YOLO26 مقابل DAMO-YOLO#
عند اختيار نموذج متطور للرؤية الحاسوبية، يُعد العثور على التوازن الأمثل بين سرعة الاستدلال والدقة وسهولة النشر أمرًا بالغ الأهمية. يقارن هذا الدليل الشامل بين نموذجين بارزين في مجال ذكاء الرؤية الاصطناعي: Ultralytics YOLO26 وDAMO-YOLO. وعلى الرغم من أن كلتا البنيتين تدفعان حدود اكتشاف الأجسام في الوقت الفعلي، فإن فلسفتي التصميم وحالتي الاستخدام المستهدفتين تختلفان اختلافًا كبيرًا.
الابتكارات المعمارية والتصميم#
Ultralytics YOLO26: معيار الرؤية المُصمَّم أولًا للأجهزة الطرفية#
طوّر Glenn Jocher وJing Qiu النموذج في Ultralytics، وأُصدر في 14 يناير 2026، ويمثل YOLO26 قفزة هائلة إلى الأمام في سلالة YOLO. وقد صُمّم من الأساس للحوسبة الطرفية، إذ يمزج بسلاسة بين أحدث ممارسات تدريب LLM وبنى الرؤية المتقدمة.
تشمل أبرز الاختراقات المعمارية في YOLO26 ما يلي:
- تصميم شامل من البداية إلى النهاية وخالٍ من NMS: استنادًا إلى العمل الرائد في YOLOv10، يعمل YOLO26 أصليًا من البداية إلى النهاية. ومن خلال الإزالة الكاملة لقمع غير الأعظم (NMS) أثناء المعالجة اللاحقة، يضمن زمن استجابة حتميًا ويبسط مسارات النشر بدرجة كبيرة.
- إزالة DFL: تؤدي إزالة خسارة البؤرة التوزيعية إلى تبسيط مخطط النموذج. وهذا يجعل التصدير إلى أطر النشر مثل ONNX وTensorRT أكثر سلاسة بكثير، ويضمن توافقًا أفضل مع الأجهزة الطرفية منخفضة الطاقة.
- مُحسِّن MuSGD: مستوحى من Kimi K2 من Moonshot AI، يجمع هذا المُحسِّن الهجين بين الانحدار المتدرج العشوائي (SGD) وMuon، وينقل ابتكارات تدريب LLM إلى مجال الرؤية الحاسوبية، مما ينتج عنه تدريب مستقر بدرجة ملحوظة وتقارب سريع.
- ProgLoss + STAL: توفر دوال الخسارة المتقدمة هذه تحسينات ملحوظة في التعرّف على الأجسام الصغيرة، وهو أمر بالغ الأهمية لتحليل الصور الجوية المعتمد على الطائرات المسيّرة ومسارات عمل الروبوتات المعقدة.
DAMO-YOLO: البحث عن البنية العصبية على نطاق واسع#
طوّر Xianzhe Xu وYiqi Jiang وWeihua Chen وYilun Huang وYuan Zhang وXiuyu Sun من مجموعة Alibaba هذا النموذج (وأُصدر في 23 نوفمبر 2022)، ويركز DAMO-YOLO بدرجة كبيرة على الاكتشاف الآلي للبنية. ويستخدم البحث، المفصّل في ورقة arXiv، البحث عن البنية العصبية (NAS) للعثور على شبكات أساسية مثلى ضمن ميزانيات صارمة لزمن الاستجابة.
تشمل أبرز الميزات المعمارية في DAMO-YOLO ما يلي:
- العمود الفقري MAE-NAS Backbone: يستخدم بحثاً موجهاً بأقصى إنتروبيا لتصميم أعمدة فقرية تلقائياً توازن بين الدقة وسرعة نشر المستهدف.
- Efficient RepGFPN: تصميم قوي لعنق ثقيل يحسّن دمج الميزات عبر المقاييس المختلفة، مما يجعله عالي الكفاءة في معالجة المشاهد المرئية المعقدة.
- ZeroHead: رأس اكتشاف مبسّط بدرجة كبيرة، صُمّم لتقليل العبء الحسابي في طبقات التنبؤ النهائية.
في حين أن بنية DAMO-YOLO المعتمدة على NAS ممتازة لقيود عتادية محددة ومُعرّفة مسبقًا، فإن التصميم الخالي من NMS وإزالة DFL في YOLO26 يجعلان منه خيارًا أكثر تنوعًا وقابلية للتنبؤ عبر مجموعة واسعة من بيئات الأجهزة الطرفية والسحابة المختلفة.
مقارنة الأداء والمقاييس#
تكشف المقارنة المباشرة بين متغيرات النماذج المدرّبة على مجموعة بيانات COCO القياسية عن ملفات أداء متميزة. ويوضح الجدول أدناه المفاضلات بين الدقة (mAP) والسرعة والبصمة الحسابية (عدد المعاملات وFLOPs).
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | المعاملات (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 بدرجة كبيرة نحو YOLO26 في التطبيقات الحديثة. فمتغير Nano (YOLO26n) خفيف للغاية، إذ لا يتجاوز عدد معاملاته 2.4M، ويوفر سرعات مذهلة تبلغ 1.7 ms على وحدة معالجة الرسومات NVIDIA T4. علاوة على ذلك، صُمّم YOLO26 خصيصًا لتوفير استدلال أسرع على CPU بنسبة تصل إلى 43%، مما يجعله الخيار الأبرز للأجهزة الطرفية التي تفتقر إلى مسرّعات GPU مخصصة.
وعلى الرغم من أن DAMO-YOLOt يتفوق قليلًا على YOLO26n في mAP الخالص، فإنه يحقق ذلك على حساب الحاجة إلى عدد معاملات يقارب أربعة أضعاف (8.5M). ومع الانتقال إلى المتغيرات الأكبر، يتفوق YOLO26 باستمرار على DAMO-YOLO في الدقة، مع الحفاظ على بصمة ذاكرة أصغر، واستخدام أقل لذاكرة CUDA أثناء التدريب، وسرعات TensorRT أعلى بكثير.
المنظومة وسهولة الاستخدام وكفاءة التدريب#
لا تكمن القوة الحقيقية لنموذج التعلم الآلي في مقاييسه الأولية فحسب، بل أيضًا في مدى سهولة استخدامه من قِبل المطورين والباحثين.
ميزة Ultralytics#
يضمن اختيار نموذج من Ultralytics الوصول إلى منظومة متطورة للغاية تتمحور حول المطورين. إذ تُجرّد مسارات العمل المعقدة التي تشمل زيادة البيانات وضبط المعلمات الفائقة والتتبع المتين للتجارب في أوامر بديهية.
علاوة على ذلك، يوفر YOLO26 تنوعًا لا مثيل له. فبينما يقتصر DAMO-YOLO على اكتشاف الأجسام، يقدم YOLO26 تحسينات شاملة خاصة بكل مهمة عبر مجالات متعددة مباشرةً:
- تقسيم المثيلات: باستخدام خسارة متخصصة للتقسيم الدلالي وإنشاء نماذج أولية متعددة المقاييس.
- تقدير الوضعيات: بالاستفادة من تقدير متقدم للبواقي في لوغاريتم الاحتمالية (RLE).
- الصندوق المحيط الموجّه (OBB): من خلال دمج دوال خسارة متخصصة للزوايا لمعالجة مشكلات الحدود الصعبة بدقة تامة.
- تصنيف الصور: لوضع تسميات عامة للصور بسرعة وبكفاءة خفيفة.
منهجيات التدريب#
غالبًا ما يتضمن تدريب DAMO-YOLO عملية تقطير معقدة، حيث يدرّب نموذج كبير يُسمى «المعلّم» نموذجًا أصغر يُسمى «الطالب». وعلى الرغم من أن هذه التقنية تستخلص مكاسب هامشية في الدقة، فإنها تتطلب قدرًا كبيرًا من ذاكرة GPU ودورات تدريب أطول.
وعلى العكس، فإن متطلبات الذاكرة لـ YOLO26 أقل بكثير. وبفضل مُحسِّن MuSGD، يتدرب YOLO26 بسرعة وكفاءة على العتاد القياسي الموجّه للمستهلكين. إليك مدى سهولة تدريب نموذج YOLO26 باستخدام واجهة Python البرمجية من Ultralytics المدعومة بـ 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")التطبيقات الواقعية#
يعتمد الاختيار بين هذه البنى في نهاية المطاف على بيئة النشر لديك.
الذكاء الاصطناعي الطرفي وأجهزة IoT#
بالنسبة إلى كاميرات البيع بالتجزئة الذكية، وأنظمة المراقبة الزراعية الآلية، أو الروبوتات، تكون موارد الحوسبة محدودة للغاية. وهنا، يُعد YOLO26 الخيار الحاسم. إذ يتيح استدلاله الأسرع على CPU بنسبة 43%، ومسار عمله الخالي تمامًا من NMS، وبصمته الصغيرة من المعاملات، تشغيله بسلاسة على الأجهزة الطرفية مثل Raspberry Pi دون التضحية بالدقة الضرورية.
التصنيع عالي السرعة ومراقبة الجودة#
في خطوط أتمتة التصنيع السريعة، يتطلب اكتشاف العيوب على سيور النقل المتحركة بسرعة الحد الأدنى من زمن الانتقال الحتمي. وفي حين يمكن لـ DAMO-YOLO الأداء بشكل مناسب على تكوينات GPU معينة، فإن زمن الانتقال المتذبذب الناتج عن معالجة NMS التقليدية لاحقة التجهيز يمكن أن يؤدي إلى عدم مزامنة المشغلات الروبوتية. تضمن طبيعة YOLO26 الشاملة أوقات معالجة إطارات متسقة وقابلة للتنبؤ، مما يضمن التكامل السلس في الروبوتات الصناعية عالية السرعة.
الطائرات المسيّرة والصور الجوية#
من المعروف أن اكتشاف الأجسام الصغيرة من ارتفاعات شاهقة أمر بالغ الصعوبة. ويؤدي دمج ProgLoss وSTAL في YOLO26 إلى تحسين التعرف على الأجسام الصغيرة بدرجة كبيرة. وسواء أكان الأمر يتعلق بتتبع الحياة البرية أم بتحليل الازدحام المروري من الطائرات دون طيار (UAVs)، فإن YOLO26 يحدد باستمرار الأجسام الأصغر مساحةً بالبكسل التي غالبًا ما تفوّتْها البنى الأقدم، بما في ذلك DAMO-YOLO.
حالات الاستخدام والتوصيات#
يعتمد الاختيار بين YOLO26 وDAMO-YOLO على متطلبات مشروعك المحددة وقيود النشر وتفضيلاتك للمنظومة.
متى تختار YOLO26#
يُعد YOLO26 خيارًا قويًا من أجل:
- 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.
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.
الخلاصة#
على الرغم من أن DAMO-YOLO يظل دراسة مثيرة للاهتمام في قدرات البحث عن البنية العصبية للأهداف العتادية المحددة، فإن Ultralytics YOLO26 يمثل حلًا متفوقًا ومتوازنًا للممارس الحديث في مجال الذكاء الاصطناعي. وبفضل بنيته الشاملة من البداية إلى النهاية والخالية من NMS، ومتطلبات الذاكرة الأقل بكثير، ومُحسِّن MuSGD الهجين، ومنظومته المُدارة بإتقان، يمكّن YOLO26 المطورين من بناء أنظمة رؤية متطورة ونشرها بسرعة وموثوقية أكبر من أي وقت مضى.