YOLOv6-3.0 مقابل DAMO-YOLO#

إن مشهد الرؤية الحاسوبية في تطور مستمر، حيث تدفع البنى الجديدة حدود ما هو ممكن في اكتشاف الكائنات الفوري. وهناك منافسان بارزان في هذا المجال وهما YOLOv6-3.0 وDAMO-YOLO. تقدم كلتا النماذج ابتكرات معمارية فريدة مصممة لتحقيق أقصى قدر من الأداء على الأجهزة الصناعية. يوفر هذا الدليل مقارنة تقنية شاملة بين هذين النموذجين، مستكشفاً بنياتهما، ومنهجيات التدريب، وحالات الاستخدام المثالية، مع تقديم مزايا الجيل التالي لنماذج Ultralytics مثل YOLO26.

ملفات تعريف النموذج#

YOLOv6-3.0: إنتاجية بمستوى صناعي#

تم تطوير YOLOv6-3.0 بواسطة قسم رؤية الذكاء الاصطناعي في Meituan، وهو مصمم خصيصاً للتطبيقات الصناعية عالية الإنتاجية. وهو يركز بشدة على تعظيم الأداء على مسرعات الأجهزة مثل وحدة المعالجة الرسومية NVIDIA GPUs.

المؤلفون: Chuyi Li, Lulu Li, Yifei Geng، وآخرون.
المنظمة: Meituan
التاريخ: 2023-01-13
Arxiv: 2301.05586
GitHub: meituan/YOLOv6
Docs: Ultralytics YOLOv6 Documentation

يقدم YOLOv6-3.0 وحدة ربط ثنائية الاتجاه (BiC) لتحسين دمج الميزات ويستخدم استراتيجية التدريب المدعوم بالمراسي (AAT). تجمع هذه الاستراتيجية بين فوائد الكواشف القائمة على المراسي والكواشف غير القائمة على المراسي أثناء التدريب، مع الحفاظ على الاستدلال خالياً تماماً من المراسي. تجعل بنيته التحتية EfficientRep متوافقة للغاية مع أجهزة المعالجة المجمعة لوحدة المعالجة الرسومية، وهي مثالية لمعالجة كميات هائلة من بيانات فهم الفيديو.

اعرف المزيد حول YOLOv6

DAMO-YOLO: سريع ودقيق عبر NAS#

تم إنشاء DAMO-YOLO بواسطة Alibaba Group، وهو يستفيد من البحث المعماري العصبي (NAS) لاكتشاف البنى الأساسية الأكثر كفاءة تلقائياً للاستدلال الفوري.

المؤلفون: Xianzhe Xu, Yiqi Jiang, Weihua Chen، وآخرون.
المنظمة: Alibaba Group
التاريخ: 2022-11-23
Arxiv: 2211.15444v2
GitHub: tinyvision/DAMO-YOLO

يتميز DAMO-YOLO بشبكة هرم ميزات معممة معاد معاييرتها (RepGFPN) لدمج ميزات متعددة المقاييس بكفاءة وتصميم ZeroHead الخاص به، والذي يقلل بشكل كبير من العبء الحسابي في رأس الكشف. كما يدمج تعيين التسميات AlignedOTA وتقنيات تقطير المعرفة القوية لتعزيز الدقة دون زيادة عدد معلمات النموذج.

اعرف المزيد عن DAMO-YOLO

عبء التقطير

بينما يحقق DAMO-YOLO دقة ممتازة، فإن اعتماده الكبير على تقطير المعرفة أثناء التدريب يتطلب نموذج "معلم" أكبر بكثير. هذا يزيد بشكل كبير من ذاكرة CUDA المطلوبة خلال مرحلة التدريب مقارنة بالبنى الأبسط.

مقارنة الأداء#

عند تقييم نماذج اكتشاف الكائنات، فإن التوازن بين متوسط دقة التوسط (mAP) وسرعة الاستدلال يعد أمراً بالغ الأهمية. فيما يلي مقارنة مفصلة بين YOLOv6-3.0 وDAMO-YOLO عبر أحجام النماذج المختلفة.

النموذج	الحجم ^(بكسل)	mAP^val 50-95	السرعة ^{CPU ONNX (ms)}	السرعة ^{T4 TensorRT10 (ms)}	المعلمات ^(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 استثنائية على وحدات المعالجة الرسومية لنظام NVIDIA باستخدام تحسينات TensorRT، خاصة في متغيراته النانوية والصغيرة. ومع ذلك، تميل البنى المحسنة بواسطة NAS في DAMO-YOLO إلى يتطلب عددًا أقل من عمليات الفاصلة العائمة (FLOPs) على النطاقات المتوسطة والكبيرة، مما ينتج عنه مزايا طفيفة في زمن الانتقال للنشر الأكبر.

ميزة Ultralytics: ظهور YOLO26#

بينما يعد YOLOv6-3.0 وDAMO-YOLO أداتين قويتين، غالباً ما يواجه المطورون تحديات مع خطوط النشر المعقدة، ومتطلبات الذاكرة العالية أثناء التدريب، والبنى الصارمة أحادية المهام. يوفر نظام Ultralytics البيئي تجربة مطور مبسطة بشكل ملحوظ.

مع إطلاق YOLO26، أعادت Ultralytics تعريف الذكاء الاصطناعي للرؤية الحديثة. تم إطلاقه في يناير 2026، حيث يدفع Ultralytics YOLO26 حدود الكفاءة والتنوع.

الابتكارات الرئيسية في YOLO26#

تصميم من طرف إلى طرف خالٍ من NMS: بالبناء على المفاهيم التي تم ريادتها في YOLOv10، يلغي YOLO26 محلياً معالجة ما بعد القمع غير الأقصى (NMS). هذا يقلل بشكل كبير من تباين زمن الانتقال ويبسط النشر على الأجهزة الطرفية عبر CoreML أو TFLite.
إزالة DFL: من خلال إزالة توزيع خسارة البؤرة، يبسط YOLO26 عملية التصدير ويعزز التوافق بشكل كبير مع وحدات التحكم الدقيقة منخفضة الطاقة وأجهزة الحافة.
استنتاج أسرع بنسبة تصل إلى 43% على CPU: للتطبيقات التي تفتقر إلى أجهزة GPU مخصصة، توفر تحسينات CPU في YOLO26 سرعة لا مثيل لها، متفوقة على النماذج التي تعتمد بشكل كبير على GPU مثل YOLOv6.
محسن MuSGD: مستوحى من تقنيات تدريب النماذج اللغوية الكبيرة مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 محسن MuSGD (هجين من SGD وMuon) لضمان تدريب مستقر وتقارب سريع.
ProgLoss + STAL: تحسن دالة الخسارة المتقدمة بشكل كبير التعرف على الكائنات الصغيرة، مما يجعل YOLO26 مثالياً لـ عمليات الطائرات بدون طيار وتتبع الأهداف البعيدة.
تنوع المهام المتعددة: على عكس DAMO-YOLO، وهو كاشف بحت، يوفر YOLO26 دعمًا جاهزًا لـ تقسيم المثيلات، وتقدير الوضعية (عبر تقدير احتمالية اللوغاريتم المتبقي)، ومربعات الاحاطة الموجهة (OBB) ضمن واجهة برمجة تطبيقات واحدة موحدة.

تعرف على المزيد حول YOLO26

تدريب فعال في استهلاك الذاكرة

على عكس البنى المحولة المعقدة مثل RT-DETR أو خطوط الأنابيب ذات الاعتماد الكبير على التقطير في DAMO-YOLO، تشتهر نماذج Ultralytics بصمة ذاكرة الفيديو (VRAM) المنخفضة. يمكنك تدريب نموذج YOLO26 بسهولة على الأجهزة الاستهلاكية.

سير عمل Python مبسط#

لا ينبغي أن يتطلب تدريب ونشر النماذج الحديثة مئات الأسطر من الكود النمطي. تعمل حزمة Python الخاصة بـ Ultralytics على تبسيط دورة حياة التعلم الآلي.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with built-in data handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast inference and display results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export seamlessly to ONNX or TensorRT
model.export(format="onnx")

حالات الاستخدام المثالية#

يعتمد اختيار البنية الصحيحة تماماً على قيود النشر الخاصة بك:

متى تستخدم YOLOv6-3.0#

تحليلات الفيديو عالية الدفعات: ممتاز لمعالجة تدفقات الفيديو الكثيفة على خوادم GPU للمؤسسات حيث يمكن استخدام TensorRT بالكامل.
الأتمتة الصناعية: خطوط التصنيع عالية السرعة التي تقوم باكتشاف عيوب مراقبة الجودة.

متى تستخدم DAMO-YOLO#

السيليكون المخصص: البحث في تعيين البحث عن البنية العصبية لأجهزة NPU محددة ومملوكة.
البحث الأكاديمي: قياس أداء تقنيات تقطير المعرفة الجديدة للشبكات في الوقت الفعلي.

متى تستخدم Ultralytics YOLO26#

عمليات النشر على الحافة والأجهزة المحمولة: التصميم الخالي من NMS وإزالة DFL وزيادة سرعة وحدة المعالجة المركزية بنسبة 43% يجعله البطل بلا منازع لعمليات دمج نظام التشغيل iOS وAndroid وRaspberry Pi.
النماذج الأولية السريعة إلى الإنتاج: يتيح التكامل السلس مع منصة Ultralytics للفرق الانتقال من تعليق البيانات إلى النشر السحابي العالمي في أيام وليس شهور.
خطوط أنابيب الرؤية المعقدة: عندما يتطلب المشروع اكتشاف صناديق التقييد إلى جانب النقاط الرئيسية لوضع الإنسان وأقنعة التجزئة الدقيقة في وقت واحد.

الخلاصة#

ساهم كل من YOLOv6-3.0 وDAMO-YOLO بشكل كبير في علم اكتشاف الكائنات في الوقت الفعلي. قام YOLOv6 بتحسين تعظيم GPU، بينما عرض DAMO-YOLO قوة البحث الآلي عن البنية.

مع ذلك، بالنسبة للمطورين الذين يبحثون عن المزج النهائي للدقة وسرعة الاستدلال وقابلية صيانة النظام البيئي، تظل عائلة Ultralytics YOLO هي الخيار الأبرز. مع التحسينات الرائدة المقدمة في YOLO26، لم يكن حاجز الدخول لإنشاء تطبيقات رؤية حاسوبية على مستوى المؤسسات أقل من أي وقت مضى.

لمزيد من الاستكشاف، قد تكون مهتمًا أيضًا بمقارنة هذه النماذج بالبنى الأخرى في وثائقنا، مثل YOLO11 أو الأساليب المستندة إلى المحولات مثل RT-DETR.

المساهمون

GLglenn-jocher¹⁶ PDpderrenger¹

تم الإنشاء 27 يناير 2025تم التحديث الأسبوع الماضي