YOLOv6-3.0 مقابل DAMO-YOLO#
يتطور مجال الرؤية الحاسوبية باستمرار، مع بنى جديدة تدفع حدود الممكن في الكشف الآني عن الأجسام. ومن أبرز المنافسين في هذا المجال YOLOv6-3.0 وDAMO-YOLO. يقدم كلا النموذجين ابتكارات بنيوية فريدة مصممة لتعظيم الأداء على الأجهزة الصناعية. يوفر هذا الدليل مقارنة تقنية شاملة بين النموذجين، ويستعرض بنيتيهما ومنهجيات التدريب وحالات الاستخدام المثلى، كما يقدم مزايا الجيل التالي من نماذج Ultralytics مثل YOLO26.
ملفات تعريف النماذج#
YOLOv6-3.0: معدل معالجة بمستوى صناعي#
طوّره قسم الذكاء الاصطناعي للرؤية في Meituan، وصُمم YOLOv6-3.0 خصيصًا للتطبيقات الصناعية عالية الإنتاجية. ويركز بشدة على تعظيم الأداء باستخدام مسرّعات الأجهزة مثل وحدات GPU من NVIDIA.
- المؤلفون: Chuyi Li وLulu Li وYifei Geng وآخرون.
- الجهة: Meituan
- التاريخ: 2023-01-13
- Arxiv: 2301.05586
- GitHub: meituan/YOLOv6
- الوثائق: وثائق Ultralytics YOLOv6
يقدم YOLOv6-3.0 وحدة الوصل ثنائي الاتجاه (BiC) لتحسين دمج السمات، ويستخدم استراتيجية التدريب بمساعدة المراسي (AAT). تجمع هذه الاستراتيجية بين مزايا الكواشف القائمة على المراسي والكواشف الخالية من المراسي أثناء التدريب، مع الحفاظ على الاستدلال الخالي من المراسي تمامًا. كما يجعل العمود الفقري EfficientRep النموذج ملائمًا جدًا لمعالجة الدُفعات على GPU، وهو مثالي لمعالجة كميات هائلة من بيانات فهم الفيديو.
DAMO-YOLO: السرعة والدقة عبر البحث المعماري#
أنشأته Alibaba Group، ويستفيد DAMO-YOLO من البحث عن البنى العصبية (NAS) لاكتشاف هياكل العمود الفقري الأكثر كفاءة للاستدلال الآني تلقائيًا.
- المؤلفون: Xianzhe Xu وYiqi Jiang وWeihua Chen وآخرون.
- الجهة: مجموعة Alibaba
- التاريخ: 2022-11-23
- Arxiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
يتميز DAMO-YOLO ببنية RepGFPN (شبكة هرمية عامة للسمات معادَة المعلمات) لدمج السمات متعددة المقاييس بكفاءة، وتصميم ZeroHead الذي يقلل بدرجة كبيرة النفقات الحسابية الإضافية في رأس الكشف. كما يتضمن إسناد التسميات AlignedOTA وتقنيات قوية لتقطير المعرفة، بما يعزز الدقة دون زيادة عدد معاملات النموذج.
اطّلع على مزيد من المعلومات حول DAMO-YOLO
مع أن DAMO-YOLO يحقق دقة ممتازة، فإن اعتماده الكبير على تقطير المعرفة أثناء التدريب يتطلب نموذج «معلّم» أكبر بكثير. وهذا يزيد بدرجة كبيرة من ذاكرة CUDA المطلوبة أثناء مرحلة التدريب مقارنةً بالبنى الأبسط.
مقارنة الأداء#
عند تقييم نماذج اكتشاف الكائنات، يكون التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال أمرًا بالغ الأهمية. فيما يلي مقارنة مفصلة بين YOLOv6-3.0 وDAMO-YOLO بمقاييس نماذج مختلفة.
| النموذج | الحجم (بكسل) | mAPالتحقق 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (ms) | المعاملات (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
يحقق YOLOv6-3.0 سرعة استثنائية على وحدات GPU من NVIDIA عند الاستفادة من تحسينات TensorRT، ولا سيما في نسختيه nano وsmall. لكن الهياكل الأساسية المحسّنة بواسطة NAS في DAMO-YOLO تميل إلى الحاجة إلى عدد أقل من عمليات FLOPs في المقاييس المتوسطة والكبيرة، ما يمنحها أفضلية طفيفة في زمن الاستجابة عند عمليات النشر الأكبر.
ميزة Ultralytics: ظهور YOLO26#
مع أن YOLOv6-3.0 وDAMO-YOLO أداتان قويتان، كثيرًا ما يواجه المطورون تحديات تتعلق بخطوط نشر معقدة، ومتطلبات ذاكرة مرتفعة أثناء التدريب، وبنى جامدة مخصصة لمهمة واحدة. وتوفر منظومة Ultralytics تجربة تطوير أكثر سلاسة بكثير.
مع إطلاق YOLO26، أعادت Ultralytics تعريف أحدث ما توصل إليه الذكاء الاصطناعي للرؤية. صدر Ultralytics YOLO26 في يناير 2026، ودفع حدود الكفاءة وتعدد الاستخدامات.
أبرز الابتكارات في YOLO26#
- تصميم شامل من البداية إلى النهاية دون NMS: استنادًا إلى المفاهيم التي أرساها YOLOv10، تلغي الترويسة الاختيارية one-to-one في YOLO26 (
nms=False) المعالجة اللاحقة لكبت الصناديق غير القصوى (NMS). ويقلل ذلك بدرجة كبيرة من تفاوت زمن الاستجابة، ويبسط النشر على الأجهزة الطرفية عبر CoreML أو LiteRT. - إزالة DFL: من خلال إزالة Distribution Focal Loss، يبسط YOLO26 عملية التصدير ويعزز التوافق بدرجة كبيرة مع المتحكمات الدقيقة منخفضة الطاقة والعتاد الطرفي.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: للتطبيقات التي لا تتوفر فيها أجهزة GPU مخصصة، توفر تحسينات YOLO26 لوحدة CPU سرعة لا مثيل لها، متفوقًا على نماذج تعتمد بشدة على GPU مثل YOLOv6.
- محسّن MuSGD: استلهامًا من تقنيات تدريب نماذج LLM مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD (مزيجًا من SGD وMuon) لضمان استقرار التدريب وسرعة التقارب.
- ProgLoss + STAL: تحسّن دوال الخسارة المتقدمة التعرف على الكائنات الصغيرة بدرجة كبيرة، ما يجعل YOLO26 مثاليًا لـعمليات الطائرات المسيّرة وتتبع الأهداف البعيدة.
- تعدد مهام لا مثيل له: على عكس DAMO-YOLO، الذي يقتصر على الكشف، يوفر YOLO26 دعمًا جاهزًا للاستخدام لكل من تجزئة الكائنات، وتقدير الوضعية (عبر تقدير الاحتمالية اللوغاريتمية المتبقية)، والصناديق المحيطة الموجّهة (OBB) ضمن API موحد واحد.
على عكس بُنى Transformer المعقدة مثل RT-DETR أو خطوط العمل في DAMO-YOLO التي تعتمد بكثافة على التقطير، تشتهر نماذج Ultralytics بانخفاض استهلاك ذاكرة VRAM. ويمكنك بسهولة تدريب نموذج YOLO26 على عتاد متاح للمستهلكين.
سير عمل Python مبسّط#
لا ينبغي أن يتطلب تدريب أحدث النماذج ونشرها مئات الأسطر من الشيفرة التمهيدية. إذ تبسّط حزمة Ultralytics لـPython دورة حياة تعلم الآلة.
from ultralytics import YOLO
# تحميل نموذج YOLO26 small المتطور
model = YOLO("yolo26s.pt")
# تدريب النموذج بسهولة باستخدام معالجة البيانات المضمنة
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# تشغيل استدلال فائق السرعة وعرض النتائج
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# صدّر بسلاسة إلى ONNX أو TensorRT
model.export(format="onnx")حالات الاستخدام المثالية#
يعتمد اختيار البنية المناسبة كليًا على قيود النشر لديك:
متى يُستخدم YOLOv6-3.0#
- تحليلات الفيديو ذات الدُفعات الكبيرة: خيار ممتاز لمعالجة تدفقات الفيديو الكثيفة على خوادم GPU للمؤسسات، حيث يمكن الاستفادة الكاملة من TensorRT.
- الأتمتة الصناعية: خطوط التصنيع عالية السرعة التي تنفذ مراقبة الجودة للكشف عن العيوب.
متى تستخدم DAMO-YOLO#
- الشرائح المخصصة: بحث كيفية مواءمة البحث عن البنية العصبية مع عتاد NPU محدد ومملوك.
- البحث الأكاديمي: قياس أداء تقنيات تقطير المعرفة الجديدة للشبكات الآنية.
متى تستخدم Ultralytics YOLO26#
- النشر على الأجهزة الطرفية والهواتف المحمولة: يجعل التصميم الخالي من NMS، وإزالة DFL، وزيادة سرعة CPU بنسبة 43%، هذا النموذج الخيار الأبرز بلا منازع لعمليات التكامل مع iOS وAndroid وRaspberry Pi.
- من النمذجة الأولية السريعة إلى الإنتاج: يتيح التكامل السلس مع منصة Ultralytics للفرق الانتقال من توصيف مجموعة البيانات إلى النشر السحابي عالميًا خلال أيام لا أشهر.
- خطوط عمل الرؤية المعقدة: عندما يتطلب المشروع اكتشاف الصناديق المحيطة إلى جانب النقاط المفتاحية لوضعية الإنسان وأقنعة التجزئة الدقيقة في الوقت نفسه.
الخلاصة#
أسهم كل من YOLOv6-3.0 وDAMO-YOLO إسهامًا كبيرًا في علم اكتشاف الكائنات الآني. فقد حسّن YOLOv6 الاستفادة القصوى من GPU، بينما أظهر DAMO-YOLO قوة البحث الآلي عن البنية.
ومع ذلك، يظل نموذج Ultralytics YOLO الخيار الأبرز للمطورين الساعين إلى أفضل مزيج من الدقة وسرعة الاستدلال وسهولة صيانة المنظومة. ومع التحسينات الرائدة المقدمة في YOLO26، لم يسبق أن كان حاجز دخول إنشاء تطبيقات رؤية حاسوبية بمستوى المؤسسات بهذا الانخفاض.
ولمزيد من الاستكشاف، قد ترغب أيضًا في مقارنة هذه النماذج ببنى أخرى في وثائقنا، مثل YOLO11 أو الأساليب القائمة على Transformer مثل RT-DETR.