YOLOv6-3.0 مقابل DAMO-YOLO
يتطور مجال الرؤية الحاسوبية باستمرار، إذ تعمل البنى الجديدة على تحسين سرعة ودقة اكتشاف الأجسام في الوقت الفعلي. ومن أبرز المنافسين في هذا المجال YOLOv6-3.0 وDAMO-YOLO. ويقدم كلا النموذجين ابتكارات معمارية فريدة مصممة لتعظيم الأداء على العتاد الصناعي. يقدم هذا الدليل مقارنة تقنية شاملة بين النموذجين، ويستكشف بنيتيهما ومنهجيات التدريب وحالات الاستخدام المثالية، كما يعرض 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 الدمج ثنائي الاتجاه (BiC) لتحسين دمج الميزات، ويستخدم استراتيجية التدريب المدعوم بالمراسي (AAT). تجمع هذه الاستراتيجية بين مزايا كواشف الأجسام المعتمدة على المراسي وكواشف الأجسام الخالية من المراسي أثناء التدريب، مع الحفاظ على الاستدلال الخالي من المراسي تمامًا. ويجعل العمود الفقري EfficientRep النموذج ملائمًا للغاية لعتاد المعالجة الدفعية باستخدام GPU، ما يناسب أحمال عمل فهم الفيديو واسعة النطاق.
DAMO-YOLO: السرعة والدقة عبر البحث المعماري#
طوّرت Alibaba Group نموذج DAMO-YOLO الذي يستخدم البحث عن البنى العصبية (NAS) لاكتشاف أكثر هياكل الأعمدة الفقرية كفاءةً للاستدلال في الوقت الفعلي 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 باستخدام RepGFPN (شبكة هرمية عامة للميزات معادَة المعلمات) لدمج الميزات متعددة المقاييس بكفاءة، وتصميم ZeroHead الذي يقلل بدرجة كبيرة الحمل الحسابي الزائد في رأس الاكتشاف. كما يتضمن إسناد التسميات AlignedOTA وتقنيات تقطير المعرفة لتعزيز 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) | mAPval50-95 | 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 |
يُظهر YOLOv6-3.0 سرعة قوية على وحدات GPU من NVIDIA عند استخدام تحسينات TensorRT، ولا سيما في نسختيه nano وsmall. لكن الأعمدة الفقرية المحسّنة بتقنية NAS في DAMO-YOLO تميل إلى الحاجة إلى عدد أقل من عمليات FLOPs في الحجمين المتوسط والكبير، ما يمنحه أفضلية طفيفة في زمن الاستجابة عند عمليات النشر الأكبر.
ميزة Ultralytics: ظهور YOLO26#
على الرغم من قوة YOLOv6-3.0 وDAMO-YOLO، يواجه المطورون غالبًا تحديات تتعلق بتعقيد مسارات النشر، وارتفاع متطلبات الذاكرة أثناء التدريب، والبنى الجامدة أحادية المهمة. وتوفر منظومة Ultralytics تجربة أكثر سلاسة للمطورين.
YOLO26 هو أحدث نماذج Ultralytics. صدر Ultralytics YOLO26 في يناير 2026، وهو يحسن الكفاءة وتعدد الاستخدامات.
أبرز الابتكارات في YOLO26#
- تصميم شامل خالٍ من NMS: استنادًا إلى التدريب الخالي من NMS الذي أدخله YOLOv10 إلى نماذج YOLO، يزيل الرأس الاختياري أحادي المطابقة في YOLO26 (
nms=False) معالجة كبح الصناديق المحددة غير القصوى (NMS) اللاحقة. وهذا يقلل تباين زمن الاستجابة ويبسط النشر على الأجهزة الطرفية عبر CoreML أو LiteRT. - إزالة DFL: من خلال إزالة خسارة البؤرة التوزيعية، يبسّط YOLO26 عملية التصدير ويحسن التوافق مع العتاد الطرفي منخفض الطاقة.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: للتطبيقات التي لا يتوفر فيها عتاد GPU مخصص، يعمل YOLO26n بسرعة أعلى تصل إلى 43% على CPU مقارنةً بـ YOLO11n.
- محسّن MuSGD: استلهامًا من تقنيات تدريب نماذج اللغة الكبيرة مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD (مزيجًا من SGD وMuon) لتحقيق تدريب مستقر وتقارب أسرع.
- ProgLoss + STAL: تحسّن دالة خسارة تدريجية واستراتيجية لإسناد التسميات تراعي الأهداف الصغيرة التعرّف على الأجسام الصغيرة، ما يفيد عمليات الطائرات المسيّرة وتتبع الأهداف البعيدة.
- تعدد المهام والمرونة: على خلاف DAMO-YOLO، الذي يقتصر على الكشف، يوفر YOLO26 دعمًا جاهزًا للاستخدام لكل من تجزئة المثيلات، والتجزئة الدلالية، وتقدير العمق، والتصنيف، وتقدير الوضعية (باستخدام تقدير الاحتمالية اللوغاريتمية المتبقية)، ومربعات الإحاطة الموجّهة (OBB)، كل ذلك ضمن واجهة API موحّدة واحدة.
على خلاف بنيات Transformer المعقدة مثل RT-DETR أو مسارات العمل كثيفة التقطير في DAMO-YOLO، تشتهر نماذج Ultralytics باستهلاكها المنخفض لذاكرة VRAM. يمكنك تدريب نموذج YOLO26 على أجهزة بمواصفات استهلاكية.
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 الصغير
model = YOLO("yolo26s.pt")
# درّب النموذج باستخدام معالجة البيانات المضمّنة
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 إلى ONNX أو TensorRT
model.export(format="onnx")حالات الاستخدام المثالية#
يعتمد اختيار البنية المناسبة 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 والمحمولة: يجعل الرأس الاختياري الخالي من NMS، وإزالة DFL، والاستدلال على CPU الأسرع بنسبة تصل إلى 43% (YOLO26n مقارنةً بـ YOLO11n) هذا النموذج مناسبًا تمامًا للنشر على iOS وAndroid وRaspberry Pi.
- من النمذجة الأولية السريعة إلى الإنتاج: يتيح التكامل مع منصة Ultralytics للفرق الانتقال من وسم مجموعة البيانات إلى النشر السحابي عالميًا خلال أيام، لا أشهر.
- مسارات عمل الرؤية المعقدة: عندما يجمع المشروع بين مربعات الإحاطة ونقاط مفاصل وضعية الإنسان وأقنعة التجزئة الدقيقة.
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.
مع ذلك، تُعد عائلة Ultralytics YOLO خيارًا قويًا للمطورين الذين يبحثون عن توازن جيد بين الدقة وسرعة الاستدلال وسهولة صيانة المنظومة. وتُخفّض التحسينات المقدمة في YOLO26 عتبة البدء بتطبيقات الرؤية الحاسوبية الإنتاجية أكثر.
لمزيد من الاستكشاف، قد ترغب أيضًا في مقارنة هذه النماذج ببنى أخرى في الوثائق، مثل YOLO11 أو الأساليب القائمة على Transformer مثل RT-DETR.
التعليقات
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.