YOLOv6-3.0 مقابل DAMO-YOLO#
يشهد مجال الرؤية الحاسوبية تطورًا مستمرًا، إذ تدفع البنى المعمارية الجديدة حدود ما يمكن تحقيقه في اكتشاف الأجسام في الوقت الفعلي. ومن أبرز المنافسين في هذا المجال YOLOv6-3.0 وDAMO-YOLO. يقدم كلا النموذجين ابتكارات معمارية فريدة صُممت لتعظيم الأداء على العتاد الصناعي. يقدم هذا الدليل مقارنة تقنية شاملة بين النموذجين، ويستعرض بنيتهما المعمارية ومنهجيات تدريبهما وحالات الاستخدام المثالية لهما، مع تقديم مزايا الجيل التالي من نماذج Ultralytics مثل YOLO26.
ملفات تعريف النماذج#
YOLOv6-3.0: معدل معالجة بمستوى صناعي#
طوّر قسم الذكاء الاصطناعي للرؤية في Meituan نموذج YOLOv6-3.0 خصيصًا للتطبيقات الصناعية ذات معدل الإنتاجية المرتفع. ويركز بدرجة كبيرة على تعظيم الأداء على مسرّعات العتاد مثل وحدات معالجة الرسومات NVIDIA.
- المؤلفون: Chuyi Li، Lulu Li، Yifei 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 السمات، ويستخدم استراتيجية التدريب المعزَّز بالمراسي (AAT). تجمع هذه الاستراتيجية أثناء التدريب بين مزايا الكاشفات القائمة على المراسي والكاشفات الخالية من المراسي، مع الحفاظ على كون الاستدلال خاليًا من المراسي تمامًا. وتجعل بنيته الأساسية EfficientRep ملائمة للغاية للعتاد لمعالجة الدُفعات على GPU، ما يجعلها مثالية لمعالجة كميات هائلة من بيانات فهم الفيديو.
DAMO-YOLO: سريع ودقيق عبر NAS#
أنشأته Alibaba Group، ويستفيد DAMO-YOLO من البحث عن البنية المعمارية العصبية (NAS) لاكتشاف أكثر بنيات الشبكة الأساسية كفاءةً للاستدلال في الوقت الفعلي تلقائيًا.
- 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 باستخدامه RepGFPN (شبكة هرم السمات المعمَّمة المُعادَة المعلمات) لدمج السمات متعددة المقاييس بكفاءة، وتصميمه ZeroHead الذي يقلل بدرجة كبيرة الحمل الحسابي في رأس الكشف. كما يدمج إسناد التسميات AlignedOTA وتقنيات تقطير المعرفة المتينة لتعزيز الدقة دون زيادة عدد معلمات النموذج.
على الرغم من أن DAMO-YOLO يحقق دقة ممتازة، فإن اعتماده الكبير على تقطير المعرفة أثناء التدريب يتطلب نموذجًا أكبر بكثير من نوع «المعلّم». ويزيد ذلك بدرجة كبيرة من ذاكرة CUDA المطلوبة أثناء مرحلة التدريب مقارنةً بالبنى المعمارية الأبسط.
مقارنة الأداء#
عند تقييم نماذج اكتشاف الأجسام، يُعد تحقيق التوازن بين متوسط الدقة (mAP) وسرعة الاستدلال أمرًا بالغ الأهمية. فيما يلي مقارنة مفصلة بين YOLOv6-3.0 وDAMO-YOLO عبر مقاييس مختلفة للنماذج.
| النموذج | الحجم (بكسل) | mAPval 50-95 | السرعة CPU ONNX (مللي ثانية) | السرعة T4 TensorRT10 (مللي ثانية) | 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 استثنائية على وحدات معالجة الرسومات NVIDIA باستخدام تحسينات TensorRT، لا سيما في نسختيه الصغيرة جدًا والصغيرة. ومع ذلك، تميل البنى الأساسية المحسّنة بواسطة NAS في DAMO-YOLO إلى الحاجة لعدد أقل من عمليات الفاصلة العائمة (FLOPs) في المقاييس المتوسطة والكبيرة، ما ينتج عنه تفوق طفيف في زمن الاستجابة عند عمليات النشر الأكبر.
ميزة Ultralytics: تقديم YOLO26#
على الرغم من أن YOLOv6-3.0 وDAMO-YOLO أداتان قويتان، يواجه المطورون غالبًا تحديات تتمثل في مسارات النشر المعقدة، ومتطلبات الذاكرة العالية أثناء التدريب، والبنى المعمارية الجامدة أحادية المهمة. وتوفر منظومة Ultralytics تجربة مطور أكثر سلاسة بدرجة كبيرة.
مع إصدار YOLO26، أعادت Ultralytics تعريف أحدث ما توصل إليه الذكاء الاصطناعي للرؤية. وقد صدر Ultralytics YOLO26 في يناير 2026، ليدفع حدود الكفاءة وتعدد الاستخدامات.
الابتكارات الرئيسية في YOLO26#
- تصميم شامل خالٍ من NMS: بالاستناد إلى المفاهيم التي ابتكرها YOLOv10، يلغي YOLO26 معالجة الكبت غير الأقصى (NMS) اللاحقة بصورة أصلية. ويقلل ذلك بدرجة كبيرة تفاوت زمن الاستجابة، ويبسط النشر على الأجهزة الطرفية عبر CoreML أو TFLite.
- إزالة DFL: من خلال إزالة خسارة البؤرة للتوزيع، يبسط YOLO26 عملية التصدير ويحسن بدرجة كبيرة التوافق مع المتحكمات الدقيقة منخفضة الطاقة والعتاد الطرفي.
- استدلال على CPU أسرع بنسبة تصل إلى 43%: بالنسبة إلى التطبيقات التي تفتقر إلى عتاد GPU مخصص، توفر تحسينات CPU في YOLO26 سرعة لا مثيل لها، متفوقةً على النماذج التي تعتمد بدرجة كبيرة على GPU مثل YOLOv6.
- محسّن MuSGD: مستلهمًا من تقنيات تدريب LLM مثل Kimi K2 من Moonshot AI، يستخدم YOLO26 محسّن MuSGD (وهو مزيج من SGD وMuon) لضمان تدريب مستقر وتقارب سريع.
- ProgLoss + STAL: تحسن دوال الخسارة المتقدمة التعرف على الأجسام الصغيرة بدرجة كبيرة، ما يجعل YOLO26 مثاليًا لـعمليات الطائرات المسيّرة وتتبع الأهداف البعيدة.
- تعدد استخدامات المهام: بخلاف DAMO-YOLO، الذي يقتصر على الكشف، يوفر YOLO26 دعمًا جاهزًا للاستخدام لـتجزئة المثيلات، وتقدير الوضعية (عبر تقدير الاحتمالية اللوغاريتمية المتبقية)، والصناديق المحيطة الموجهة (OBB) ضمن API موحد واحد.
بخلاف البنى المعمارية المعقدة القائمة على Transformer مثل RT-DETR أو مسارات DAMO-YOLO المعتمدة بكثافة على التقطير، تشتهر نماذج Ultralytics بانخفاض استهلاكها لذاكرة VRAM. ويمكنك تدريب نموذج YOLO26 بسهولة على عتاد مخصص للمستهلكين.
مسار عمل Python مبسّط#
لا ينبغي أن يتطلب تدريب النماذج المتقدمة ونشرها مئات الأسطر من التعليمات البرمجية التمهيدية. تبسّط حزمة Ultralytics لـPython 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 المعمارية المناسبة كليًا على قيود النشر لديك:
متى تستخدم YOLOv6-3.0#
- تحليلات الفيديو ذات الدُفعات الكبيرة: ممتاز لمعالجة تدفقات الفيديو الكثيفة على خوادم GPU المؤسسية حيث يمكن الاستفادة من TensorRT بالكامل.
- الأتمتة الصناعية: خطوط تصنيع عالية السرعة تنفذ كشف عيوب مراقبة الجودة.
متى تستخدم DAMO-YOLO#
- السيليكون المخصص: البحث في مواءمة البحث عن البنية المعمارية العصبية مع عتاد NPU محدد ومملوك.
- البحث الأكاديمي: قياس أداء تقنيات تقطير المعرفة المبتكرة للشبكات الآنية.
متى تستخدم Ultralytics YOLO26#
- عمليات النشر الطرفية والمتنقلة: يجعل التصميم الخالي من NMS، وإزالة DFL، وزيادة سرعة CPU بنسبة 43% منه الخيار المتفوق بلا منازع لتكاملات iOS وAndroid وRaspberry Pi.
- من النمذجة الأولية السريعة إلى الإنتاج: يتيح التكامل السلس مع منصة Ultralytics للفرق الانتقال من وسم مجموعة البيانات إلى النشر السحابي العالمي خلال أيام لا أشهر.
- مسارات الرؤية المعقدة: عندما يتطلب المشروع اكتشاف الصناديق المحيطة إلى جانب النقاط الرئيسية لوضعية الإنسان وأقنعة التجزئة الدقيقة في الوقت نفسه.
الخلاصة#
أسهم كل من YOLOv6-3.0 وDAMO-YOLO إسهامًا كبيرًا في علم اكتشاف الأجسام في الوقت الفعلي. فقد عمل YOLOv6 على تحسين تعظيم الاستفادة من GPU، بينما أظهر DAMO-YOLO قوة البحث الآلي عن البنية المعمارية.
ومع ذلك، بالنسبة إلى المطورين الذين يسعون إلى المزيج الأمثل من الدقة وسرعة الاستدلال وقابلية صيانة المنظومة، تظل عائلة Ultralytics YOLO الخيار الأول. ومع التحسينات الرائدة التي قدمها YOLO26، لم يسبق أن كان الحاجز أمام إنشاء تطبيقات رؤية حاسوبية بمستوى المؤسسات منخفضًا إلى هذا الحد.
ولمزيد من الاستكشاف، قد يهمك أيضًا مقارنة هذه النماذج ببنى معمارية أخرى في وثائقنا، مثل YOLO11 أو الأساليب القائمة على Transformer مثل RT-DETR.