسة المعمارية#

يعد فهم المقايضات في الأداء أمراً بالغ الأهمية عند نشر تطبيقات edge AI. يوضح الجدول أدناه المقاييس الرئيسية مثل mean Average Precision (mAP)، ووقت الاستجابة (latency)، والحجم الحسابي.

غوص معمق في البنية#

يعتمد YOLO11 على هيكل خلفي عالي الكفاءة ومصمم خصيصاً يوازن تماماً بين عدد المعلمات والقدرة التمثيلية. وهو محسّن ليعمل بشكل ممتاز عبر مجموعة من الأجهزة، ويتفوق بشكل أصلي مع الحد الأدنى من استخدام CUDA memory أثناء التدريب والاستدلال. هذا يجعله خياراً رائعاً لأجهزة المستهلكين القياسية أو أترنت الأشياء (IoT) المحدودة الموارد.

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.

سهولة الاستخدام وكفاءة التدريب#

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

بُني YOLO11 بشكل كبير على مبدأ إمكانية وصول المطورين. تعمل حزمة ultralytics الشاملة على تجريد المهام الصعبة المتمثلة في تحليل مجموعات البيانات، والزيادة، وضبط المعلمات الفائقة. يتطلب تصدير النماذج إلى تنسيقات الإنتاج مثل ONNX، و TensorRT، و OpenVINO أَمراً 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، الناشئ من خلفية أكاديمية وثقيلة الأبحاث، منحنى تعلم أكثر انحداراً. غالباً ما يتطلب تحقيق ذروة دقته خطوط أنابيب معقدة لتقطير المعرفة - مما يعني أنه يجب عليك أولاً تدريب شبكة "معلم" ضخمة قبل تمرير هذه المعرفة إلى شبكة "طالب" أصغر. هذا يضخم بشكل هائل النفقات العامة لحساب GPU compute المطلوبة والمدة الإجمالية للتدريب مقارنة بدورات التدريب الخالية لنماذج Ultralytics.

حالات الاستخدام والتوصيات#

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

متى تختار YOLO11#

يعد YOLO11 خياراً قوياً لـ:

• نشر الحافة الإنتاجية: التطبيقات التجارية على أجهزة مثل Raspberry Pi أو NVIDIA Jetson حيث تكون موثوقية الصيانة النشطة أمراً بالغ الأهمية.
• تطبيقات الرؤية متعددة المهام: المشاريع التي تتطلب الكشف، والتجزئة، وتقدير الوضعية، وOBB ضمن إطار عمل واحد موحد.
• النماذج الأولية والنشر السريع: الفرق التي تحتاج إلى الانتقال بسرعة من جمع البيانات إلى الإنتاج باستخدام Ultralytics Python API المبسط.

متى 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.

متى تختار Ultralytics (YOLO26)#

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

• 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.
• الكشف عن الأشياء الصغيرة: السيناريوهات الصعبة مثل صور الطائرات بدون طيار الجوية أو تحليل مستشعرات إنترنت الأشياء (IoT) حيث تعمل ProgLoss و STAL على تعزيز الدقة بشكل كبير على الأشياء الدقيقة.

تطبيقات وحالات استخدام في العالم الحقيقي#

الأنظمة المستقلة والطائرات بدون طيار#

بالنسبة للتصوير الجوي وعمليات نشر الطائرات بدون طيار، يوفر YOLO11 توازناً ملائماً بشكل لا يصدق في الأداء. يُعد اكتشاف الأشياء الصغيرة عقبة رئيسية في تحليلات الطائرات بدون طيار، لكن YOLO11 يتعامل مع المقاييس المتغيرة بشكل أصلي وجاهز للاستخدام. بالإضافة إلى ذلك، تتيح متطلبات memory requirements المنخفضة لمتغيرات YOLO11 Nano و Small التشغيل مباشرة على وحدات المعالجة المركزية خفيفة الوزن للحافة أو وحدات NPU المثبتة على الطائرة بدون طيار.

الأتمتة الصناعية ومراقبة الجودة#

في المصانع الذكية، يعتبر وقت الاستجابة (latency) أمراً بالغ الأهمية. بينما يقدم DAMO-YOLO سرعات استدلال قوية على وحدات معالجة رسومية ثقيلة من فئة الخوادم بسبب عنق RepGFPN الخاص به، فإن التكامل الصارم يمكن أن يكون مفرطاً. غالباً ما يعمل YOLO11 كبديل متفوق لمراقبة الجودة الآلية نظراً لـ tracking APIs البسيطة والقدرة على الانتقال بسلاسة من الكشف البحت إلى مهام oriented bounding box (OBB) إذا كانت العيوب تتطلب التعرف على الحدود المائلة.

الرعاية الصحية الذكية والتصوير الطبي#

غالباً ما تكون مجموعات بيانات التصوير الطبي صغيرة نسبياً، ويعد تجنب فرط التجهيز (overfitting) أمراً صعباً. تساعد تقنيات الزيادة النشطة، جنباً إلى جنب مع مسارات التعلم النقلي القياسية التي توفرها Well-Maintained Ecosystem التابعة لـ Ultralytics، الأطباء والمطورين على نشر نماذج دقيقة لـ tumor detection بشكل موثوق. يضمن دعم المجتمع الواسع حل المشكلات في المجالات المعقدة مثل الرعاية الصحية بسرعة.

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.