YOLO26 مقابل DAMO-YOLO#

عند اختيار نموذج رؤية حاسوبية متطور، يعد إيجاد التوازن الأمثل بين سرعة الاستدلال، والدقة، وسولة النشر أمراً بالغ الأهمية. يقارن هذا الدليل الشامل بين نموذجين بارزين في مشهد ذكاء الرؤية الاصطناعي: Ultralytics YOLO26 وDAMO-YOLO. وبينما تدفع كلا المعماريين حدود اكتشاف الكائنات في الوقت الفعلي، إلا أن فلسفات تصميمهما الأساسية وحالات الاستخدام المقصودة تختلف بشكل ملحوظ.

الابتكارات المعمارية والتصميم#

Ultralytics YOLO26: معيار الرؤية الأول للحافة (Edge-First)#

تم تطوير YOLO26 بواسطة جلين جوشر وجينج تشيو في Ultralytics وتم إصداره في 14 يناير 2026، ويمثل قفزة هائلة إلى الأمام في سلالة YOLO. لقد تم هندسته من الصفر للحوسبة الطرفية، حيث يمزج بسلاسة بين ممارسات تدريب النماذج اللغوية الكبيرة المتطورة ومعماريات الرؤية المتقدمة.

تشمل الاختراقات المعمارية الرئيسية لـ YOLO26 ما يلي:

تصميم خالٍ من كتم الحد الأقصى غير المطلق (NMS) ومن طرف إلى طرف: بناءً على العمل الريادي من YOLOv10، فإن YOLO26 هو تصميم أصلي من طرف إلى طرف. ومن خلال القضاء التام على كتم الحد الأقصى غير المطلق (NMS) أثناء المعالجة اللاحقة، فإنه يضمن زمناً كامناً حتمياً ويبسط بشكل كبير خطوط أنابيب النشر.
إزالة DFL: تعمل إزالة خسارة التمرير التوزيعي (Distribution Focal Loss) على تبسيط مخطط النموذج. وهذا يجعل التصدير إلى أطر عمل النشر مثل ONNX وTensorRT أكثر سلاسة بكثير ويضمن توافقاً أفضل مع الأجهزة الطرفية منخفضة الطاقة.
مُحسن MuSGD: مستوحى من Kimi K2 التابع لشركة Moonshot AI، يجمع هذا الهجين بين الانحدار العشوائي (SGD) وMuon، مما يجلب ابتكارات تدريب النماذج اللغوية الكبيرة إلى رؤية الحاسوب، مما يؤدي إلى تدريب مستقر بشكل ملحوظ وتقارب سريع.
ProgLoss + STAL: تقدم دالة الخسارة المتقدمة هذه تحسينات ملحوظة في التعرف على الكائنات الصغيرة، وهو أمر بالغ الأهمية لتحليل الصور الجوية المعتمدة على الطائرات بدون طيار وخطوط أنابيب الروبوتات المعقدة.

تعرف على المزيد حول YOLO26

DAMO-YOLO: البحث في البنية العصبية على نطاق واسع#

تم تطوير DAMO-YOLO بواسطة شيانز تشي شو، يي تشي جيانغ، ويهوا تشين، ييلون هوانغ، يوان تشانغ، وشيوي سونو من مجموعة علي بابا (وتم إصداره في 23 نوفمبر 2022)، ويركز بشكل كبير على اكتشاف المعمارية التلقائية. يوضح البحث، المفصل في ورقة arXiv الخاصة بهم، استخدام بحث المعمارية العصبية (NAS) لإيجاد الأجزاء الأساسية المثلى تحت ميزانيات زمن كامن صارمة.

تشمل الميزات المعمارية الرئيسية لـ DAMO-YOLO ما يلي:

هيكل MAE-NAS: يستخدم بحثاً تطورياً متعدد الأهداف لتصميم الهياكل الأساسية تلقائياً التي توازن بين الدقة وسرعة النشر المستهدفة.
Efficient RepGFPN: تصميم قوي للعنق (Heavy-Neck) يعمل على تحسين دمج الميزات عبر مقاييس مختلفة، مما يجعله قادراً للغاية على معالجة المشاهد المرئية المعقدة.
ZeroHead: رأس كشف مبسط بشكل جذري مصمم لتقليل العبء الحسابي في طبقات التنبؤ النهائية.

تعرف على المزيد حول DAMO-YOLO

اختيار البنية الصحيحة

في حين أن بنية DAMO-YOLO المدفوعة بـ NAS ممتازة لقيود أجهزة محددة ومحددة مسبقاً، فإن التصميم الخالي من NMS وإزالة DFL في YOLO26 يجعله خياراً أكثر تنوعاً وقابلية للتنبؤ عبر مجموعة واسعة من بيئات الحافة والسحابة المتغيرة.

مقارنة الأداء والمقاييس#

تكشف المقارنة المباشرة لمتغيرات النموذج المدربة على مجموعة بيانات COCO القياسية عن ملفات تعريف أداء متميزة. يوضح الجدول أدناه المقايضات بين الدقة (mAP)، السرعة، والبصمة الحسابية (المعاملات و FLOPs).

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

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 الأداء#

عند تحليل البيانات، يميل توازن الأداء بشدة نحو YOLO26 للتطبيقات الحديثة. يتميز متغير Nano (YOLO26n) بخفة وزن استثنائية حيث تبلغ معلماته 2.4 مليون فقط، مما يوفر سرعات مذهلة تصل إلى 1.7 مللي ثانية على وحدة معالجة الرسومات NVIDIA T4. علاوة على ذلك، تم تصميم YOLO26 خصيصاً لتوفير استدلال أسرع بنسبة تصل إلى 43% على وحدة المعالجة المركزية (CPU)، مما يجعله البطل بلا منازع لأجهزة الحافة التي تفتقر إلى مسرعات GPU مخصصة.

وفي حين يتفوق DAMO-YOLOt قليلاً على YOLO26n في دقة mAP الخالصة، فإنه يفعل ذلك على حساب الحاجة إلى ما يقرب من أربعة أضعاف عدد المعاملات (8.5 مليون). بينما ننتقل إلى المتغيرات الأكبر، يتفوق YOLO26 باستمرار على DAMO-YOLO من حيث الدقة مع الحفاظ على بصمة ذاكرة أصغر، وانخفاض استخدام ذاكرة CUDA أثناء التدريب، وسرعات TensorRT أسرع بكثير.

النظام البيئي، وسهولة الاستخدام، وكفاءة التدريب#

لا تكمن القوة الحقيقية لنموذج التعلم الآلي في مقاييسه الخام فحسب، بل في مدى سهولة استخدامه من قبل المطورين والباحثين.

ميزة Ultralytics#

يضمن اختيار نموذج Ultralytics الوصول إلى بيئة عمل عالية الدقة وموجهة للمطورين. يتم تلخيص خطوط الأنابيب المعقدة التي تتضمن زيادة البيانات، وضبط المعلمات الفائقة، وتتبع التجارب القوي في أوامر بديهية.

علاوة على ذلك، يوفر YOLO26 تنوعاً لا مثيل له. فبينما يعد DAMO-YOLO كاشف كائنات فقط، يوفر YOLO26 تحسينات شاملة وخاصة بالمهمة عبر مجالات متعددة خارج الصندوق:

تجزئة المثيلات: استخدام خسارة التجزيء الدلالي المتخصصة والنماذج الأولية متعددة المقاييس.
تقدير الوضعية: الاستفادة من تقدير الاحتمالية اللوغاريتمية المتبقية المتقدم (RLE).
مربع الإحاطة الموجه (OBB): دمج وظائف خسارة الزاوية المتخصصة لحل مشاكل الحدود الصعبة بشكل مثالي.
تصنيف الصور: لتصنيف الصور العالمية السريعة والخفيفة الوزن.

منهجيات التدريب#

غالباً ما يتضمن تدريب DAMO-YOLO عملية تقطير معقدة حيث يقوم نموذج "معلم" كبير بتدريب نموذج "طالب" أصغر. ورغم أن هذه التقنية تستخرج مكاسب دقة هامشية، إلا أنها تتطلب ذاكرة GPU واسعة ودورات تدريب أطول.

على العكس من ذلك، متطلبات الذاكرة لـ YOLO26 أقل بكثير. مدعوماً بمحسن MuSGD، يتدرب YOLO26 بسرعة وكفاءة على الأجهزة الاستهلاكية القياسية. إليك مدى سهولة تدريب نموذج YOLO26 باستخدام واجهة برمجة تطبيقات Python الخاصة بـ Ultralytics المدعومة من PyTorch:

from ultralytics import YOLO

# Initialize the natively end-to-end YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on a custom dataset effortlessly
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the optimized, NMS-free model
model.export(format="onnx")

استكشاف نماذج أخرى

إذا كنت مهتماً باستكشاف معماريات حديثة أخرى ضمن نظام Ultralytics البيئي، فإن YOLO11 القوي للغاية يظل خياراً رائعاً لخطوط الأنابيب القديمة. بدلاً من ذلك، يمكن للباحثين المهتمين بالمعماريات القائمة على المحولات (Transformers) استكشاف نموذج RT-DETR.

تطبيقات العالم الحقيقي#

يعتمد الاختيار بين هذه البنيات في النهاية على بيئة النشر الخاصة بك.

ذكاء الحافة وأجهزة IoT#

بالنسبة لكاميرات التجزئة الذكية، أو شاشات المراقبة الزراعية الآلية، أو الروبوتات، فإن موارد الحوسبة محدودة بشكل صارم. وهنا، يعتبر YOLO26 هو الخيار النهائي. بفضل استدلال وحدة المعالجة المركزية (CPU) الأسرع بنسبة 43%، وخط الأنابيب الخالي تماماً من NMS، وبصمة المعلمات الصغيرة جداً، فإنه يسمح له بالتشغيل بسلاسة على الأجهزة الطرفية مثل Raspberry Pi دون التضحية بالدقة الحرجة.

التصنيع عالي السرعة ومراقبة الجودة#

في خطوط أتمتة التصنيع سريعة الوتيرة، يتطلب اكتشاف العيوب على سيور النقل سريعة الحركة الحد الأدنى من الزمن الكامن الحتمي. وفي حين يمكن لDAMO-YOLO الأداء بشكل مناسب على تكوينات GPU محددة، فإن الزمن الكامن المتذبذب الناتج عن المعالجة اللاحقة التقليدية لـ NMS يمكن أن يتسبب في عدم مزامنة المشغلات الروبوتية. يضمن طبيعة YOLO26 الشاملة أوقات معالجة إطار متسقة ويمكن التنبؤ بها، مما يضمن تكاملاً لا تشوبه شائبة في روبوتات صناعية عالية السرعة.

الطائرات بدون طيار والتصوير الجوي#

اكتشاف الأجسام الصغيرة من ارتفاعات عالية أمر صعب للغاية. يؤدي دمج ProgLoss وSTAL في YOLO26 إلى تحسين التعرف على الكائنات الصغيرة بشكل كبير. سواء كنت تتعقب الحياة البرية أو تحلل ازدحام المرور من الطائرات بدون طيار (UAVs)، يحدد YOLO26 باستمرار كائنات أصغر مساحة بالبكسل والتي تفوتها البنيات الأقدم، بما في ذلك DAMO-YOLO، بشكل متكرر.

حالات الاستخدام والتوصيات#

يعتمد الاختيار بين YOLO26 وDAMO-YOLO على متطلبات مشروعك المحددة، وقيود النشر، وتفضيلات النظام البيئي.

متى تختار YOLO26#

YOLO26 هو خيار قوي لـ:

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.

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.

الخلاصة#

بينما يظل DAMO-YOLO دراسة رائعة لقدرات البحث في البنية العصبية لأهداف أجهزة محددة، فإن Ultralytics YOLO26 يبرز كحل متفوق ومتكامل لممارس الذكاء الاصطناعي الحديث. بفضل بنيته الخالية من NMS من الطرف إلى الطرف، ومتطلبات الذاكرة الأقل بشكل كبير، ومُحسن MuSGD الهجين، ونظام بيئي مُصان بشكل لا تشوبه شائبة، يعمل YOLO26 على تمكين المطورين من بناء ونشر أنظمة رؤية متطورة بشكل أسرع وأكثر موثوقية من أي وقت مضى.

المساهمون

GLglenn-jocher⁶

تم الإنشاء 14 يناير 2026تم التحديث قبل 3 أيام